Poster: Integrating Deep Residual Learning with Monod Kinetics for Bioprocess Control
Fragment książki (Abstrakt)
MNiSW
0
brak dyscyplin
| Status: | |
| Autorzy: | Król Krzysztof, Kulisz Monika, Kłosowski Grzegorz, Rymarczyk Tomasz, Wójcik Dariusz |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Strony: | 93 - 94 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | TAK |
| Nazwa konferencji: | 2026 ACM/IEEE International Conference on Embedded Artificial Intelligence and Sensing Systems |
| Skrócona nazwa konferencji: | SenSys 2026 |
| URL serii konferencji: | LINK |
| Termin konferencji: | 11 maja 2026 do 14 maja 2026 |
| Miasto konferencji: | Saint-Malo |
| Państwo konferencji: | FRANCJA |
| Publikacja OA: | NIE |
| Abstrakty: | angielski |
| This study demonstrates a built-in bioreactor control system combining EIT with the ResNet-50 network. This model, which outperforms classical reconstruction methods, has been integrated with Monod kinetics within the “Digital Twin” framework to predict substrate consumption and biomass growth in real time. Validation during 46 hours of fermentation (SSIM 0.48, Pearson 0.74) confirms the reliability of the system in automatic decision-making. |
