Estimation of Biochemical Methane Potential (BMP) using machine learning

Anaerobic digestion is at the heart of waste management and green energy production. Yet, with such a powerful technology comes the downside of measuring its energy output, captured by the Biochemical Methane Potential (BMP). Forecasting this metric gives insight into the design of the digestors and the amount of energy produced. This mea surement, however, remains a challenge with traditional means of assessing the BMP. This calls for using machine learning models to predict the final BMP produced by samples from anaerobic digestion processes. While there have been several attempts to tackle this problem, including work on Random Forests for prediction and feed-forward neural networks, all models disregard the underly ing biochemical reactions underlying biomethane production. These data-driven models rely solely on data describing the process’s operating conditions and fail to incorporate the kinetics into their predictions. This thesis proposes a hybrid semi-supervised framework that integrates machine learning and physics-based modeling to predict the final BMP and the methane production curve. This is achieved by first using an autoencoder to extract latent features from early kinetics in a combined dataset comprising labeled and unlabeled data. These early kinetics are then used, along with static features characterizing the operating conditions, as inputs to a parameter model that learns the degradation rate and the final methane potential. A physics-informed neural network reconstructs the biomethane production curve at the final step by hard-coding the physical law governing the process as a soft constraint that steers the prediction. The proposed model achieves high predictive performance, illustrated by an R2 of 0.915 and an MAE of 30.45 NmlCH4. Overall, this work presents one of the first semi-supervised physics-informed frameworks for the BMP prediction, bridging the gap between empirical kinetics and black-box ma chine learning models.

La digestione anaerobica è al centro della gestione dei rifiuti e della produzione di energia verde. Tuttavia, a una tecnologia così potente corrisponde lo svantaggio di misurare la sua resa energetica, catturata dal Potenziale Biochimico di Metano (BMP). Prevedere questa metrica fornisce indicazioni sulla progettazione dei digestori e sulla quantità di energia prodotta. Questa misurazione, tuttavia, rimane una sfida con i metodi tradizionali per la valutazione del BMP. Ciò apre la strada all’uso di modelli di machine learning per predire il BMP finale prodotto da campioni provenienti da processi di digestione anaerobica. Nonostante diversi tentativi per affrontare questo problema, tra cui lavori basati su Ran dom Forest per la previsione e reti neurali feed-forward, tutti i modelli ignorano le reazioni biochimiche alla base della produzione di biometano. Questi modelli guidati dai dati si affidano esclusivamente alle informazioni sulle condizioni operative del processo e non incorporano la cinetica nelle loro previsioni. Questa tesi propone un framework ibrido semi-supervisionato che integra il machine learn ing con la modellazione fisica per prevedere il BMP finale e la curva di produzione del metano. Ciò è ottenuto innanzitutto mediante l’uso di un autoencoder per estrarre carat teristiche latenti dalle cinetiche iniziali in un dataset combinato contenente dati etichettati e non etichettati. Queste cinetiche iniziali vengono poi utilizzate, insieme a caratteristiche statiche che descrivono le condizioni operative, come input per un modello parametrico che apprende la velocità di degradazione e il potenziale finale di produzione di metano. Una rete neurale informata dalla fisica ricostruisce la curva di produzione di biometano nell’ultimo passaggio, codificando la legge fisica che governa il processo come un vin colo morbido che guida la previsione. Il modello proposto raggiunge elevate prestazioni predittive, come dimostrato da un R² di 0.915 e da un MAE di 30.45 NmlCH4. In sintesi, questo lavoro presenta uno dei primi framework semi-supervisionati e informati dalla fisica per la previsione del BMP, colmando il divario tra cinetiche empiriche e modelli di machine learning “black box”.