Intelligent molnbaserad RAS‑styrning: integrering av DDPG förstärkningsinlärning med AWS IoT för optimerad akvakulturproduktion

Smartare fiskkar för en hungrig värld

När världen söker mer hållbara proteinkällor pressas fiskodlingar att producera mer skaldjur samtidigt som de använder mindre vatten, energi och kemikalier. Recirkulerande akvakultursystem—inomhuskar där vatten kontinuerligt renas och återanvänds—erbjuder en lovande väg, men de är svåra att driva. Små förändringar i syre, surhetsgrad eller temperatur kan snabbt stressa eller till och med döda fisk. Denna artikel undersöker hur en ny generation molnanslutna, AI‑drivna styrsystem kan hålla dessa högteknologiska anläggningar stabila, tillförlitliga och kommersiellt gångbara.

Från labbexperiment till fungerande fiskodlingar

I tidigare arbete visade forskargruppen att en typ av beslutsmjukvara, känd som förstärkningsinlärning, kunde lära sig att justera utfodringsscheman och vattenbehandling i försökskar, hålla förhållandena stabila samtidigt som energianvändningen minskade. Problemet var att dessa framgångar främst uppnåddes i kontrollerade labbmiljöer med kraftfulla datorer och stabil internetuppkoppling. Kommersiella fiskodlingar är däremot livliga industrimiljöer med många kar, ojämn uppkoppling och begränsad datorkraft på plats. Den här studien ställer en praktisk fråga: hur tar man en AI‑styrare som fungerar i labbet och gör den robust, prisvärd och säker för verkliga anläggningar med tiotals eller till och med hundratals kar?

Att bygga ett fyrskiktat digitalt nervsystem

För att hantera detta designade författarna en fyrskiktad arkitektur som fungerar som ett digitalt nervsystem för en fiskodling. Längst ner finns kar, pumpar och filter där fiskarna lever. Ovanför dem sitter ett tätt nät av industrisensorer som kontinuerligt mäter syre, pH, temperatur och viktiga kväveföreningar. Dessa sensorer matar data till små lokala datorer—”edge”‑enheter—som kör en nedskalad version av AI‑styraren. Högst upp samordnar molntjänster många edge‑enheter samtidigt, lagrar månader av data, tränar om modeller vid behov och tillhandahåller instrumentpaneler för odlare. Uppgifter som måste ske på bråkdelen av en sekund, såsom att öka luftning när syret sjunker, hanteras lokalt; långsammare och tyngre beräkningar skjuts upp till molnet.

Att lära kraftfull mjukvara att köra på modest hårdvara

En central utmaning var att pressa in en komplex beslutsmodell i små, energieffektiva maskiner utan att förlora dess bedömningsförmåga. Teamet använde tekniker hämtade från mobiltelefons‑AI, såsom att använda färre bitar för att representera tal och beskära sällan använda kopplingar i det neurala nätverket. Dessa steg krympte modellen från 32 megabyte till bara 8,3 megabyte—en minskning med 74 procent—samtidigt som dess beslut behölls inom ungefär 1,5 procent av fullversionen. Testad mot 15,5 miljoner verkliga gårdsdatapunkter insamlade över sex månader matchade den förenklade modellen fortfarande originalstyrarens val mer än 94 procent av gångerna, och kunde svara på ungefär 50 tusendels sekund, tillräckligt snabbt för realtidsstyrning.

Säker drift när nätverket krånglar

Där fisk inte kan vänta på att en trådlös länk återhämtar sig byggdes systemet med aggressiva säkerhetsfunktioner. Varje edge‑enhet kan fortsätta köra AI lokalt om internetanslutningen faller bort, övervaka syre, pH och temperatur och växla mellan nivåer av respons: normal drift, försiktiga korrigeringar när parametrar driver och nödåtgärder om gränsvärden överskrids. Forskarna skapade medvetet fördröjningar, tappade meddelanden och till och med fullständiga bortkopplingar i upp till 72 timmar. Under dessa tester bevarade systemet nästan hela sin styrförmåga vid mindre nätstörningar och höll vattnets kvalitet säker även under långa avbrott, med detaljerade loggar som visar hur snabbt det upptäckte problem och återhämtade sig när anslutningen kom tillbaka.

Bevisa att det fungerar i kommersiell skala

För att se om denna design håller utanför noggrant kontrollerade försök implementerade teamet den i en fungerande recirkulerande anläggning med 108 kar och mer än tre miljoner liter vatten. Samma arkitektur användes över små, medelstora och stora karskluster, med endast måttlig finjustering. Under 180 dagars drift flödade data från tusentals sensorer genom systemet med cirka 15 000 mätningar per minut, ändå fattade AI beslut inom omkring 47 millisekunder i genomsnitt. Jämfört med labbet fann forskarna att noggrannhet, tillförlitlighet och svarstider förblev höga, samtidigt som kostnaden per kontrollerad vattenenhet sjönk kraftigt när systemet skalade upp, och överträffade traditionella industriella styrsystem och befintliga IoT‑plattformar vad gäller hastighet, tillförlitlighet och energianvändning.

Vad detta innebär för framtidens fiskodling

För läsare utanför fältet är slutsatsen att författarna inte bara föreslår en smart algoritm; de har tagit fram och testat en fullständig plan för hur AI kan driva verkliga fiskodlingar på ett säkert och ekonomiskt sätt. Genom att kombinera robusta sensorer, lokala smarta lådor och molnsamordning visar de att avancerad styrmjukvara kan överleva opålitliga nätverk, hårdvarufel och den dagliga röran i produktion. Resultatet är ett system som håller fiskarna inom hälsosamma förhållanden större delen av tiden, reagerar snabbt när något går fel och sänker driftskostnaderna. Om det antas i stor skala kan liknande intelligenta moln‑edge‑system hjälpa akvakultur att leverera mer hållbart protein till en växande befolkning utan att kräva mer vatten, mark eller energi.

Citering: 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

Nyckelord: akvakultur, recirkulerande fiskodlingar, moln‑edge AI‑styrning, IoT‑sensornätverk, hållbart skaldjur