Diseño de un sistema inteligente de acuicultura de flujo variable basado en métodos de Machine Learning

Por: Fudi Chen, Yishuai Du, Tianlong Qiu, Zhe Xu, Li Zhou, Jianping Xu, Ming Sun, Ye Li y Jianming Sun

La aplicación de métodos de aprendizaje automático en la investigación relacionada con la acuicultura se centra principalmente en la predicción, clasificación y evaluación de indicadores de calidad del agua como el oxígeno disuelto, la salinidad, el pH, el amoniaco y los nitritos. En el presente estudio, se utilizó Machine Learning para modelar la estrategia de regulación del caudal variable.

La productividad pesquera se enfrenta al enorme reto de la disminución de los recursos debido a la contaminación ambiental y la sobrepesca.

Un sistema de acuicultura de recirculación (RAS por sus siglas en inglés) puede ofrecer un alto grado de control ambiental y utiliza varias tecnologías para llevar a cabo la filtración física, la biofiltración y la desinfección para el reciclaje del agua.

El núcleo de un sistema de acuicultura de recirculación es el sistema de tratamiento del agua, que incluye principalmente filtros de tambor de micropantalla, biofiltros, dispositivos de oxidación y dispositivos de desinfección.

Se ha demostrado que las partículas sólidas en suspensión son la principal causa de la elevada turbieza del agua de acuicultura, que puede provocar reacciones de estrés y poner en peligro la salud de los animales acuáticos.

A medida que aumenta el tiempo de permanencia, los sólidos en suspensión bloquean las instalaciones de cría y aumentan la demanda química de oxígeno.

Los residuos sólidos orgánicos pueden mineralizarse y descomponerse para aumentar las concentraciones de amoniaco y nitrito y aumentar la carga en la función de nitrificación del biofiltro.

El filtro de tambor con micropantalla, que es un dispositivo de filtrado físico ampliamente utilizado en los sistemas RAS, tiene las características de una gran adaptabilidad, un espacio mínimo y un alto nivel de automatización. El microtamiz es la parte central de trabajo del filtro de tambor, y el número de malla puede afectar directamente al rendimiento de la filtración.

“En comparación con un RAS tradicional de flujo fijo, un RAS de flujo variable puede aumentar la circulación total del agua para acelerar el proceso de tratamiento del agua cuando las partículas orgánicas aumentan, y el amoniaco y el nitrito entonces pueden ser eliminados de la fuente.“

En comparación con un RAS tradicional de flujo fijo, un RAS de flujo variable puede aumentar la circulación total del agua para acelerar el proceso de tratamiento del agua cuando las partículas orgánicas aumentan, y el amoniaco y el nitrito entonces pueden ser eliminados de la fuente. Además, el SAR de caudal variable consume una baja cantidad de electricidad cuando el agua está relativamente limpia.

Sin embargo, la operación manual se utiliza a menudo para ajustar la frecuencia de la bomba de circulación para determinar la circulación total de agua apropiada en el SRA de flujo variable.

Para el control industrial en la acuicultura de recirculación, en particular, hay una necesidad urgente de aplicar modelos de aprendizaje automático para mejorar la eficiencia de los instrumentos y promover el desarrollo de aplicaciones de equipos inteligentes. El objetivo principal del presente estudio es desarrollar la técnica de funcionamiento de la bomba de recirculación y el filtro de tambor utilizando métodos de aprendizaje automático.

Materiales y métodos Sistema RAS experimental

El sistema RAS experimental utilizó el sistema de acuicultura de recirculación de Dalian Huixin Titanium Equipment Development Co., Ltd. para la cría de L. vannamei. El sistema de control recogía los indicadores de calidad del agua conectándolos con los sensores.

Los cambios en la calidad del agua fueron monitoreados en tiempo real, y la bomba centrífuga fue controlada por la operación de frecuencia variable utilizando un modelo de regulación de flujo basado en Machine Learning.

Diseño del experimento de caudal variable

La frecuencia de retrolavado del filtro de tambor dentro de un período unitario (0.5 h) se utilizó para representar la turbieza general del sistema RAS, y el modelo de regulación de caudal variable se construyó utilizando la frecuencia de retrolavado y diversos datos de calidad del agua.

La tecnología inteligente de flujo variable del sistema RAS se implementa controlando la tasa de circulación mediante el cambio de la tasa de flujo de la bomba de circulación. El propósito principal es implementar una tecnología de control de enlace para modelar la relación entre la frecuencia de retrolavado del filtro de tambor de microtamiz y el caudal de circulación.

Se colocaron sensores de turbieza en la tubería principal de retorno para controlar y registrar la turbieza general del agua del sistema RAS. Los indicadores de calidad del agua, incluyendo la temperatura (T), el oxígeno disuelto (OD), el pH y la salinidad, fueron medidos por sensores en tiempo real utilizando sensores portátiles YSI ProPlus.

El establecimiento de una estrategia de circulación de flujo variable fue la tarea principal del experimento y, por lo tanto, el modelo de regulación de la tasa de circulación se construyó utilizando el modelo de clasificación óptimo basado en el aprendizaje automático para controlar la tasa de circulación de flujo variable en el sistema RAS.

Métodos de aprendizaje automático. Redes neuronales artificiales (RNA)

En este estudio se utilizaron varios métodos de RNA, como la red neuronal de retropropagación (RNRP), la máquina de aprendizaje extremo (MAE), la red neuronal probabilística (RNP) y la red neuronal de memoria a corto plazo (RNCP), para desarrollar modelos de flujo variable.

La información de la memoria a largo plazo se almacena durante tres pasos (olvido, recuerdo y salida) en una RNCP. En el presente estudio, se aplicó una función de unidad lineal rectificada (ReLU) en el modelo RNCP.

