В Корее разработали ИИ, позволяющий оптимизировать условия выращивания спирулины
- 12 минут назад
- 4 мин. чтения
Корреспондент Гу Бон Хёк
- Команда под руководством профессора Им Хан Квона из UNIST разработала алгоритм автоматической регулировки пяти условий культивирования, включая освещение и температуру
Схема управления культивированием спирулины на основе многоагентного обучения с усилением и регионы, где проводились пилотные испытания [Предоставлено UNIST]
Разработана технология, позволяющая эффективно производить в больших количествах «микроводоросли» — новый альтернативный источник продовольствия, способный спасти человечество, страдающее от нехватки продовольствия.
13 августа команда под руководством профессора Им Хан Квона из Высшей школы углеродной нейтральности Ульсанского национального института науки и технологий Ульсана (UNIST) совместно с другой группой во главе с профессором Риецки Андики из Университета Индонезии объявила о разработке алгоритма искусственного интеллекта, позволяющего управлять культивированием спирулины на основе многоагентного обучения с усилением.
Спирулина — это микроводоросли, содержание белка в которых достигает 60%, а также богатые незаменимыми аминокислотами, витаминами и минералами. Она привлекает внимание как ингредиент здорового питания и альтернативный источник белка, поскольку может быстро расти не только на сельскохозяйственных угодьях, но и в культивационных установках, однако обеспечить рентабельность производства довольно сложно. Для увеличения объема производства необходимо сократить энергопотребление на освещение, охлаждение и обогрев, однако температура и количество солнечного света значительно варьируются в зависимости от региона и сезона, а условия роста — такие как освещенность, температура, питательные вещества, углекислый газ и кислотность — взаимно влияют друг на друга. Хотя увеличение подачи углекислого газа может ускорить рост, это приводит к закислению культивирующей среды, что может тормозить фотосинтез и рост спирулины; в то же время, использование интенсивного искусственного освещения способствует фотосинтезу, но приводит к увеличению потребления электроэнергии.
Новоразработанный алгоритм состоит из пяти ИИ-модулей, каждый из которых отвечает за свет, температуру, питательные вещества, углекислый газ и кислотность. Они регулируют яркость освещения, мощность систем отопления и охлаждения, а также количество вводимых веществ в соответствии с состоянием культивирования и климатическими условиями, что позволяет ускорить рост спирулины и сократить потребление энергии.
[Рисунок 1] Схема управления культивированием спирулины на основе многоагентного обучения с усилением и регионы, где проводились пилотные испытания [Рис. = UNIST]
(a) Пять агентов обучения с усилением, отвечающих соответственно за освещение, питательные вещества, диоксид углерода, кислотность и температуру, регулируют яркость освещения, количество вводимых веществ и мощность систем отопления и охлаждения на основе данных о внешней температуре, интенсивности солнечного излучения и состоянии культивирования внутри реактора. (b) Восемь городов, использованных для оценки алгоритма, и климатические характеристики каждого региона. Для сравнения эффективности управления были применены метеорологические данные за все четыре сезона из различных климатических зон: тропической, пустынной, высокогорной и субарктической.
[Рисунок 2] Сравнение роста спирулины в 8 городах [Рисунок = UNIST]
Депок (Индонезия) (a), Ульсан (b), Эр-Рияд (Саудовская Аравия) (c), Ла-Пас (Боливия) (d), Осло (Норвегия) (e), Пекин (Китай) (f), Солт-Лейк-Сити (США) (g), Кейптаун, ЮАР (h). Сравнение изменений концентрации спирулины при использовании существующего управления на основе правил (синий цвет) и управления с помощью многоагентного обучения с подкреплением (зеленый цвет). Многоагентное обучение с подкреплением позволило быстрее и стабильнее повысить концентрацию спирулины в регионах с значительными климатическими и сезонными изменениями; затененные области обозначают диапазон колебаний результатов по сезонам.
