നിങ്ങളുടെ ഡിജിറ്റൽ ട്വിൻ നിർമ്മിക്കാം: ചെറുകിട അക്വാപോണിക്സിനായി AI അധിഷ്ഠിത സെൻസർ സ്ട്രാറ്റജി
സ്ട്രിപ്പുകൾ ഉപയോഗിച്ച് വെള്ളം പരിശോധിക്കുന്നതും പോഷകങ്ങളുടെ അളവ് ഊഹിച്ചു പറയുന്നതും സമയം പാഴാക്കുന്ന കാര്യമാണ്. ഇത് നിങ്ങളുടെ വിളകൾക്ക് അപകടമുണ്ടാക്കുകയും ചെയ്യും. വെള്ളത്തിലെ രാസഘടനയും (water chemistry) ബയോമാസ്സും (biomass) AI വഴി നിയന്ത്രിക്കുന്നതിന് ചെറുകിട അക്വാപോണിക്സ് നടത്തിപ്പുകാർക്ക് തത്സമയ ഡാറ്റ (real-time data) ആവശ്യമാണ്.
'ത്രീ-ടയർ സെൻസർ സ്ട്രാറ്റജി' (Three-Tier Sensor Strategy) കൃത്യമായ ഒരു ഡിജിറ്റൽ ട്വിൻ നിർമ്മിക്കാൻ സഹായിക്കുന്നു. ഓരോ സെൻസർ ഡാറ്റയെയും അതിന്റെ ആവശ്യാനുസരണം വിവിധ തലങ്ങളായി (layers) ക്രമീകരിച്ചുകൊണ്ടാണ് ഇത് നിർമ്മിക്കുന്നത്.
• ടയർ 1 (Tier 1) AI മോഡലിന് ആവശ്യമായ പ്രധാന ഘടകങ്ങളെ (core variables) ശേഖരിക്കുന്നു. ഇതിൽ pH, താപനില (temperature), ഡിസോൾവ്ഡ് ഓക്സിജൻ (dissolved oxygen), ഇലക്ട്രിക്കൽ കണ്ടക്റ്റിവിറ്റി (electrical conductivity) എന്നിവ ഉൾപ്പെടുന്നു. ഈ നിരന്തരമായ അളവുകൾ വെള്ളത്തിലെ രാസഘടനയുടെ നിലവിലെ അവസ്ഥ കാണിക്കുന്നു.
• ടയർ 2 (Tier 2) പ്രവർത്തനക്ഷമതയെക്കുറിച്ചുള്ള സൂചനകൾ (operational health signals) നൽകുന്നു. ഫ്ലോ റേറ്റ് (flow rate), സൈഫൺ സ്റ്റാറ്റസ് (siphon status), ക്യാമറ ഉപയോഗിച്ചുള്ള മത്സ്യങ്ങളുടെ ചലനം എന്നിവ ഇതിലൂടെ നിരീക്ഷിക്കാം. രാസഘടനയിൽ മാറ്റം വരുന്നത് എന്തുകൊണ്ടാണെന്ന് ഈ ഘട്ടം വിശദീകരിക്കുന്നു. പൈപ്പുകളിലെ തടസ്സങ്ങളോ പമ്പ് തകരാറുകളോ നേരത്തെ തന്നെ ഇത് തിരിച്ചറിയുന്നു.
• ടയർ 3 (Tier 3) ദീർഘകാല കാഴ്ചപ്പാടുകൾ (long-term insight) നൽകുന്നു. ഗ്രീൻഹൗസിലെ താപനില, ഈർപ്പം (humidity), വെളിച്ചം, തീറ്റ നൽകുന്ന നിരക്ക് (feed rates) എന്നിവ ഇതിലൂടെ ട്രാക്ക് ചെയ്യാം.
ഈ വിവിധ തലങ്ങൾ വെറും അക്കങ്ങളെ ഒരു വിവരണമാക്കി മാറ്റുന്നു. അമോണിയയുടെ അളവ് പെട്ടെന്ന് കൂടുന്നത് പ്രവചിക്കാനും തീറ്റ ക്രമീകരിക്കാനും AI ഈ വിവരങ്ങൾ ഉപയോഗിക്കുന്നു.
