Maskininlärning för att analysera biotiska och abiotiska faktorer i algodling

dc.contributor.authorBernstad, Adam
dc.contributor.authorBjörnåsen, Filip
dc.contributor.authorPontusdotter, Idun
dc.contributor.authorRezai, Hussein
dc.contributor.departmentChalmers tekniska högskola / Institutionen för matematiska vetenskapersv
dc.contributor.departmentChalmers University of Technology / Department of Mathematical Sciencesen
dc.contributor.examinerEriksson, Dennis
dc.contributor.supervisorCvijovic, Maria
dc.date.accessioned2025-06-30T12:01:01Z
dc.date.issued2025
dc.date.submitted
dc.description.abstractMaskininlärning har utvecklats till en central teknik med breda tillämpningsområden, särskilt i takt med att tillgången till stora datamängder och beräkningskapaciteten ökat. Denna utveckling har möjliggjort mer kraftfulla modeller för att analysera komplexa system och göra prediktioner. Syftet med denna studie är att med hjälp av maskininlärning undersöka biotiska och abiotiska faktorer som påverkar odling av kiselalger, med särskilt fokus på att förstå tillväxten och minska kontaminering av grönalger i odlingssystemet. Datainsamlingen är gjord av Swedish Algae Factory, ett företag som odlar kiselalger och producerar Algica – ett material som an vänds i hudvårdsprodukter. Faktorer såsom pH, temperatur, konduktivitet, och solljus analyserades med både linjär regression och XGBoost för att identifiera vilka faktorer som hade störst påverkan på skördens storlek och renhet. Resultaten visar att inga starka faktorer är möjliga att hitta för att förstå tillväxten av kiselalger. Däremot kunde man observera att kontaminationen av grönalger ökar med temperaturen, och att den samlade renheten minskar över tid. Eftersom datamängden var relativt liten är osäkerheterna stora. Dessutom bidrar korrelationer mellan parametrarna till att datasetet uppvisar mindre variation. Det finns också många variationer som inte kan åskådliggöras med den nuvarande insamlade data. Därav föreslår studien en förändrad metod för datainsamling där både skörd och parametrar delas upp i moduler för att både öka mängden data och mäta variationer i systemet. Detta kan leda till mer komplexa tidsberoende analyser av tillväxt och öka tillförlitligheten.
dc.identifier.coursecodeMVEX11
dc.identifier.urihttp://hdl.handle.net/20.500.12380/309779
dc.language.isoswe
dc.setspec.uppsokPhysicsChemistryMaths
dc.titleMaskininlärning för att analysera biotiska och abiotiska faktorer i algodling
dc.type.degreeExamensarbete för kandidatexamensv
dc.type.degreeBachelor Thesisen
dc.type.uppsokM2

Ladda ner

Original bundle

Visar 1 - 1 av 1
Hämtar...
Bild (thumbnail)
Namn:
MVEX11_Idun_Hussein_Adam_Filip_Rapport17_2506.pdf
Storlek:
4.04 MB
Format:
Adobe Portable Document Format

License bundle

Visar 1 - 1 av 1
Hämtar...
Bild (thumbnail)
Namn:
license.txt
Storlek:
2.35 KB
Format:
Item-specific license agreed upon to submission
Beskrivning: