Актуальность исследования

Идея исследования заключается в том, что разработка интеллектуальной системы мониторинга и управления анаэробного сбраживания с использованием гибридного машинного обучения значительно повышает эффективность и устойчивость производства биогаза, предлагая новое решение для производства энергии и управления отходами, а также снижение зависимости от традиционных источников энергии.

Цель и задачи проекта

Общая цель проекта:

Разработка интеллектуальной системы управления и мониторинга процессом анаэробного сбраживания органических отходов с использованием гибридных методов машинного обучения для оптимизации и повышения эффективности производства биогаза.

Задачи проекта:

1. Исследование и анализ морфологических, культуральных, биохимических свойств органических отходов для анаэробного сбраживания на основе ферментативной активности микроорганизмов. Проведение химико-биологического анализа для выявления химических свойств и возможностей выделения биогаза из органических отходов. Анализ и выбор параметров для жизнедеятельности микробактерии и оптимальной работы биогазового реактора.
2. Определение и выделение микроорганизмов, осуществляющих метановое брожение биомассы. В данной задаче будут исследованы микробактерии для метанового брожения, на основе которых будут выделены новые уникальные штаммы микробактерии и созданы консорциумы микроорганизмов на основе гидролизных, кислотообразующих и метанообразующих бактерий, адаптированные под данный проект.
3. Проектирование архитектуры системы интеллектуального программно-аппаратного комплекса для управления и мониторинга биогазовым реактором.
4. Разработка комплексной системы сбора данных и «feature engineering» для производства биогаза. Выбор сенсоров, включающий извлечение и преобразование данных временных рядов (температура, давление, влажность, pH, total solids, volatile solids, Volatile Fatty Acids (VFA), Carbon to Nitrogen (C/N) ratio, объем биогаз), а также использование передовых методов для выявления сложных закономерностей в данных системы.
5. Разработка архитектуры гибридной модели машинного обучения, которая включает в себя обучение модели LSTM для точного прогнозирования временных рядов при производстве биогаза и развертывание Random Forest-модели, дополненной прогнозами LSTM, для надежной регрессии с несколькими выходами для получения оптимальных значений.
6. Разработка механизма динамического развертывания и интеграция моделей LSTM и Random Forest в операционную структуру, которая динамически обновляет и использует прогнозы производства биогаза в режиме реального времени.
7. Создание непрерывного цикла обратной связи, который постоянно включает в набор данных новые прогнозируемые объемы добычи биогаза, что способствует постоянной оптимизации и совершенствованию моделей прогнозирования.

Ожидаемые результаты

По итогам реализации научно-технического проекта за весь период реализации проекта будут получены следующие результаты:

• Будут исследованы типы и виды консорциумов микроорганизмов для использования в процессах обеспечивающих получение высокого выхода биогаза при выращивании их на отходах.
• Будут изучены внешние и внутренние ингибиторные факторы среды, оказывающие влияние на скорость протекания процесса сбраживания и объемы получения биогаза.
• Будет спроектирована архитектура интеллектуальной системы управления и мониторинга процессом анаэробного сбраживания органических отходов.
• Будет спроектирован модуль сбора и передачи мультисенсорных наборов данных по протоколам UART/SPI/I2C с биореактора на облачный сервер в реальном времени.
• Будет спроектирована и разработана база данных для получения собранных данных с биоректора.
• Будет развернут облачный сервер и обработаны данные. Будут обработаны шумы и нормализованы полученные данные с предварительной подготовкой датасета для машинного обучения.
• Будет спроектирована архитектура гибридной модели, которая включает в себя LSTM для точного прогнозирования временных рядов и Random Forest-модели на основе надежной регрессии для получения оптимальных значений для управления.
• Будет разработана гибридная модель, которая включает в себя LSTM для точного прогнозирования временных рядов и Random Forest-модели на основе надежной регрессии для получения оптимальных значений для управления.
• Будут протестированы обученные модели по возможностям обработки, вычислительной эффективности и точности реакции в различных условиях эксплуатации.
• Будет разработан модуль непрерывного цикла обратной связи, который постоянно включает в набор данных новые прогнозируемые объемы добычи биогаза для оптимизации моделей прогнозирования на основе подобранных внешних и внутренних факторов среды, влияющих на эффективность процесса анаэробного сбраживания органических отходов.

