| dc.description.abstract | Innenfor landbasert lakseoppdrett benyttes resirkulerende akvakultursystemer for å gjenbruke driftsvannet flere ganger. Fiskens metabolisme og fôring produserer avfallsstoffer som kan forårsake redusert vannkvalitet i anlegget dersom de ikke fjernes, og vannet må derfor gjennom en renseprosess. For å vite at vannkvaliteten tilfredsstiller laksens behov benyttes en rekke sensorer som måler ulike parametere. Det er mange vannkvalitetsparametere å ha kontroll på til enhver tid, i tillegg til at flere parametere har innvirkning på hverandre. For driftspersonell som skal vurdere tiltak til forbedring av vannkvalitet, er det derfor mange faktorer å ta hensyn til. I denne oppgaven utforskes muligheten for å anvende maskinlæring til analyse av data fra disse sensorene, og videre bruke maskinlæring til å utvikle et brukerstøttesystem for driftspersonell. Vi ser for oss en maskinlæringsmodell som kan visualisere nåværende vannkvaliteten i en digital plattform, predikere fremtidig vannkvalitet og foreslå tiltak til forbedring av vannkvalitet med bakgrunn i relevante data. Dette tror vi vil være til nytte for driftspersonell, og at dette vil kunne oppleves som betryggende situasjoner der viktige avgjørelser må tas raskt.
I denne oppgaven tar vi for oss en utforskende problemstilling, og anvender kvalitativ metode for å skape en helhetlig forståelse av problemet. For å kartlegge relevant litteratur og forskning gjennomfører vi et strukturert litteratursøk. Videre har vi intervjuet relevante aktører med bakgrunn fra resirkulerende akvakultursystemer eller maskinlæring for å kartlegge næringens syn på bruk av maskinlæring som brukerstøtte i RAS. Dermed bygger oppgavens resultater på innsikt hentet fra både strukturert litteratursøk og intervju.
I løpet av de siste årene er det blitt publisert en rekke forskningsartikler som utforsker bruk av tingenes internett (“Internet of Things” - IoT) og maskinlæring innenfor akvakultur. Resultatene av vår studie viser at maskinlæring er et kjent konsept, men at ikke alle ser behovet og nytteverdien av maskinlæring i næringen på grunn av manglende kunnskap og forståelse. Til tross for at nye resirkulerende akvakultursystemer har etablerte systemer for IoT og digital overvåking av vannkvalitet, anser mange oppdrettere inlinesensorer for overvåking av flere parametere som lite lønnsomt grunnet høye investeringskostnader. I dag utføres målinger av flere viktige vannkvalitetsparametere manuelt og analyseres på laboratoriet. Kontinuerlige sanntidsdata fra inlinesensorer vil kunne si noe om vannkvaliteten gjennom hele døgnet, og brukes til å se på utvikling over tid.
Videre viser resultatet at maskinlæring krever omfattende datamengder, og det er viktig at dataene lagres i samme format. Det bør derfor etableres standarder for måling av parametere, inkludert hvilke parametere som skal måles, hvor de skal måles og hvor ofte. På grunn av betydelige forskjeller i mikrobiologi og teknologi mellom anleggene, må det trolig lages ulike maskinlæringsalgoritmer for ulike anlegg for prediksjon av vannkvalitet. Før maskinlæring kan baseres på forhåndsbestemte grenseverdier for vannkvalitetsparametere bør det forskes mer på vannkvalitet og fiskevelferd i resirkulerende akvakultursystemer. Dagens anbefalte grenseverdier fra Mattilsynet er basert på laboratorieforskning og erfaringer fra gjennomstrømningsanlegg, og er ikke nødvendigvis tilpasset forholdene i kommersielle resirkulerende akvakultursystemer.
