Hệ thống nuôi tuần hoàn: Kỹ thuật cho ăn thông minh dựa trên tăng trưởng tôm

[Tạp chí Người Nuôi Tôm] – Cho ăn chính xác trong chế độ nuôi trồng thủy sản tuần hoàn là một vấn đề quan trọng. Dự đoán chính xác về sinh khối của tôm có thể xác định lượng cho ăn thích hợp và đảm bảo chất lượng nước ổn định.

 

Sử dụng công nghệ cảm biến để giám sát và điều chỉnh quá trình nuôi sẽ là xu hướng trong ngành thủy sản thông minh. Wang & cs. (2018) đã phát triển một thiết bị cảm biến quang điện tử mới cho NO2-N trong hệ thống nuôi trồng thủy sản tuần hoàn (RAS).

Sự kết hợp của các cảm biến với Internet of Things và công nghệ trí tuệ nhân tạo đã được sử dụng rộng rãi trong nuôi trồng thủy sản, giúp cho các công nghệ cảnh báo sớm và dự báo chất lượng nước trở nên chính xác hơn và thông minh hơn. So với phương thức nuôi quảng canh truyền thống, RAS có lợi hơn cho các ứng dụng cảm biến. RAS có thể mang lại sản lượng cao như một phương pháp nuôi trồng thủy sản hiệu quả, do môi trường an toàn sinh học được kiểm soát dựa trên hệ sinh thái nhân tạo.

Tôm thẻ chân trắng (Litopenaeus vannamei) được nuôi trong RAS có thể phát triển với mật độ cao, tránh được các virus gây hại. Hơn nữa, một hệ thống trên đất liền với sự thay đổi nước hạn chế có tiềm năng rất lớn để giảm thiểu môi trường của quá trình xử lý nước (Martins & cs.,2010). Việc ước tính chính xác sinh khối tôm trong RAS cung cấp hướng dẫn quan trọng trong việc cho ăn. Sinh khối có thể xác định lượng cho ăn thích hợp, đảm bảo chất lượng nước sạch và cung cấp đầy đủ dinh dưỡng cho tôm.

 

Nguyên liệu và phương pháp

Vật liệu và hệ thống thí nghiệm

Tôm thẻ chân trắng Litopenaeus vannamei được nuôi tại hai tập đoàn ở Trung Quốc. Các thí nghiệm được thực hiện tại Công nghệ sinh thái Yujia’ao (từ tháng 6 đến tháng 11 năm 2018) và tại Quảng Đông Haimao Investment (từ tháng 6 đến tháng 12 năm 2019) (Hình 1a.b). Tôm được nuôi trong một bể (Hình 1c). Hai bộ RAS được bố trí cho 680.000 con tôm và ấu trùng được nuôi có chiều dài lên đến 30mm. Trong quá trình xử lý nước, phương pháp tạo tia cực tím và ozone đã được áp dụng để ngăn chặn virus và mầm bệnh.

Hình 1. Quy trình nuôi tôm trong RAS: Công nghệ sinh thái Yujia’ao (a); Quảng Châu Haimao investment (b); Tôm được nuôi trong bể (c); Sơ đồ của RAS (d)

Một thiết bị thu gom chất bẩn đã được lắp đặt để đảm bảo chất lượng nước trong mỗi bể. Tôm được cho ăn thức ăn công nghiệp 6 lần/ngày. Trong giai đoạn đầu của quá trình nuôi tôm, lượng cho ăn là 5–8% tổng sinh khối tôm. Lượng cho ăn giảm dần theo thời gian nuôi và cuối cùng giảm xuống còn ~3% tổng sinh khối nuôi. Sơ đồ của RAS (hình 1d) gồm một bình oxy được kết hợp với một máy bơm lưu lượng thấp để cung cấp đủ oxy hòa tan. Một hệ thống phụ khử trùng, bao gồm một máy tạo tia cực tím và ozone, có thể ngăn ngừa sự lây nhiễm từ virus và các vi sinh vật gây bệnh khác.

 

Phương pháp máy học

Trong nghiên cứu này, một số phương pháp ANN, bao gồm mạng nơ-ron hồi quy tổng quát (GRNN), mạng nơ-ron nhân giống (BPNN), máy cực học (ELM) và mạng nơ-ron tuần hoàn (RNN), đã được sử dụng để phát triển các mô hình dự đoán sinh khối.

