大菱鲆集约化养殖水质参数建模方法研究

发布时间：2020-05-22 16:40

【摘要】：海洋资源种类繁多,是各国研究的重点方向,渔业资源是开发利用最早的一种海洋资源,但由于面临海洋捕捞能力过剩和近海渔业资源衰退的现实,开发海水养殖技术成为研究的热点。其中集约化循环水海水养殖技术具有环境友好,生产可控,操作简单,管理方便等优势,是我国水产养殖业的主要发展方向之一。良好的养殖水环境是水产养殖的基础,因此,对养殖水环境进行实时在线监测能够有效提高养殖的效益,更好的控制养殖的过程,降低养殖污染的排放。但由于测量技术手段和测量成本等原因的限制,致使如水中氨氮含量等水质参数在线实时监测难以实现。针对上述问题,通过本课题组自主研发建立的基于可编程逻辑控制器(Programmable Logic Controller,PLC)与视窗控制中心(Windows Control Center,WinCC)的实验室集约化循环水海水养殖系统,以大菱鲆为例,基于软测量技术,提出一种基于遗传算法(Genetic Algorithm,GA)优化最小二乘法支持向量机(Least Squares Support Vector Machine,LSSVM)的方法,选用养殖水环境中pH值,电导率,温度,溶解氧含量为辅助变量,结合实验测量的水体氨氮值,进行养殖水体中的氨氮含量的软测量的建模。从而实现对集约化养殖过程中,养殖水环境内氨氮含量的在线实时监测。通过Matlab进行仿真,取得较好的仿真结果,对比BP神经网络模型,本文所选用的方法效果更佳。本文主要通过GA-LSSVM算法,以大菱鲆集约化养殖水环境为研究背景,主要研究内容如下:1.介绍海水养殖的发展现状,目前养殖过程中针对养殖水环境参数所使用的测量方法,以及软测量技术,在海水养殖过程中的应用方向,并重点,针对两种常用的建模方法——BP神经网络和最小二乘法支持向量机算法做了介绍,并分析各自的优缺点。2.由于海水养殖过程中,水质参数之间存在非线性相关,虽然BP神经网络能无限逼近非线性函数关系,但在实际运算过程中,往往会陷入局部最优解的困局,最小二乘法支持向量机算法针对小样本,高纬度,非线性的实际问题拟合有更好效果,同时引入遗传优化算法,对模型进行优化,从而得到最优的训练效果。3.通过分析海水养殖过程中易测得的水质参数以及分析水体中氨氮的生成和硝化的过程,基于实验室内课题组自主建立的大菱鲆集约化海水养殖系统的实测数据,选用水体pH,水体温度,水体电导率,水中溶解氧含量为输入变量,针对难以实现在线监测的变量水体中氨氮含量,使用不同的建模方法建立相应的软测量模型,对比不同建模方法之间的差异,选出最最理想的模型。
【图文】：

大菱鲆

大菱鲆（Scophthalmusmaximus）属于脊索动物门（Chordata）、脊椎动物亚门（Vertebrata）、辐鳍鱼纲（Actinopterygii）、鲽形目（Pleuronectiformes）、鲽亚目（Pleuronectoidei）、鲆科（Bothidae）、菱鲆属（Scophthalmus），英文名turbot，又称多宝鱼（图2-1），原产于大西洋东北沿海地区，从冰岛北部海域至摩洛哥南部海域（约为北纬60°到北纬30°）沿海地区都有所分布。此外，在黑海、波罗的海和地中海等海域沿海地区也有发现野生大菱鲆的踪迹。大菱鲆属于底栖性鱼类，通常成熟个体栖息水深为70-100米的弱光照环境，喜欢活动于砂质、砂砾或混合底质海区。具有良好的低温耐受性，能短暂适应0-30℃的极端温度，最适生长温度为15-18℃。是较为名贵的一种经济鱼种[23-25]。大菱鲆具有生长快

结构图,循环海水,养殖系统,实验室

第三章养殖环境搭建及数据采集3.1 集约化循环水大菱鲆养殖水环境的构成为进一步研究在集约化循环水海水养殖模式下，水质参数的变化情况，在实验室内搭建的实验室内海水养殖循环水系统，选取大菱鲆为养殖对象，以实现对集约化循环海水大菱鲆养殖的水质参数有更为准确的了解，从而完成对大菱鲆集约化循环海水养殖的水环境中氨氮含量的软测量建模。本次实验所使用的实验室内集约化循环海水养殖系统，主要由循环水养殖区，传感器模块，可编程逻辑控制（Programmable Logic Controller，PLC）系统，上位机控制系统，四个模块组成（如图 3-1）。
【学位授予单位】：大连海洋大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S959

【参考文献】