ഓട്ടോ-കാലിബ്രേഷൻ സൗകര്യമുള്ള ഒരു കണ്ടിന്യൂസ് pH പ്രോബ് (continuous pH probe) ടയർ 1-ലെ പ്രധാന ഉപകരണമാണ്. ഓരോ കുറച്ചു മിനിറ്റിലും pH അളവ് ലഭിക്കുന്നതിനായി ഇത് ഫിഷ് ടാങ്കിൽ സ്ഥാപിക്കാം. ദിവസേനയുള്ള സ്ട്രിപ്പ് പരിശോധനയേക്കാൾ ഇത് മികച്ചതും, രണ്ടാഴ്ചയിലൊരിക്കലുള്ള കാലിബ്രേഷനിലൂടെ കൃത്യത നിലനിർത്താനും സഹായിക്കുന്നു.
സാഹചര്യം: അടുത്ത 8 മുതൽ 12 മണിക്കൂറിനുള്ളിൽ അമോണിയയുടെ അളവ് വർദ്ധിക്കുമെന്ന് നിങ്ങളുടെ AI മോഡൽ പ്രവചിക്കുന്നു. താപനില സെൻസർ 2 ഡിഗ്രി വർദ്ധനവ് കാണിക്കുന്നു, കൂടാതെ ഫിഷ് ക്യാമറ മത്സ്യങ്ങളുടെ ചലനത്തിൽ 15 ശതമാനം വർദ്ധനവ് കാണിക്കുന്നു.
നടപ്പിലാക്കേണ്ട ഘട്ടങ്ങൾ:
pH, താപനില തുടങ്ങിയ ടയർ 1 സെൻസറുകൾ സ്ഥാപിക്കുക. വിശ്വസനീയമായ ഡാറ്റയ്ക്കായി അവയെ ഒരു LoRaWAN ഗേറ്റ്വേയുമായി ബന്ധിപ്പിക്കുക.
ടയർ 2, ടയർ 3 ലെയറുകൾ ചേർക്കുക. ഫ്ലോ സെൻസറുകളും ക്യാമറകളും ഇൻസ്റ്റാൾ ചെയ്യുക. എല്ലാ ഡാറ്റയ്ക്കും ഒരേ ടൈംസ്റ്റാമ്പ് (timestamp) ഉണ്ടെന്ന് ഉറപ്പാക്കുക.
ഡാറ്റ ഒരു എഡ്ജ് AI സർവീസിലേക്ക് (edge AI service) അയക്കുക. പ്രെഡിക്റ്റീവ് മോഡലുകൾ പ്രവർത്തിപ്പിക്കാനും ഓട്ടോമേറ്റഡ് ഡോസിംഗ് അല്ലെങ്കിൽ പമ്പ് മാറ്റങ്ങൾ വരുത്താനും ഇത് ഉപയോഗിക്കുക.
നിങ്ങളുടെ സെൻസറുകളെ മൂന്ന് തലങ്ങളായി ക്രമീകരിക്കുക: കോർ കെമിസ്ട്രി (core chemistry), ഓപ്പറേഷണൽ ഹെൽത്ത് (operational health), സ്ട്രാറ്റജിക് കോൺടെക്സ്റ്റ് (strategic context). ഇത് നിങ്ങളുടെ സിസ്റ്റം ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനായി AI-ക്ക് ആവശ്യമായ ഡാറ്റാസെറ്റ് നിർമ്മിക്കുന്നു. ടയർ 1 പ്രോബുകളിൽ നിന്ന് തുടങ്ങി, സിസ്റ്റം സുസ്ഥിരമായും കുറഞ്ഞ പരിപാലനത്തിലൂടെയും നിലനിർത്താൻ ക്രമേണ വിപുലീകരിക്കുക.
Optional learning community: https://t.me/GyaanSetuAi