HAVBASERT-HAVBASERT

RAS 4.0 er et samarbeidsprosjekt ledet av Nofima, med partnere, NORCE, UiT – Norges arktiske universitet, Searis, CreateView, Pure Salmon Technology, OxyGuard og Lerøy Seafood Group. Målet med RAS 4.0 er å styrke fiskevelferden og forbedre effektiviteten i resirkulerende akvakultursystemer (RAS), samtidig som operasjonelle risikoer reduseres. Dette skal oppnås gjennom videre automatisering av vannkvalitet, fôrings- og energikontroll ved bruk av avanserte digitale teknologier. I tillegg har prosjektet som mål å skape verdifull innsikt som vil komme både oppdrettere og teknologileverandører til gode i arbeidet med å gjøre driften mer bærekraftig. Å realisere det fulle potensialet i RAS-teknologi kan bidra til å redusere behovet for økt produksjon i sjøen og tiltrekke investeringer i denne viktige og miljømessig lovende metoden for fiskeoppdrett. Vårt arbeid har fokusert på å etablere en digital infrastruktur for prosjektet, ved å integrere over 500 kontinuerlige datastrømmer fra ulike vannkvalitetssensorer, datastandarder og plattformer i ett samlet system for bedre visualisering, innsamling og analyse av data. Vi har identifisert nødvendige vannklarhetsnivåer i RAS for å sikre best mulig bruk av kamerateknologi, noe som har gjort det mulig å samle inn flere måneders videoopptak av atlantisk laks sin fôringsatferd. Analyse av disse opptakene har ført til utvikling av avanserte datavisjonssystemer for å kvantifisere atferds indikatorer knyttet til fôring. Vi har også observert at lydlandskapet i tankene påvirkes av ulike fôringsregimer i RAS. Imidlertid kan lyder fra fiskenes atferd ofte overlappe eller bli maskert av høy operasjonell støy fra RAS-infrastrukturen, noe som må tas i betraktning når lyd brukes som informasjonskilde. Maskinlæringsmodeller er utviklet basert på data fra både kommersielle og eksperimentelle RAS-anlegg for å lage en RAS-simulator som kan forutsi multivariable, flertrinns tidsseriedata. Simulatoren skal brukes i den avsluttende forsøksfasen av prosjektet og vil bli validert mot data fra et operativt eksperimentelt RAS-anlegg.

The world is searching for sustainable solutions to produce healthy food. Aquaculture has been tasked to meet this demand. Recirculating aquaculture systems (RAS) have many sustainability advantages over open sea cages e.g. no interaction with wild fish, reduced water use and collection of waste. However, the potential of RAS to alleviate the demand for healthy fish is hindered by reoccurring unpredictable production losses, high costs and operational risk. While digitalisation and automation are on the forefront of priorities to improve production efficiency and reduce the environmental impacts of aquaculture, no production system has the same potential to exploit these enabling technologies as RAS. New automated approaches, making use of sensors and control algorithms, are required to realise the sustainability potential of RAS. The RAS 4.0 project brings together a multidisciplinary team to produce balanced and bio-inspired control loops on the most critical operations, namely water quality, feeding efficiency and energy optimisation. These loops will be integrated into a digital twin that will focus on optimising RAS performance and will be validated during RAS operations. The project utilises the expertise of industry partners established technologies and expertise from sensor, data standards and integration. Together with leading research partners in RAS technology, fish physiology, behaviour, welfare, machine learning, data analytics, smart cameras and computer vision they will work to develop smart digital approaches that seamlessly connect and optimise the physical, digital, and biological world. The RAS 4.0 project will create highly valuable knowledge that can be used by aquaculture and industry suppliers working to maximise the sustainability of these operations. Realising RAS potential will reduce the pressure to increase production in the sea and secure increased investment in this important environmentally sustainable solution to fish production.