Application of artificial neural networks and control for recirculating aquaculture systems

Abstract

En dynamisk model av et resirkulerende akvakultursystem(RAS) er implementert i Python. Enkel loop PID kontrollstrukturer etter Skogestads (2001) innstillingsregler er utviklet basert på den dynamiske modellen for kontroll av utvalgte tilstandsvariabler som er kritiske for fiskens velvær i systemet. Disse variablene er pH nivå, konsetrasjonen av oppløst CO2 og konsentrasjonen av NO3-. Kontrollerne er utsatt for en trinnendring i deres respektive settpunkt for å teste ytelsen deres. Videre er hver kontrollers evne til å avvise forstyrrelser undersøkt.

Kunstige nevrale nettverks(KNN) evne til å predikere tilstandsvariabler i RAS er undersøkt. KNN er laget ved å bruke AutoKeras i Python. AutoKeras bruker Bayesian optimisering for å generere gode nettverk. Trening- og testdata for de kunstige nettverkene er lagd med en steady state modell av RAS. Tilstandsvariablene som er predikert av KNN er pH nivå, konsentrasjon av oppløst CO2 og konsentrasjon av NH4+. Ytelsen til de kunstige nettverkene er tested med tre casestudier. Den første casestudien tilsetter buffer i biofilteret for å kontrollere pH, og KNN bruker kun manipulerende variabler for å predikere tilstandsvariablene. Den andre casestudien tilsetter base i biofilteret, og kun manipulerte variabler er brukt av KNN. Den tredje casestudien tilsetter base i biofilteret, og både manipulerende- og tilstandsvariabler brukes av KNN. De kunstige nettverkene som ble lagd i det tredje casestudiet ble også testet mot reelle data levert av Nofitech.

Resultatene viste at kontrollstrukturene klarte å avvise forstyrrelser med minimalt avvik fra settpunktene deres. Responsen til kontrollerene av en trinnendring i settpunktet deres var derimot veldig treg. Dette var grunnet den trege dynamiske naturen til RAS. Videre viste de kunstige nettverkene en god evne til å predikere konsentrasjonen av NH4+ og oppløst CO2, mens pH nivåene var vanskeligere å predikere. De kunstige nettverkene som brukte både manipulerende- og tilstandsvariabler hadde den beste ytelsen, og det kunstige nettverket som predikerte konsentrasjonen av NH4+ klarte å gi veldig nøyaktige predikasjoner basert på reell data.

A dynamic model of a recirculating aquaculture system(RAS) is implemented in Python. Single loop PID control structures following Skogestad's (2001) tuning rules are developed based on a dynamic model for control of some states which are critical to the well-being of the fish in the system. These states include the pH level, the concentration of dissolved CO2 and concentration of NO3-. The controllers are subjected to a step change in their respective setpoints to test their performance. Furthermore, each controller's ability to reject disturbances is investigated.

Artificial neural networks' (ANN) ability to predict states in RAS is studied. The ANNs are created by utilizing AutoKeras in Python, which uses Bayesian optimization in order to generate good networks. Training and test data for the ANNs are gathered from a steady state model of RAS. The states which are predicted by the ANNs are pH levels, concentration of dissolved CO2 and concentration of NH4+. The performance of the ANNs are tested on three cases. The first case has buffer entering the system's biofilter in order to control pH, and the ANNs uses only manipulated variables (MV) in order to predict states. The second case has base entering the biofilter, and the ANNs use only MVs for predictions. The third case has base entering the biofilter, and the ANNs use both MVs and states for predictions. The ANNs created in the third case were also tested against real data of RAS provided by Nofitech.

The results show that the control structures are able to reject disturbances while minimally deviating from their respective setpoints. However, their responses to setpoint changes are slow due to the slow dynamics of RAS. Furthermore, the ANNs show a good ability to predict the concentrations of NH4+ and dissolved CO2, while the pH levels are more difficult to predict. The ANNs which use both MVs and states as inputs perform best, and the ANN predicting the concentration of NH4+ is able to give very accurate predictions with real data as input.