В результате проекта будет разработана интеллектуальная система управления и мониторинга процессом анаэробного сбраживания органических отходов с использованием гибридных методов машинного обучения для оптимизации и повышения эффективности производства биогаза на основе консорциума микроорганизмов.

Достигнутые результаты

1. Проведено комплексное исследование типов и видов консорциумов микроорганизмов, используемых в процессах анаэробного сбраживания органических отходов, по итогам которого определены наиболее эффективные микробиологические сообщества, обеспечивающие высокий выход биогаза при выращивании на различных видах отходов.
2. Одновременно были изучены внешние и внутренние ингибирующие факторы среды, оказывающие влияние на скорость протекания процессов анаэробного сбраживания и объемы получаемого биогаза; установлены критические параметры и условия, позволяющие минимизировать негативное воздействие ингибиторов и повысить стабильность процесса. На основе полученных экспериментальных и аналитических данных была разработана и спроектирована архитектура интеллектуальной системы управления и мониторинга процессом анаэробного сбраживания органических отходов, обеспечивающая сбор, обработку и анализ данных в режиме реального времени, а также поддержку принятия управленческих решений.
3. Был спроектирован модуль сбора и передачи мультисенсорных наборов данных по протоколам UART, SPI и I2C с биореактора на облачный сервер в реальном времени, что обеспечивает надежную передачу информации, масштабируемость системы и возможность дальнейшей интеграции с интеллектуальной системой управления.

Исследовательская группа

Научный руководитель Проекта — Жунисова У. М., PhD, исследователь в области ИИ в биостатистики, биоинформатики и информационных технологий. Обладает более чем десятилетним преподавательским и исследовательским опытом. Научные интересы связаны с анализом биомедицинских данных, статистическим моделированием и применением цифровых технологий в здравоохранении. Является автором более 19 научных публикаций, включая 6 статей, индексируемых в базе Scopus. Руководитель научных проектов грантового финансирования.

Индекс Хирша: 4.

Scopus Author ID: 57208803547

ResearcherID: HCH-2459-2022

ORCID: https://orcid.org/0000-0001-5255-9314

Ведущий научный сотрудник — Иманбек Б.Т., доктор PhD, Профессор-исследователь кафедры «Искусственного интеллекта и Big Data» КазНУ им. аль-Фараби, ведущий AI-архитектор проекта. Научные интересы включают энергосистемы, оптическую диагностику, метрологический анализ, мехатронику, а также аспекты сжигания и газификации биомассы. Участвовала в разработке общесистемных решений для ТГХП, ГТП и ГРК НАК Казатомпром. Автор более 95 научных работ, включая более 29 публикаций в рейтинговых журналах Web of Science и Scopus.

Индекс Хирша: 5.

Scopus ID: 56664379200

ORCID: https://orcid.org/0000-0001-7249-380X

Научный сотрудник — Амангелды Б.С., магистр технических наук. Имеет опыт завершения более 10 ГФ и ПЦФ проектов. Автор более 30 статей, из них более 10 статей Q1 (Scopus/WoS) совместно с учеными Stanford University. Автор более 10 ОИС и патентов РК. Имеет опыт работы в Европейских организациях в качестве исследователя. Peer reviewer журналов Springer Nature Scientific Reports, Wiley, BMJ. Интересы: AI in medicine, Causal AI, Representation Learning.

Scopus ID: 57239012100

ORCID: https://orcid.org/0000-0002-4089-6337

Научный сотрудник — Тасмурзаев Н. М., магистр технических наук. Принимал участие в более 10 грантовых и программно-целевых проектах, финансируемых МНВО РК. Автор более 10 публикаций Q1 в рейтинговых изданиях. Специализируется на AI, machine learning, deep learning. В рамках проекта отвечает за разработку моделей машинного обучения.

Индекс Хирша: 4.

Scopus ID: 57238311800

ORCID: https://orcid.org/0000-0003-3039-6715

Младший научный сотрудник — Байғараева Ж.Е., магистр технических наук. Специализируется на искусственном интеллекте и анализе данных. Имеет опыт структурирования и нормализации клинико-физиологических данных, разработки ETL-конвейеров. Автор 3 статей в Scopus.

Индекс Хирша: 2.

