Intelligent cloudgebaseerd RAS‑beheer: integratie van DDPG‑versterkingsleren met AWS IoT voor geoptimaliseerde aquacultuurproductie

Slimmere vistanks voor een hongerige wereld

Naarmate de wereld op zoek is naar duurzamere eiwitbronnen, staat de viskweek onder druk om meer zeevruchten te produceren met minder water, energie en chemicaliën. Recirculerende aquacultuursystemen—binnenvijvers waarin water continu wordt gezuiverd en hergebruikt—bieden een veelbelovende route, maar ze zijn lastig te beheren. Kleine veranderingen in zuurstof, zuurgraad of temperatuur kunnen vissen snel stress bezorgen of zelfs doden. Dit artikel onderzoekt hoe een nieuwe generatie cloud‑verbonden, door kunstmatige intelligentie aangestuurde regelsystemen zulke hightechkwekerijen soepel, betrouwbaar en op commerciële schaal kan laten draaien.

Van labexperimenten naar werkende viskwekerijen

In eerdere studies toonde het onderzoeksteam aan dat een soort beslissingssoftware, bekend als versterkingsleren, kon leren voederschema’s en waterbehandeling aan te passen in proefvijvers, zodat omstandigheden stabiel blijven terwijl het energieverbruik daalt. Het probleem was dat die successen zich grotendeels voordeden in gecontroleerde labomgevingen met krachtige computers en betrouwbare internetverbindingen. Commerciële viskwekerijen zijn daarentegen drukke industriële locaties met veel tanks, onregelmatige connectiviteit en beperkte rekenkracht ter plaatse. Deze studie stelt een praktische vraag: hoe neem je een AI‑controller die in het lab werkt en maak je die robuust, betaalbaar en veilig voor echte kwekerijen met tientallen of zelfs honderden tanks?

Een vierlaagse digitale zenuwstructuur bouwen

Om dit aan te pakken ontwierpen de auteurs een vierlaagse architectuur die fungeert als een digitale zenuwstructuur voor een viskwekerij. Onderin bevinden zich de tanks, pompen en filters waar de vissen leven. Daarboven zit een dicht netwerk van industriële sensoren die continu zuurstof, pH, temperatuur en belangrijke stikstofverbindingen meten. Deze sensoren sturen data naar kleine computers ter plaatse—"edge"‑apparaten—die een uitgeklede versie van de AI‑controller draaien. Bovenaan coördineert de cloud diensten vele edge‑apparaten tegelijk, slaat maanden aan gegevens op, hertraint modellen waar nodig en biedt dashboards voor telers. Taken die binnen fracties van een seconde moeten gebeuren, zoals het opvoeren van beluchting wanneer de zuurstof daalt, worden lokaal afgehandeld; langzamere, zwaardere berekeningen worden naar de cloud verplaatst.

Krachtige software leren draaien op bescheiden hardware

Een centrale uitdaging was een complex beslissingsmodel te persen in kleine, energiezuinige machines zonder het goede oordeel te verliezen. Het team gebruikte technieken uit smartphone‑AI, zoals minder bits gebruiken voor getallenrepresentatie en het wegknippen van zelden gebruikte verbindingen in het neurale netwerk. Deze stappen verkleinden het model van 32 megabyte tot slechts 8,3 megabyte—een reductie van 74 procent—terwijl de beslissingen binnen ongeveer 1,5 procent van de volledige versie bleven. Getest op 15,5 miljoen echte kweekgegevens verzameld over zes maanden, kwam het gestroomlijnde model nog steeds meer dan 94 procent van de tijd overeen met de keuzes van de oorspronkelijke controller, en kon het reageren in ongeveer 50 milliseconden, snel genoeg voor realtimebesturing.

Veilig blijven wanneer het netwerk zich misdraagt

Omdat vissen niet kunnen wachten tot een draadloze verbinding hersteld is, is het systeem gebouwd met agressieve veiligheidsmaatregelen. Elk edge‑apparaat kan de AI lokaal blijven draaien als de internetverbinding uitvalt, waarbij het zuurstof, pH en temperatuur bewaakt en schakelt tussen responsniveaus: normale werking, zachte correcties bij driftende parameters en noodacties als drempels worden overschreden. De onderzoekers veroorzaakten opzettelijk vertragingen, verloren berichten en zelfs volledige ontkoppelingen tot 72 uur. Tijdens deze tests behield het systeem bijna al zijn regelprestaties bij kleine netwerkstoringen en handhaafde het veilige waterkwaliteit zelfs tijdens lange uitvalperiodes, met gedetailleerde logboeken die laten zien hoe snel problemen werden gedetecteerd en hoe het systeem herstelde toen de verbinding terugkeerde.

Aantonen dat het werkt op commerciële schaal

Om te onderzoeken of dit ontwerp buiten zorgvuldig beheerde proeven standhoudt, implementeerde het team het in een werkende recirculerende aquacultuurinstallatie met 108 tanks en meer dan drie miljoen liter water. Dezelfde architectuur werd toegepast op kleine, middelgrote en grote tankclusters, met slechts beperkte afstemming. Gedurende 180 dagen operatie stroomden gegevens van duizenden sensoren door het systeem met ongeveer 15.000 metingen per minuut, en toch nam de AI gemiddeld nog steeds beslissingen binnen ongeveer 47 milliseconden. Vergelijking tussen lab en kwekerij toonde aan dat nauwkeurigheid, betrouwbaarheid en reactietijden hoog bleven, terwijl de kosten per gecontroleerde watereenheid scherp daalden naarmate het systeem opschaalde, en het traditionele industriële controllers en bestaande internet‑of‑thingsplatforms overtrof op snelheid, betrouwbaarheid en energiegebruik.

Wat dit betekent voor toekomstige viskweek

Voor lezers buiten het vakgebied is de kernboodschap dat de auteurs niet alleen een slimme algoritme voorstellen; ze hebben een volledig blauwdruk samengesteld en getest voor hoe AI echte viskwekerijen veilig en economisch kan aansturen. Door robuuste sensoren, lokale slimme boxen en cloudcoördinatie te combineren, tonen ze aan dat geavanceerde bestursoftware onbetrouwbare netwerken, hardwarestoringen en de dagelijkse rommeligheid van productie kan overleven. Het resultaat is een systeem dat vissen meestal binnen gezonde condities houdt, snel reageert wanneer er iets misgaat en de bedrijfskosten verlaagt. Bij brede adoptie zouden soortgelijke intelligente cloud‑edge systemen de aquacultuur kunnen helpen meer duurzame eiwitten te leveren aan een groeiende bevolking zonder meer water, land of energie te vragen.

Bronvermelding: 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

Trefwoorden: aquacultuur, recirculerende viskwekerijen, cloud‑edge AI‑besturing, IoT‑sensorsystemen, duurzame zeevruchten