Intelligentes cloudbasiertes RAS‑Management: Integration von DDPG‑Reinforcement‑Learning mit AWS IoT zur optimierten Aquakulturproduktion

Intelligentere Fischbecken für eine hungrige Welt

Während die Welt nach nachhaltigeren Proteinquellen sucht, stehen Fischfarmen unter dem Druck, mehr Meeresfrüchte zu produzieren und dabei weniger Wasser, Energie und Chemikalien zu verbrauchen. Rezirkulierende Aquakultursysteme – Innenbecken, in denen Wasser kontinuierlich gereinigt und wiederverwendet wird – bieten einen vielversprechenden Weg, sind aber schwer zu betreiben. Schon kleine Änderungen bei Sauerstoff, Säuregrad oder Temperatur können Fische schnell stressen oder töten. Dieser Beitrag untersucht, wie eine neue Generation cloudverbundener, KI‑gesteuerter Regelungssysteme diese Hightech‑Farmen stabil, zuverlässig und in kommerziellem Maßstab betreiben kann.

Von Laborversuchen zu funktionierenden Fischfarmen

In früheren Arbeiten zeigte das Forschungsteam, dass eine Art Entscheidungssoftware, bekannt als Reinforcement Learning, lernen kann, Fütterungspläne und Wasseraufbereitung in Versuchstanks anzupassen, sodass Bedingungen stabil bleiben und zugleich der Energieverbrauch sinkt. Der Haken war, dass diese Erfolge überwiegend in kontrollierten Laborumgebungen mit leistungsfähigen Computern und zuverlässigem Internet erzielt wurden. Kommerzielle Fischfarmen dagegen sind geschäftige Industrieanlagen mit vielen Becken, lückenhafter Konnektivität und begrenzter Rechnerleistung vor Ort. Diese Studie stellt eine praktische Frage: Wie überführt man einen im Labor funktionierenden KI‑Controller so, dass er robust, bezahlbar und sicher für echte Betriebe mit Dutzenden oder Hunderten Becken ist?

Aufbau eines vierlagigen digitalen Nervensystems

Um das anzugehen, entwarfen die Autorinnen und Autoren eine vierlagige Architektur, die wie ein digitales Nervensystem für eine Fischfarm funktioniert. An der Basis stehen die Becken, Pumpen und Filter, in denen die Fische leben. Darüber liegt ein dichtes Netz industrieller Sensoren, die kontinuierlich Sauerstoff, pH, Temperatur und wichtige Stickstoffverbindungen messen. Diese Sensoren speisen Daten an kleine Rechner vor Ort – sogenannte Edge‑Geräte –, die eine abgespeckte Version des KI‑Controllers ausführen. Oben koordinieren Cloud‑Dienste viele Edge‑Geräte zugleich, speichern monatelange Daten, trainieren Modelle bei Bedarf neu und stellen Dashboards für die Betreiber bereit. Aufgaben, die in Bruchteilen einer Sekunde stattfinden müssen, etwa das Hochfahren der Belüftung bei Sauerstoffabfall, werden lokal erledigt; langsamere, rechenintensive Prozesse werden in die Cloud verlagert.

Leistungsfähige Software für bescheidene Hardware fit machen

Eine zentrale Herausforderung bestand darin, ein komplexes Entscheidungsmodell in kleine, energieeffiziente Geräte zu quetschen, ohne dessen Urteilsfähigkeit zu verlieren. Das Team nutzte Techniken aus der Smartphone‑KI, etwa die Verwendung weniger Bits zur Zahlenrepräsentation und das Beschneiden selten genutzter Verbindungen im neuronalen Netz. Diese Schritte verkleinerten das Modell von 32 Megabyte auf nur 8,3 Megabyte – eine Reduktion um 74 Prozent – und hielten die Entscheidungen innerhalb von etwa 1,5 Prozent Abweichung zur Vollversion. Getestet an 15,5 Millionen echten Betriebsdaten, die über sechs Monate gesammelt wurden, stimmte das gestraffte Modell in über 94 Prozent der Fälle mit den Entscheidungen des Originalcontrollers überein und konnte binnen etwa 50 Tausendstelsekunden reagieren, schnell genug für Echtzeitsteuerung.