 

Hỗ trợ máy vector

Là một kỹ thuật máy học hiệu quả chủ yếu dựa trên lý thuyết thống kê, máy vectơ hỗ trợ (SVM) tập trung vào thông tin hạn chế về các mẫu và di chuyển giữa độ phức tạp và khả năng học tập của các mô hình, vốn có kiến ​​thức đặc biệt về tối ưu hóa trên toàn thế giới để cải thiện khả năng tổng quát hóa.

 

Tối ưu hóa mô hình

Một thuật toán di truyền (GA) đã được sử dụng để tối ưu hóa các phương pháp học máy, bao gồm ELM, BPNN và SVM, trong nghiên cứu này. GA là một thuật toán tiến hóa được sử dụng để tối ưu hóa mô hình tính toán theo hướng dữ liệu với sự kết hợp của chọn lọc, trao đổi chéo và đột biến để phát triển quần thể ngẫu nhiên ban đầu (Hình 2).

Sơ đồ kĩ thuật ML-GA

Quá trình tối ưu hóa GA đầu tiên liên quan đến việc chọn một hàm phù hợp để đo lường hiệu suất của một tập hợp các thông số đầu vào. Các cặp bố mẹ sau đó sẽ trải qua quá trình trao đổi chéo và những đứa con được tạo ra sẽ trải qua một giai đoạn đột biến. Giai đoạn lựa chọn người sống sót sẽ quyết định những cá thể nào có thể chuyển sang thế hệ tiếp theo. Toàn bộ quá trình sẽ được lặp lại cho đến khi thuật toán hội tụ dựa trên một số tiêu chí hội tụ.

 

Thiết kế hệ thống cho ăn thông minh

Môi trường nước cần được điều chỉnh dựa trên kinh nghiệm, vì RAS của tôm chứa một hệ sinh thái nhân tạo có thể kiểm soát được. Mức độ kinh nghiệm khác nhau sẽ dẫn đến kết quả điều tiết khác nhau và sản xuất không ổn định.

Hình 3 cho thấy thiết kế của hệ thống cho ăn thông minh có sự tương tác phức tạp giữa sinh khối, lượng thức ăn và chất lượng nước. Sinh khối tôm có thể xác định trực tiếp lượng cho ăn, và chất lượng nước chủ yếu bị ảnh hưởng bởi sinh khối và lượng cho ăn trong RAS.

Hình 3: Sơ đồ hệ thống cho ăn thông minh trong RAS

Do đó, trong nghiên cứu này, một hệ thống cho ăn thông minh đã được thiết kế dựa trên mô hình dự báo sinh khối của tôm.

Các phương pháp tiếp cận máy học đã được sử dụng để tính toán lượng thức ăn. Sau đó, hệ thống nhúng có thể đọc chỉ số chất lượng nước được đo bằng cảm biến, gọi mô hình học máy và điều khiển máy cấp liệu để điều chỉnh chiến lược cấp liệu trong RAS.

 

Kết luận

Các phương pháp MLR, ANN và SVM được sử dụng để xây dựng các mô hình dự báo sinh khối cho L. vannamei trong RAS. Phương pháp MLR trích xuất bốn biến giải thích chính: nhiệt độ nước, oxy hòa tan, pH, tổng lượng thức ăn và xây dựng mối quan hệ tuyến tính giữa sinh khối tôm.

Mô hình đã vượt qua bài kiểm tra T và kiểm tra F (R2= 0,882). Các mô hình dự đoán sinh khối dựa trên các phương pháp tiếp cận máy học đã được phát triển bằng cách sử dụng tập dữ liệu và một thuật toán di truyền được sử dụng để tối ưu hóa các mô hình hơn nữa.

Bốn chỉ số (MAE, MSE, MAPE và độ chính xác) được sử dụng để đánh giá độ lệch của các mô hình dự đoán. SVM được chọn là phương pháp dự báo sinh khối tôm tối ưu sau khi so sánh kết quả dự đoán, các chỉ số phân tích và đánh giá còn lại giữa các mô hình khác nhau (RMSE = 0.6500, MAE = 0,4368, MAPE = 3,70%; độ chính xác 90,91%).

Cuối cùng, một mô hình dự báo sinh khối tôm phản ứng nhanh cho RAS đã được phát triển bằng cách sử dụng phương pháp SVM với tối ưu hóa GA. Hệ thống cho ăn thông minh có thể áp dụng mô hình SVM để điều chỉnh lượng cho ăn chính xác trong tôm thẻ chân trắng RAS.

Ngọc Anh (Biên dịch)

Để lại bình luận của bạn

Tin mới nhất

CN,29/01/2023