Modeliu pagrįstas biotechnologinio proceso optimizavimas, taikant radialinės bazės funkcijų tinklą

Darbo tikslas – naudojant radialinės bazės funkcijų neuroninį tinklą optimizuoti periodinį su pamaitinimu biotechnologinį procesą. Darbe analizuojamas biotechnologinių procesų modeliavimas taikant medžiagų masės balansą bei technologinių parametrų optimizavimas, dirbtinių neuroninių tinklų struktūra, jų veikimas ir pritaikymas. Analizuojamas straipsnyje aprašytas periodinis su pamaitinimu biotechnologinis procesas. Darbe buvo sudarytas periodinio su pamaitinimu biotechnologinio proceso imitacinis modelis ir gauti modeliavimo rezultatai, kurių metu naudojamas Pontriagino maksimumo principu apskaičiuotas optimalus pamaitinimo profilis. Optimalus pamaitinimo profilis pakeičiamas į radialinės bazės funkcijų neuroninį tinklą. Šešiais skirtingais atvejais atliekamas neuroninio tinklo optimizavimas taikant evoliucinį optimizavimo metodą, kurio tikslo funkcija – maksimalus galutinio produkto (baltymų) kiekis biotechnologinio proceso pabaigoje. Visais nagrinėtais optimizavimo atvejais gauti būsenos kintamųjų x, s ir px trajektorijų nuokrypiai galiniuose taškuose, palyginti su referenciniais duomenimis, yra mažesni už realiame procese matuojamų biomasės ir substrato koncentracijų bei tikslinio baltymo aktyvumo matavimo tikslumą (~10%). Tyrimo rezultatai demonstruoja, kad taikant parametrinio optimizavimo metodiką ir radialinės bazės funkcijų tinklą nagrinėtame biotechnologiame procese gaunami optimizavimo rezultatai, analogiški referenciniams duomenims. Taip dar kartą patvirtinamas abiejų metodikų rezultatų teisingumas ir atitikimas eksperimentiškai gautiems duomenims.
Project‘s goal is to optimize fed-batch biotechnological process using radial basis function network. The work examines modeling of mass balance based biotechnological processes, optimization of technological parameters, structure, application and operation of artificial neural networks. Paper on fed-batch biotechnological process is analyzed. The work consists of fed-batch process imitation model where Pontriagin‘s principle of maximum is used to calculate optimal feeding profile. Later optimal feeding profile is substituted with approximation of radial basis function neural network. Neural network is optimized in six different cases, using evolutionary optimization method. Methods goal function is to maximize the ammount of product (protein) at the end of cultivation process. In all of the cases, state variables x, s and px deviations of trajectories in process ending points, in comparison with reference data, are less than 10% which is the accuracy of measurements in real biotechnological process of biomass, substrate concentration and specific protein activity. Research results show that using parametric optimization method and radial basis function network, optimization results are analogical to reference data. This confirms that results obtained from both methodologies match experimental data and are correct.