China – Un equipo de investigadores propuso un modelo de RAS de flujo variable para el cultivo de camarón basado en métodos de aprendizaje automático.
El corazón de un sistema de recirculación en acuicultura (RAS), que incluye principalmente filtros, biofiltros, dispositivos de oxidación y dispositivos desinfección. La remoción de los sólidos suspendidos es una parte del tratamiento de agua.
Las partículas de sólidos suspendidos son la principal causa de la turbidez en el agua, que causa reacciones de estrés y ponen en peligro la salud de los animales acuáticos.
Comparado con los RAS de flujo fijo, los sistemas de recirculación de acuacultura de flujo variable puede incrementar la circulación del agua total para acelerar el proceso de tratamiento de agua cuando las partículas orgánicas se incrementan, y el amoníaco y nitritos puedan ser eliminados.
Los RAS de flujo variable consumen una menor cantidad de electricidad cuando el agua es relativamente limpia. Sin embargo, se emplea la operación manual para ajustar la frecuencia de bombeo para determinar la apropiada circulación total del agua.
La operación manual puede causar que la eficiencia del tratamiento del agua no coincida con la situación real, lo que da como resultado una eficiencia de procesamiento del agua insuficiente o un desperdicio de electricidad.
Los investigadores del Institute of Oceanology de la Chinese Academy of Sciences, del Qingdao National Laboratory for Marine Science and Technology, del Dalian Huixin Titanium Equipment Development Co., Ltd., y del Liaoning Ocean and Fisheries Science Research Institute desarrollaron un RAS de flujo variable inteligente para el cultivo de Litopenaeus vannamei.
Ellos desarrollaron la técnica de trabajo vinculando el filtro de tambor circulante utilizando métodos de aprendizaje automático.
Los indicadores de calidad del agua y la frecuencia de retrolavado del filtro de tambor se utilizaron como indicadores primarios para desarrollar un modelo del flujo variable.
RAS experimental
El sistema de recirculación en acuicultura empleado fue de la Dalian Huixin Titanium Equipment Development Co., Ltd. (Dalian city, China), que se usa en la crianza de camarón blanco (Litopenaeus vannamei).
El sistema de control recolectó los indicadores de calidad del agua mediante su vinculación con sensores.
Los cambios en la calidad del agua pueden ser monitoreados en tiempo real, y la bomba centrífuga fue controlada por una frecuencia de operación variable usando un modelo de regulación del flujo basado en el aprendizaje automático.
Modelo de regulación de flujo variable
Los investigadores proponen la regulación de la circulación del RAS basado en la tecnología de control de procesos, dependiendo en los tiempos de retrolavado del microfiltro en un período unitario (0.5 h) como el parámetro principal para reflejar la turbidez total del agua.
Ellos diseñaron la estrategia de circulación de flujo variable del RAS para formar una tecnología de vinculación de la bomba de circulación de microfiltros basados en los parámetros de calidad de agua y tiempos de retrolavado a diferentes velocidades de flujo.
“Se desarrolló un modelo inteligente de regulación de flujo variable para mantener el agua limpia y eliminar rápida y dinámicamente los sólidos en suspensión” reportaron.
Los investigadores destacan que el modelo de regulación de flujo variable obtiene los indicadores de calidad del agua en tiempo real y luego usa esa información para predecir y clasificar la tasa de circulación para el próximo periodo.
“Un punto innovador de este estudio es que la frecuencia de retrolavado del filtro de tambor durante un cierto período se utilizó como uno de los factores críticos para el modelado, en vez de la turbidez momentánea del agua en el RAS” indican los investigadores.
Aprendizaje automático
En el estudio, el aprendizaje automático fue usado para modelar la estrategia de regulación de flujo variable.
Los investigadores, con el fin de implementar el principio de flujo variable, introdujeron los métodos de aprendizaje automático en el estudio para desarrollar el modelo óptimo de regulación de flujo variable para RAS.
“Los resultados mostraron que la red de memoria de corto plazo se desempeñó con la mayor precisión y puntuación F1 entre las redes neuronales artificiales” reportan.
Asimismo, los investigadores propusieron métodos de optimización que incluyen la búsqueda de cuadrículas, búsqueda de cuckoo, cuadrados lineales y algoritmo gene para mejorar la capacidad de clasificación de los modelos de máquinas de vectores de soporte.
Finalmente, el algoritmo gene admite que el modelo de máquina vectorial es adecuado como un modelo óptimo de regulación de flujo variable para un sistema de recirculación en acuicultura inteligente de flujo variable.
La investigación fue financiada por el Key Program for International Cooperation on Scientific and Technological Innovation, Ministry of Science and Technology of the People’s Republic of China.
Referencia (acceso abierto):
Chen, Fudi, Yishuai Du, Tianlong Qiu, Zhe Xu, Li Zhou, Jianping Xu, Ming Sun, Ye Li, and Jianming Sun. 2021. «Design of an Intelligent Variable-Flow Recirculating Aquaculture System Based on Machine Learning Methods» Applied Sciences 11, no. 14: 6546. https://doi.org/10.3390/app11146546
