Algoritma Pembelajaran Mendalam Berbasis Data untuk Kontrol Akurat Fermentasi Bioetanol Menggunakan Penganalisis Raman Online

ABSTRAK
Fermentasi fed-batch telah menjadi strategi yang lebih disukai dalam banyak proses biomanufaktur industri. Namun, tantangan utama tetap ada dalam mengoptimalkan strategi pemberian pakan untuk mencapai hasil maksimum yang stabil. Dalam studi ini, kami menyajikan sistem pemantauan dan kontrol berbasis spektroskopi Raman daring, menggunakan produksi bioetanol oleh Saccharomyces cerevisiae sebagai studi kasus. Untuk mengatasi masalah data berlabel terbatas, pendekatan pelabelan semu berdasarkan pembelajaran semi-supervised digunakan, memperluas set data pelatihan yang tersedia hingga 100 kali lipat dibandingkan dengan metode pelabelan konvensional. Selain itu, kami mengembangkan jaringan saraf konvolusional konkatenasi spektral-temporal (STC-CNN) yang menggabungkan fitur spektral berurutan. Evaluasi komparatif dengan beberapa algoritma pembelajaran mesin menunjukkan kinerja STC-CNN yang unggul, mencapai root mean square error (RMSE) sebesar 3,63 g/L untuk prediksi glukosa. Sistem ini memungkinkan pemberian glukosa yang cepat dan otomatis untuk mempertahankan berbagai konsentrasi target. Khususnya, titik setel glukosa sebesar 30 g/L menghasilkan konsentrasi etanol tertinggi sebesar 140,68 g/L—peningkatan sebesar 3,85% dibandingkan fermentasi Fed-batch tradisional—sementara mengurangi gliserol sebesar 6,67%. Hasil ini menyoroti potensi signifikan spektroskopi Raman yang dikombinasikan dengan pembelajaran mendalam untuk pengoptimalan bioproses otomatis dan penemuan strategi operasi yang optimal.