Las microalgas tienen un inmenso potencial como recurso sostenible para diversas aplicaciones, incluidos biocombustibles, suplementos alimenticios y productos farmacéuticos. Sin embargo, los métodos de cultivo tradicionales a menudo enfrentan desafíos relacionados con la escalabilidad, la eficiencia y el impacto ambiental. Para abordar estas limitaciones, los investigadores recurren cada vez más a tecnologías innovadoras para optimizar la producción de microalgas.
Los investigadores de la Khon Kaen University y de la Kasetsart University, ha dado un paso significativo en esta dirección al desarrollar un sistema de cultivo inteligente y de vanguardia para la microalga Chlorella sp. El sistema integra un fotobiorreactor tubular cerrado (PBR) con tecnologías avanzadas como dinámica de fluidos computacional (CFD), Internet de las cosas (IoT), inteligencia artificial (IA) y procesamiento de imágenes.
Desafíos en el cultivo de microalgas
A pesar de su inmenso potencial, el cultivo de microalgas no está exento de desafíos. Los métodos de cultivo tradicionales a menudo enfrentan problemas como la contaminación, la limitación de nutrientes y las condiciones de crecimiento subóptimas. En este sentido, la producción exitosa depende en gran medida de la optimización de las condiciones de crecimiento y el monitoreo meticuloso de los parámetros clave para garantizar una producción óptima de biomasa.
Los sistemas de cultivo avanzados, como los fotobiorreactores (PBR), han surgido como pioneros en la tecnología de cultivo controlado de microalgas. Los PBR tubulares, en particular, ofrecen ventajas significativas sobre los sistemas tradicionales de estanques abiertos, incluido un menor riesgo de contaminación, un mejor control sobre las condiciones de crecimiento y rendimientos de biomasa sustancialmente más altos.
El poder de la tecnología
Los recientes avances en tecnología han abierto nuevas posibilidades para optimizar el cultivo de microalgas. La integración de dispositivos de Internet de las cosas (IoT), inteligencia artificial (IA) y técnicas de procesamiento de imágenes tiene el potencial de revolucionar la industria.
- Monitoreo habilitado por IoT: Los sensores de IoT pueden monitorear continuamente parámetros críticos como temperatura, pH, intensidad de luz y niveles de nutrientes. Al recopilar datos en tiempo real, los cultivadores pueden tomar decisiones informadas para optimizar las condiciones de crecimiento.
- Optimización impulsada por IA: Los algoritmos de IA, como el aprendizaje automático, pueden analizar datos históricos para identificar patrones y predecir tendencias futuras. Esto permite el modelado predictivo y el control automatizado de los parámetros de cultivo, lo que conduce a una mejor eficiencia y productividad.
- Procesamiento de imágenes para la evaluación del crecimiento: Las técnicas de procesamiento de imágenes se pueden utilizar para monitorear de forma no invasiva el crecimiento de las microalgas mediante el análisis de los cambios en la densidad celular, la morfología y el color. Esto proporciona información valiosa sobre el proceso de cultivo y permite realizar ajustes oportunos.
Monitoreo y gestión en tiempo real
La innovación clave radica en el desarrollo de un fotobiorreactor tubular cerrado (PBR) diseñado con dinámica de fluidos computacional (CFD), Internet de las cosas (IoT), inteligencia artificial (IA) y tecnologías de procesamiento de imágenes.
Una red de sensores monitorea continuamente parámetros críticos como temperatura, pH, intensidad de la luz, conductividad eléctrica, caudal, contenido de oxígeno y duración de la exposición a la luz. Estos datos en tiempo real son procesados por un sistema impulsado por IA para optimizar las condiciones de crecimiento y prevenir posibles problemas.
Este sistema permite la observación y gestión no invasiva en tiempo real del crecimiento de las algas, eliminando la necesidad de muestreo manual y reduciendo el riesgo de contaminación.
Integración de sensores y análisis de datos
Se instalaron siete tipos de sensores en el PBR para monitorear características clave como temperatura, pH, intensidad de la luz, conductividad eléctrica (CE), caudal, contenido de oxígeno y duración de la exposición a la luz. Se utilizó un microcontrolador ESP8266 como unidad de control principal para administrar los datos del sensor y las operaciones del sistema. Además, una cámara ESP32 tomó imágenes de 33 × 33 píxeles a intervalos de 30 minutos.
Al analizar la intensidad del color de las imágenes, el sistema puede estimar con precisión la densidad de las algas sin la necesidad de un muestreo destructivo.
Modelos de aprendizaje automático y análisis predictivo
Los datos recopilados se utilizaron para entrenar modelos de aprendizaje automático (ML), con el objetivo de pronosticar y mejorar las situaciones agrícolas. El conjunto de datos consistió en 602 muestras, uniformemente dispersas entre ciclos de luz de 12 y 24 horas. Los resultados mostraron mejoras significativas en la productividad de la biomasa, con una iluminación constante de 24 horas que produjo un aumento del 7,19 %, en comparación con un aumento del 2,09 % observado en el ciclo de 12 horas.
Importancia de las características y evaluación del modelo
El análisis de la importancia de las características reveló que la temperatura y la intensidad de la luz son los parámetros más significativos para el crecimiento. El modelo eXtreme Gradient Boosting (XGBoost) demostró una notable eficacia en la proyección del crecimiento, logrando un valor R2 de 0,9997 para el conjunto de datos de entrenamiento.
Conclusión
Esta investigación innovadora demuestra el poder de la tecnología inteligente para revolucionar el cultivo de microalgas. Al combinar sensores avanzados, IA y aprendizaje automático, los investigadores han desarrollado un sistema que puede mejorar significativamente la eficiencia, la sostenibilidad y la escalabilidad de la producción de microalgas. Esto tiene implicaciones de largo alcance para el desarrollo de fuentes de energía renovables, la producción sostenible de alimentos y la recuperación ambiental.
Referencia (acceso abierto)
Tummawai, T., Rohitatisha Srinophakun, T., Padungthon, S., & Sukpancharoen, S. (2024). Application of Artificial Intelligence and Image Processing for the Cultivation of Chlorella sp. Using Tubular Photobioreactors. ACS Omega.
