pipette
ENEnglish

Machine-learning surrogates enable rapid prediction of 3-D substrate gradients in industrial bioreactors

Víctor Puig-I-Laborda, Jorge Carrasco Muriel, Andrea Castañeda Tena, Teddy Groves, Johan le Nepvou de Carfort, Ulrich Krühne, Krist V. Gernaey, Cees Haringa, Ignasi Puig‐de‐Dou, Lars Keld Nielsen

Revista con revisión por paresUso en el mundo real

En palabras de los autores

Abstract High-fidelity computational fluid dynamics (CFD) provide detailed substrate gradient predictions in industrial stirred-tank bioreactors but are computationally intensive, limiting their routine application. We developed surrogate models trained on 760 CFD simulations to rapidly predict fully 3-D substrate concentration fields from global operating conditions (e.g., stirring speed, feeding strategy, feeding point location, fluid density and viscosity, liquid height, bio-kinetic parameters, biomass concentration), and local spatial descriptors (e.g., distance to the feeding point). Among various methods, attention-based neural networks achieved the highest accuracy (test R 2 ≈ 0.91 ), capturing essential mixing features and enabling millisecond-scale inference—up to a million-fold speed-up compared to CFD. These surrogates facilitate rapid exploration of operating spaces, supporting real-time optimization and digital-twin frameworks in bioprocessing. Our results demonstrate that data-driven models can effectively couple hydrodynamics and biokinetics to provide fast, accurate spatial predictions, advancing capabilities for industrial bioreactor design and control.

Resultado principalEl resumen no menciona limitaciones.

En palabras simples Resumen con IA

Los autores construyeron modelos computacionales que aprenden de 760 simulaciones detalladas de fluidos. Estos modelos predicen la concentración de sustrato en 3-D a partir de condiciones de operación como la velocidad de agitación y la estrategia de alimentación. Las redes neuronales basadas en atención lograron la mayor precisión, con R² de prueba ≈ 0.91. El método se ejecuta en milisegundos, aproximadamente un millón de veces más rápido que las simulaciones tradicionales de fluidos. Esto permite la exploración rápida de condiciones de operación y apoya la optimización en tiempo real en bioprocesos.

Escrito por Kimi K2.5 usando solo el abstract de arriba. Jev verificó que cada oración esté respaldada por las oraciones del abstract que cita y eliminó las que no. Pasá el cursor por una oración para ver de dónde sale.

Apareció: sábado, 17 de octubre. Nature Communications. Revista con revisión por pares.

DOI: 10.1038/s41467-026-78273-7