Scopus ID: 57848704300

ORCID: https://orcid.org/0000-0003-1919-3570

Младший научный сотрудник — Болтабоева А. К., магистр технических наук, докторант 3-го курса КазНУ им. аль-Фараби. Область научных интересов: разработка программного обеспечения, глубокое обучение, IoMT, компьютерное зрение и интеллектуальные системы мониторинга.

Индекс Хирша: 2.

Scopus Author ID: 59337046400

ORCID: https://orcid.org/0000-0002-7279-9910

Младший научный сотрудник — Амангелді І.С., магистр педагогических наук (КазНУ им. аль-Фараби).

Индекс Хирша: 1.

Scopus Author ID: 59407808800

Младший научный сотрудник — Шарипова С. С., магистрант 1-го курса КазНИТУ им. К. И. Сатпаева, специализирующаяся на интеллектуальных системах мониторинга инженерных сооружений.

Индекс Хирша: 1.

Scopus ID: 59407828400

Младший научный сотрудник — Риза Т. Ғ., магистрант 1-го курса КазНУ им. аль-Фараби. Ориентирован на разработку систем управления с применением современных нейросетевых методов.

Индекс Хирша: 1.

Scopus Author ID: 60098699400

ORCID: https://orcid.org/0009-0006-0015-8272

Младший научный сотрудник — Жұмағұлов Б. Қ., магистрант 1-го курса КазНУ им. аль-Фараби, специалист по интеллектуальным системам и Deep Learning. Автор публикации в MDPI.

Индекс Хирша: 1.

Scopus ID: 60098988700

ORCID: https://orcid.org/0009-0001-5806-4416

Младший научный сотрудник — Абдукаримов А. А., магистрант 1-го курса КазНУ им. аль-Фараби, исследователь в области искусственного интеллекта и ML. Обладает опытом разработки решений на Python (TensorFlow, PyTorch, Scikit-learn). Автор публикации в MDPI.

Индекс Хирша: 1.

Scopus ID: 58891651000

ORCID: https://orcid.org/0009-0005-4397-2808

Младший научный сотрудник — Муқажан М. А., магистрант 1-го курса КазНУ им. аль-Фараби. Исследовательские интересы: искусственный интеллект, глубокое обучение, интеллектуальные системы управления.

Индекс Хирша: 1.

Scopus ID: 60098699500

ORCID: https://orcid.org/0009-0007-0667-4494

Лаборант — Балтабаева М. К., окончила ТОО «Западно-Казахстанский высший медицинский колледж» (2014-2017) по специальности «Лабораторная диагностика». Квалификация: медицинский лаборант.

Ожидаемые публикации

По результатам выполнения данного проекта за 3 года будут опубликованы/получены:

• не менее 3 (трех) статей и (или) обзоров в рецензируемых научных изданиях, индексируемых в Science Citation Index Expanded базы Web of Science и (или) имеющих процентиль по CiteScore в базе Scopus не менее 50;
• не менее 1 патента на изобретение (селекционное достижение, включая положительное решение по нему);
• не менее 2 (двух) статей или обзоров в рецензируемом зарубежном или отечественном издании, рекомендованном КОКНВО;

ЛИБО

• не менее 2 (двух) статей и (или) обзоров в рецензируемых научных изданиях, индексируемых в Science Citation Index Expanded и входящих в 1 (первый) и (или) 2 (второй) квартиль по импакт-фактору в базе Web of Science и (или) имеющих процентиль по CiteScore в базе Scopus не менее 65;
• не менее 2 (двух) статей или обзоров в рецензируемом зарубежном или отечественном издании, рекомендованном КОКНВО;

ЛИБО

• не менее 1 (одной) статьи или обзора в рецензируемом научном издании, индексируемом в Science Citation Index Expanded и входящем в 1 (первый) квартиль по импакт-фактору в базе Web of Science и (или) имеющем процентиль по CiteScore в базе Scopus не менее 80;
• не менее 1 патента на изобретение или на полезную модель (селекционное достижение, включая положительное решение по нему);
• не менее 1 (одной) статьи или обзора в рецензируемом зарубежном или отечественном издании, рекомендованном КОКНВО.

Одна из статей должна быть с категорией — multidisciplinary (мультидисциплинарного или междисциплинарного практического применения) по задачам предприятий из реального сектора экономики Казахстана с Проектно-конструкторской документацией, подготовленной по ЕСКД /Сертификат на соответствие техническому регламенту.