Máquina de vectores de apoyo (MVA)

El modelo MVA se adoptó para controlar la frecuencia del inversor con el fin de mejorar la eficiencia de funcionamiento de la bomba de circulación en diferentes condiciones de calidad del agua. La MVA es un tipo de algoritmo de aprendizaje automático con una gran capacidad de generalización para clasificar y predecir muestras pequeñas.

Como el aumento y la reducción de la frecuencia de la bomba de circulación es un problema binario, los indicadores de calidad del agua como variables pueden proporcionar una buena capacidad de generalización para el modelo.

Resultados. Procesamiento de datos para la regulación del caudal variable

La regulación de caudal variable se decidió por la frecuencia de la bomba de circulación. Para desarrollar los modelos de regulación de caudal variable basados en los métodos de aprendizaje automático, se utilizaron como variables de entrada los indicadores de calidad del agua, el caudal de circulación actual y la frecuencia de retrolavado actual, y como variables de salida los datos de regulación (subida/bajada).

El primer paso para desarrollar los modelos de aprendizaje automático fue simplificar las variables explicativas mediante el análisis de componentes principales (ACP). El ACP puede reducir la complejidad del conjunto de datos y revelar estructuras ocultas. El ACP proporcionó con éxito la representación reducida óptima de los datos.

Modelos inteligentes de flujo variable

Para ajustar la frecuencia de la bomba de circulación se utilizaron modelos de clasificación RNA. La operación de aumento de la frecuencia de la bomba de circulación se etiquetó como 1, y la operación de reducción se etiquetó como -1. Se calculó la precisión de la clasificación del conjunto de datos de entrenamiento y del conjunto de datos de prueba.

Los resultados mostraron que la precisión de entrenamiento de todos los modelos de RNA era superior al 90%. RNP y RNCP lograron la clasificación más precisa. En el conjunto de prueba, el modelo RNCP obtuvo una tasa de precisión del 96.84%; sin embargo, las tasas de precisión de los demás modelos fueron inferiores al 90%.

Resultados de los modelos MVA

Como la precisión de la clasificación está directamente relacionada con los parámetros óptimos del modelo MVA, en el presente estudio utilizamos varios métodos de optimización para determinar el parámetro de penalización c y el parámetro del núcleo g. Los parámetros optimizados se determinaron mediante la búsqueda en cuadrícula, los mínimos cuadrados, la búsqueda de cuco y el algoritmo de genes.

Evaluación del modelo

El modelo MVA se estimó mediante una validación cruzada de 4 veces, y los indicadores se calcularon promediando los pliegues. Se propone el indicador F1-score basado en la precisión y el recall para evaluar los indicadores en su conjunto. La puntuación F1 puede utilizarse para considerar de forma exhaustiva los pros y los contras de los modelos de clasificación.

Discusión

“El método tradicional de regulación de la calidad del agua en un SAR consiste en actuar cuando la calidad del agua se deteriora”.

Los sólidos del SAR provienen principalmente del alimento no consumido y de los sólidos fecales, y la descomposición y mineralización de estos sólidos conducen a niveles elevados de amoniaco y nitrito en el SAR.

La aplicación de métodos de aprendizaje automático en la investigación relacionada con la acuicultura se centra principalmente en la predicción, clasificación y evaluación de indicadores de calidad del agua como el oxígeno disuelto, la salinidad, el pH, el amoniaco y los nitritos. En el presente estudio, se utilizó Machine Learning para modelar la estrategia de regulación del caudal variable.

La investigación ha demostrado que la RNCP puede funcionar bien en el procesamiento de secuencias de datos de series temporales largas. El modelo de clasificación óptimo debe ser relativamente sencillo para poder aplicarlo en los dispositivos integrados.

La estrategia de ajuste de flujo variable en sistemas RAS también necesita responder rápidamente y satisfacer el alto estándar de precisión de la clasificación.

Todos los indicadores evaluados de los modelos MVA demostraron mejores resultados en comparación con el modelo RNCP. El algoritmo de genes aportó la mayor precisión y puntuación F1 entre los cuatro algoritmos de optimización en la tarea de clasificación. Como algoritmo supervisado, el GA-SVM puede aplicarse para ajustar eficazmente agua fresca en sistemas RAS.

Una mayor cantidad de datos del sistema RAS en funcionamiento puede garantizar una mayor disponibilidad y robustez para optimizar la estrategia de caudal variable inteligente. El requisito previo de la tecnología de control de flujo variable continuo es que los indicadores (calidad del agua, frecuencia de retrolavado y ciclo de cría) correspondan al volumen de circulación ideal. Además, es necesario revelar los efectos de la interacción entre varios indicadores mediante experimentos y análisis.

Conclusiones

“Se desarrollaron modelos de clasificación basados en métodos de Machine Learning entre las variables explicativas y la estrategia de regulación a partir de datos experimentales”.

El modelo RNCP obtuvo la mayor precisión y puntuación F1 y se consideró el mejor modelo de clasificación entre los métodos RNA.

Los resultados mostraron que los modelos MVA requerían menos tiempo de entrenamiento y mostraban una mayor precisión en comparación con los modelos RNA. Finalmente, el modelo óptimo fue GA-MVA, con la mayor precisión de clasificación (entrenamiento 100%, prueba 98,95%) y puntuación F1.

Esta es una versión resumida desarrollada por el equipo editorial de Panorama Acuícola Magazine del artículo “Design of an Intelligent Variable-Flow Recirculating Aquaculture System Based on Machine Learning Methods” escrito por Fudi Chen, Yishuai Du, Tianlong Qiu, Zhe Xu, Li Zhou, Jianping Xu, Ming Sun, Ye Li y Jianming Sun. La versión original fue publicada en julio de 2021 a través de Applied Sciences.