I arbeidet med denne oppgaven har vi konkludert med at det er mulig å implementere maskinlæring som et effektivt analyse- og beslutningsstøtteverktøy i daglig drift av resirkulerende akvakultursystemer, med potensial for å forbedre kontrollen over vannkvaliteten og dermed øke fiskevelferden. Imidlertid innebærer dette en betydelig ressursinnsats, store datamengder og standardisering av datainnsamling. Selv om moderne resirkulerende akvakultursystemer allerede har implementert IoT-systemer og digital overvåking av vannkvalitet, kan de høye investeringskostnadene for ytterligere inlinesensorer gjøre dette lite attraktivt for oppdrettere. Det er derfor viktig å veie nytteverdien av denne teknologien mot kostnadene og vurdere hvordan maskinlæring og avansert overvåking, kan bidra til en mer bærekraftig og effektiv drift i akvakultur. Det er også viktig å påpeke at det finnes en rekke utfordringer som må adresseres før maskinlæring kan implementeres som et brukerstøtteverktøy i daglig drift. Dette krever videre forskning og en dypere forståelse av både maskinlæring og fiskevelferd i resirkulerende akvakultursystemer. | |
| dc.description.abstract | In land-based salmon farming, recirculating aquaculture systems are used to reuse water several times. The metabolism and feeding of the fish produce waste products that can cause reduced water quality in the facility if not removed, and the water must therefore go through a treatment process. In order to ensure that the water quality satisfies the salmon's needs, a number of sensors are used that measure various parameters. There are many water quality parameters to control at all times, in addition to several parameters having an impact on each other. Therefore, for operating personnel who are considering measures to improve water quality, there are many factors to consider. This thesis explores the possibility of applying machine learning to analyze data from these sensors, and further use machine learning to develop a support system for operating personnel. We envisage a machine learning model that can visualize current water quality in a digital platform, predict future water quality and suggest measures to improve water quality based on relevant data. We believe this will benefit operating personnel, and that this may be perceived as reassuring situations where important decisions must be made quickly.
In this thesis, we address an exploratory problem, and apply qualitative methods to create a comprehensive understanding of the problem. In order to map relevant literature and research, we conduct a structured literature search. Furthermore, we have interviewed relevantactors with backgrounds in recirculating aquaculture systems or machine learning in order to map the industry's view of the use of machine learning as user support in RAS. Thus, the results of the thesis are based on insights gained from both structured literature searches and interviews.
In recent years, a number of research articles have been published exploring the use of the Internet of Things (IoT) and machine learning in aquaculture. The results of our study show that machine learning is a well-known concept, but that not everyone sees the need and usefulness of machine learning in the industry due to lack of knowledge and understanding. Despite the fact that new recirculating aquaculture systems have established systems for IoT and digital monitoring of water quality, many fish farmers consider in-line sensors for monitoring several parameters to be unprofitable due to high investment costs. Today, measurements of several important water quality parameters are performed manually and analyzed in the laboratory. Continuous real-time data from in-line sensors will be able to say something about water quality throughout the day, and be used to look at developments over time.
Furthermore, the results show that machine learning requires extensive amounts of data, and it is important that the data is stored in the same form. Therefore, standards should be established for measuring parameters, including which parameters should be measured, where they should be measured and how often. Due to significant differences in microbiology and technology between the plants, different machine learning algorithms will probably need to be created for different plants for prediction of water quality. Before machine learning can be based on predetermined limit values for water quality parameters, more attention should be paid to water quality and fish welfare in recirculating aquaculture systems. The current recommended limit values from the Norwegian Food Safety Authority are based on laboratory research and experience from flow-throughfacilities, and are not necessarily adapted to conditions in commercial recirculating aquaculture systems.
In preparing this thesis, we have concluded that it is possible to implement machine learning as an effective analysis and decision support tool in the daily operation of recirculating aquaculture systems, with the potential to improve control over water quality and thus increase fish welfare. However, this entails a significant resource input, large amounts of data and standardisation of data collection. Although modern recirculating aquaculture systems have already implemented IoT systems and digital water quality monitoring, the high investment costs for additional in-line sensors may make this unattractive to fish farmers. It is therefore important to weigh the benefits of this technology against the costs and consider how machine learning and advanced monitoring can contribute to a more sustainable and efficient operation in aquaculture. It is also important to point out that there are a number of challenges that must be addressed before machine learning can be implemented as a support tool in daily operations. This requires further research and a deeper understanding of both machine learning and fish welfare in recirculating aquaculture systems. | |
