Machine Learning na predição do acúmulo de carboidratos pela microalga Chlorella vulgaris em cultivo contínuo
Learning, Chlorella vulgaris, produção de carboidratos, regressão, cultivo contínuo
Este estudo aplica técnicas de Machine Learning para prever a produção de carboidratos pela microalga Chlorella vulgaris em cultivo contínuo. A pesquisa tem como objetivo principal identificar relações entre variáveis nutricionais, ambientais e operacionais, utilizando métodos de regressão como regressão linear multivariada, Ridge, Lasso, Redes Neurais Artificiais (RNA), Support Vector Regression (SVR) e Random Forest. A metodologia incluiu a análise de correlação de Pearson, a normalização de variáveis e a validação cruzada para evitar overfitting. Os resultados indicaram que os modelos não lineares, como Random Forest e RNA, apresentaram melhor desempenho em termos de precisão e capacidade de generalização, com valores de R² mais elevados e menores erros quadráticos médios (RMSE). Conclui-se que técnicas avançadas de Machine Learning são eficazes para a predição de produção de carboidratos em sistemas biológicos complexos, contribuindo para a otimização de processos industriais sustentáveis.