Los sistemas de recirculación de agua (RAS) representan un pilar fundamental de la producción piscícola sostenible, ya que ofrecen entornos controlados y un consumo de agua significativamente menor en comparación con los métodos tradicionales. Sin embargo, la gestión eficiente de estos sistemas complejos, en particular la optimización de las tasas de alimentación y el mantenimiento de una calidad del agua impecable, sigue siendo un desafío importante.
Lograr el equilibrio adecuado es crucial: la subalimentación ralentiza el crecimiento, mientras que la sobrealimentación desperdicia recursos y degrada la calidad del agua, lo que podría perjudicar la salud de los peces.
Los métodos de alimentación tradicionales suelen ser insuficientes, ya que carecen de la adaptabilidad necesaria para responder a las necesidades dinámicas de los peces y a la compleja interacción entre la alimentación y los parámetros del agua, como el oxígeno disuelto (OD), el pH y el amoníaco.
Ahora, un estudio pionero desarrollado por investigadores de Kafrelsheikh University, de la Omar Al Mukhtar University, de la Universitat Politècnica de València (UPV), de la Tutankhamun Research School for Artificial Intelligence (TRSAI), de la University of Miskolc, de la Damietta University, de la Taif University, y de la Aswan University, presenta un enfoque novedoso que utiliza Inteligencia Artificial (IA) avanzada, específicamente, un algoritmo de aprendizaje por refuerzo de Gradiente de Política Determinista Profundo (DDPG), para abordar el desafío de la optimización de la alimentación en los RAS.
El controlador DDPG para una gestión más inteligente de los RAS
Esta investigación presenta un sofisticado sistema de control basado en DDPG, diseñado para optimizar simultáneamente las tasas de alimentación y gestionar parámetros críticos de calidad del agua en RAS. A diferencia de las aplicaciones anteriores de IA en acuicultura, que a menudo se centraban en parámetros individuales, este sistema adopta un enfoque holístico.
Cómo funciona:
- Control integrado: El sistema integra la optimización de la alimentación con la gestión integral de la calidad del agua (OD, pH, temperatura, amoníaco, nitrito, nitrato).
- Núcleo de aprendizaje profundo: Emplea un algoritmo DDPG, un tipo de aprendizaje por refuerzo ideal para tareas de control continuo, como el ajuste de las tasas de alimentación. Esto implica redes neuronales de «actor» y «crítico» que aprenden la política de alimentación óptima a través de la experiencia.
- Sistema de recompensas inteligente: Una función de recompensa única guía la IA, equilibrando múltiples objetivos: maximizar el crecimiento de los peces, garantizar el uso eficiente del alimento, mantener la estabilidad de la calidad del agua y promover transiciones operativas fluidas.
- Aprendizaje adaptativo: El sistema aprende y se adapta a las condiciones cambiantes, incluyendo las etapas de crecimiento de los peces, la biomasa y las fluctuaciones ambientales.
El DDPG supera a los métodos tradicionales
El estudio comparó rigurosamente el controlador DDPG con métodos comunes como el Control Predictivo de Modelos (MPC), el control Proporcional-Integral-Derivativo (PID) y los controladores Bang-Bang simples en diversas condiciones. Los resultados fueron convincentes:
- Precisión superior: El controlador DDPG mostró una precisión significativamente mayor en el seguimiento de las trayectorias de crecimiento deseadas, logrando un error cuadrático medio (RMSE) un 25,1 % menor en comparación con el MPC.
- Reducción del consumo de alimento: Demostrando una notable eficiencia de recursos, el método DDPG utilizó un 77,9 % menos de alimento en comparación con el método Bang-Bang.
- Mayor estabilidad: La estabilidad operativa experimentó una notable mejora, con un índice de estabilidad un 17,9 % mayor que el control PID. Los parámetros de calidad del agua, como el oxígeno disuelto (OD), el pH y el amoníaco, se mantuvieron dentro de rangos óptimos durante más del 96 % del tiempo.
- Recuperación más rápida: El sistema se recuperó mucho más rápido de las perturbaciones ambientales (como cambios de temperatura, descensos de oxígeno disuelto o picos de amoníaco), con tiempos de recuperación entre un 22 % y un 64 % más rápidos que con otros métodos.
- Mejora de la conversión alimenticia: Las pruebas a largo plazo mostraron una mejora del 15,5 % en el índice de conversión alimenticia (ICA) en comparación con el MPC.
Robustez, escalabilidad y ventajas económicas
Más allá del rendimiento básico, el sistema DDPG demostró su viabilidad práctica:
- Robustez: Demostró resiliencia ante fallos de los sensores (desviaciones, errores), perturbaciones ambientales (picos de temperatura, estrés por amoníaco), problemas de red (retrasos, pérdida de paquetes) e incluso limitaciones de hardware.
- Escalabilidad: El controlador tuvo un rendimiento consistentemente bueno en diferentes escalas de sistema, desde pequeñas instalaciones de investigación de 1000 L hasta grandes simulaciones a escala comercial de 50 000 L. Su arquitectura está diseñada para grandes instalaciones.
- Eficiencia computacional: El sistema es computacionalmente viable y capaz de ejecutarse eficazmente incluso en hardware de bajos recursos como una Raspberry Pi 4B, lo que lo hace accesible para su implementación en el mundo real.
- Beneficios económicos: Las mejoras se traducen en un ahorro significativo de costos. El estudio reportó una reducción del 31,5 % en los costos operativos totales (alimentación, energía, mantenimiento) en comparación con el sistema de control Bang-Bang. El análisis de costo-beneficio en diferentes escalas mostró beneficios netos anuales sustanciales (que van desde $12 000 para sistemas de pequeña escala hasta $466 000 para sistemas de gran escala) y atractivas cifras de retorno de la inversión (ROI) (85-238 % según estimaciones conservadoras), con períodos de recuperación potencialmente inferiores a un año para sistemas de mayor tamaño.
Conclusión
Este sistema basado en DDPG representa un avance significativo en la gestión inteligente de los sistemas de recirculación para la acuicultura. Al optimizar eficazmente la alimentación y garantizar una calidad estable del agua, aumenta la eficiencia, reduce los costos y mejora la sostenibilidad de las operaciones de RAS.
Si bien los investigadoes planean más estudios para perfeccionar los mecanismos de control, explorar la adaptabilidad multiespecie e integrar sensores avanzados, este estudio establece firmemente el potencial del aprendizaje de refuerzo profundo para revolucionar la acuicultura comercial.
Los fondos para el acceso abierto fueron brindados por University of Miskolc; mientras que la investigación fue financiada por Taif University.
Contacto
Mohamed Hamdy Eid
Institute of Environmental Management, Faculty of Earth Science, University of Miskolc
Miskolc- Egyetemváros, 3515, Hungary
Geology Department, Faculty of Science, Beni-Suef University
Beni-Suef, 65211, Egypt
Email: Mohamed.hemida@uni-miskolc.hu
Referencia (acceso abierto)
Elmessery, W.M., Abdallah, S.E., Oraiath, A.A.T. et al. A deep deterministic policy gradient approach for optimizing feeding rates and water quality management in recirculating aquaculture systems. Aquacult Int 33, 253 (2025). https://doi.org/10.1007/s10499-025-01914-z
