Voorspellen van biologische verwijdering van persistente stoffen

Biologische afbraak van organische microverontreinigingen (OMV’s) speelt een belangrijke rol tijdens de waterzuivering. Vaak worden stoffen als persistent bestempeld, terwijl deze stoffen mogelijk onder andere omstandigheden goed biologisch afgebroken kunnen worden. Om hiervan een beter beeld te krijgen, is getracht te achterhalen welke parameters de biologische afbraak van OMV’s beïnvloeden. Wanneer een relatie tussen zo’n parameter en de afbraak bekend is, is het mogelijk te voorspellen onder welke omstandigheden deze OMV’s biologisch afgebroken kunnen worden. Deze kennis kan dan gebruikt worden om de waterzuivering aan te sturen. Vooralsnog is het lastig te achterhalen welke parameters de biologische afbraak van OMV’s beïnvloeden, voornamelijk omdat de huidige gepubliceerde data in de wetenschappelijke literatuur ontoereikend is. Data wordt zeer inconsistent gerapporteerd, waardoor vergelijken van gerapporteerd onderzoek zeer lastig is en het opbouwen van een hoog kwalitatieve dataset zeer tijdrovend is. De beste oplossing voor dit probleem is het uitvoeren van meer grootschalige gecontroleerde experimenten waarbij dan een minimale set informatie moet worden gerapporteerd, bij voorkeur in een vorm die automatische tekstmining toelaat. Tekstmining van wetenschappelijke literatuur op basis van ‘Large Language Models’ is mogelijk succesvoller dan de regel-gebaseerde tekstmining op basis van natuurlijke spraakverwerking die in dit project is toegepast.