Sicher bleiben, wenn das Netzwerk streikt

Weil Fische nicht darauf warten können, dass eine drahtlose Verbindung wiederhergestellt wird, wurde das System mit rigorosen Sicherheitsfunktionen gebaut. Jedes Edge‑Gerät kann den KI‑Betrieb lokal fortsetzen, wenn die Internetverbindung ausfällt, überwacht Sauerstoff, pH und Temperatur und schaltet durch Reaktionsstufen: Normalbetrieb, sanfte Korrekturen bei Parameterdrift und Notfallmaßnahmen, wenn Schwellenwerte überschritten werden. Die Forschenden erzeugten bewusst Verzögerungen, Paketverluste und sogar komplette Verbindungen von bis zu 72 Stunden. Während dieser Tests erhielt das System nahezu seine gesamte Steuerungsleistung bei kleinen Netzstörungen und hielt selbst bei langen Ausfällen eine sichere Wasserqualität, wobei detaillierte Protokolle zeigten, wie schnell Probleme erkannt und nach Wiederherstellung der Verbindung behoben wurden.

Nachweis der Funktionsfähigkeit im kommerziellen Maßstab

Um zu prüfen, ob dieses Design außerhalb kontrollierter Versuche standhält, setzten die Forschenden es in einer betriebenen Rezirkulationsanlage mit 108 Becken und mehr als drei Millionen Litern Wasser ein. Dieselbe Architektur wurde für kleine, mittlere und große Beckengruppen angewendet, mit nur moderater Feinabstimmung. Über 180 Tage Betrieb flossen Daten von Tausenden Sensoren durch das System mit etwa 15.000 Messwerten pro Minute, dennoch traf die KI Entscheidungen im Durchschnitt in rund 47 Millisekunden. Beim Vergleich von Labor und Farm stellten die Forschenden fest, dass Genauigkeit, Zuverlässigkeit und Reaktionszeiten hoch blieben, während die Kosten pro kontrollierter Wassereinheit beim Hochskalieren deutlich fielen und das System traditionelle Industriecontroller sowie bestehende IoT‑Plattformen in Geschwindigkeit, Zuverlässigkeit und Energieverbrauch übertraf.

Was das für die Zukunft der Fischzucht bedeutet

Für Leserinnen und Leser außerhalb des Fachgebiets lautet die Schlussfolgerung: Die Autorinnen und Autoren schlagen nicht nur einen cleveren Algorithmus vor; sie haben einen vollständigen Bauplan zusammengestellt und getestet, wie KI echte Fischfarmen sicher und wirtschaftlich betreiben kann. Durch die Kombination robuster Sensoren, lokaler Smart‑Boxen und Cloud‑Koordination zeigen sie, dass fortschrittliche Regelungssoftware unzuverlässige Netzwerke, Hardwareprobleme und die alltägliche Unordnung der Produktion übersteht. Das Ergebnis ist ein System, das Fische meist in gesunden Bedingungen hält, schnell reagiert, wenn etwas schiefläuft, und Betriebskosten senkt. Bei breiter Anwendung könnten ähnliche intelligente Cloud‑Edge‑Systeme der Aquakultur helfen, einer wachsenden Bevölkerung nachhaltig mehr Protein zu liefern, ohne mehr Wasser, Land oder Energie zu verlangen.

Zitation: Elmessery, W.M., Shams, M.Y., El-Hafeez, T.A. et al. Intelligent cloud-based RAS management: integration of DDPG reinforcement learning with AWS IoT for optimized aquaculture production. Sci Rep 16, 9617 (2026). https://doi.org/10.1038/s41598-025-33736-7

Schlüsselwörter: Aquakultur, rezirkulierende Fischbetriebe, Cloud‑Edge‑KI‑Steuerung, IoT‑Sensorsysteme, nachhaltige Meeresfrüchte