Anwendung von Methoden des überwachten Lernens zur Prognose von Fermentationsprozessen

Abstract

Im Zuge dieser Arbeit wurden zwei Algorithmen des überwachten Lernens, der Random Forest sowie die Support Vector Machines, eingesetzt, um mithilfe von neun Datensätzen, die jeweils einen Fermentationsprozess darstellen, Vorhersagen zur Zellkonzentration und zur Produktkonzentration machen zu können. Dabei wurden zum einen Daten aus einer Fluoreszenzspektroskopie verwendet, die über eine Hauptkomponentenanalyse vorverarbeitet wurden. Zum anderen wurden ausgewählte Prozessvariablen, wie der Sauerstoffpartialdruck, die Substratkonzentration und auch der Stoffmengenanteil von O2 und CO2 in der Gasphase genutzt, um Vorhersagen treffen zu können. Dabei konnte festgestellt werden, dass die Vorhersage der Zellkonzentration im Allgemeinen vergleichsweise bessere Ergebnisse liefert als die Vorhersage der Produktkonzentration. Bei der Auswertung der Ergebnisse konnte außerdem eine mögliche Überanpassung der Algorithmen, vor allem bei der Produktkonzentration, aufgezeigt werden.