[Рисунок 3] Сравнение энергопотребления при традиционном управлении на основе правил и управлении на основе многоагентного обучения с подкреплением [Рисунок = UNIST]
(a) Показаны энергозатраты, необходимые для производства 1 кг сухой спирулины в 8 городах, а также потребление энергии по отдельным устройствам, таким как освещение, система отопления и охлаждения, подача углекислого газа и насосы. После применения многоагентного обучения с подкреплением энергопотребление сократилось в среднем на 14 %, при этом в Пекине экономия составила 21 %, а в Ульсане — 20 %. (b) Отношение энергии, затраченной на культивирование спирулины, к энергии, содержащейся в самой спирулине. Чем ниже значение, тем выше энергоэффективность; в большинстве городов многоагентное обучение с подкреплением показало более низкие значения по сравнению с традиционным методом. (c) Показаны объемы энергопотребления в зависимости от города и сезона, а также доли по отдельным устройствам. Размер круга отражает общее энергопотребление на единицу продукции, а цвет внутри круга — долю по отдельным устройствам, таким как освещение, отопление и охлаждение, подача углекислого газа и т. д. C обозначает традиционное управление на основе правил, M — многоагентное обучение с усилением, а Sp, Su, Fa, Wi — соответственно весну, лето, осень и зиму.
[Рисунок 4] Сравнение эффективности улавливания углекислого газа и чистых выбросов при использовании традиционного управления на основе правил и метода многоагентного обучения с подкреплением [Рисунок = UNIST]
(a) Количество углекислого газа, уловленного за один цикл культивирования в 8 городах. (b) Доля углекислого газа, фактически поглощенного спирулиной из введенного количества; многоагентное обучение с подкреплением продемонстрировало более высокую эффективность улавливания по сравнению с традиционным методом. (c, d) Чистые выбросы углекислого газа по городам и сезонам. Отрицательные значения означают чистый поглотитель, когда количество поглощенного в процессе культивирования превышает количество, выброшенное в результате потребления энергии; положительные значения означают чистый источник выбросов. Традиционный метод (c) в различных условиях проявлял себя как чистый источник выбросов, тогда как метод многоагентного обучения с усилением (d) почти во всех условиях, за исключением зимы в Осло, проявлял себя как чистый поглотитель. C — традиционное управление на основе правил, M — многоагентное обучение с усилением.
Профессор Им Хан Квон (слева) из UNIST и научный сотрудник Ахмад Шауки [Предоставлено UNIST]
Исследовательская группа сначала создала виртуальную среду культивирования, в которой рассчитывалось, как рост и состояние культивирования меняются в зависимости от семи факторов: освещения, температуры, кислотности, питательных веществ, концентрации углекислого газа и кислорода, а также количества самой спирулины, а затем создала алгоритм путем обучения пяти ИИ методом усиленного обучения.
Этот метод сравнили с управлением на основе фиксированных правил, при котором устройство работает в соответствии с заранее установленными критериями. Для оценки эффективности использовали данные о погоде за все четыре сезона из восьми городов, представляющих различные климатические условия: Депок (Индонезия), Ульсан, Эр-Рияд (Саудовская Аравия), Лапас (Боливия), Осло (Норвегия), Пекин (Китай), Солт-Лейк-Сити (США) и Кейптаун (ЮАР).
Результаты оценки показали, что при использовании метода управления с помощью ИИ концентрация спирулины достигала установленного в исследовании критерия сбора урожая на 59 часов раньше, чем при использовании традиционного метода. Энергозатраты на производство 1 кг сухой спирулины сократились в среднем на 14 %: в Ульсане, где наблюдаются значительные сезонные колебания температуры, экономия составила до 20 %, а в Пекине — 21 %. Количество поглощенного углекислого газа в среднем увеличился на 78 %, а доля внесенного углекислого газа, фактически поглощенного спирулиной, выросла с 44 % до 49 %.
«Поскольку на данный момент мы находимся на этапе проверки эффективности в виртуальной среде, в будущем мы планируем провести верификацию на реальных культивационных установках, оснащенных датчиками и устройствами управления, с целью превратить эту технологию в прикладную, применимую в сельском и рыбном хозяйстве» - заявил профессор Им Хан Квон.
Результаты данного исследования опубликованы в международном научном журнале по сельскохозяйственной инженерии «Bioresource Technology».
Комментарии