Mas Ime Aut 018

CONTROL AVANZADO SOBRE UN
SISTEMA DE AIREACIÓN DURANTE

EL CULTIVO DE LANGOSTINOS
(LITOPENAEUS VANNAMEI),
USANDO MODELOS MATEMÁTICOS
PARA LA PREDICCIÓN DE OXÍGENO
DISUELTO EN ACUICULTURA
Marcos Sacasqui-Huaito
Piura, abril de 2017
FACULTAD DE INGENIERÍA
Máster en Ingeniería Mecánico-Eléctrica con Mención en Automática y
Optimización
Sacasqui, M. (2017). Control avanzado sobre un sistema de aireación durante el cultivo

de langostinos (Litopenaeus vannamei), usando modelos matemáticos para la
predicción de oxígeno disuelto en acuicultura (Tesis de Máster en Ingeniería Mecánico-
Eléctrica con Mención en Automática y Optimización). Universidad de Piura. Facultad
de Ingeniería. Piura, Perú.
CONTROL AVANZADO SOBRE UN SISTEMA DE AIREACIÓN DURANTE EL CULTIVO DE
LANGOSTINOS (LITOPENAEUS VANNAMEI), USANDO MODELOS MATEMÁTICOS PARA LA
PREDICCIÓN DE OXÍGENO DISUELTO EN ACUICULTURA
Esta obra está bajo una licencia

Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional
Repositorio institucional PIRHUA – Universidad de Piura

UNIVERSIDAD DE PIURA
FACULTAD DE INGENIERÍA
“Control Avanzado sobre un Sistema de Aireación durante el Cultivo de Langostinos

(Litopenaeus vannamei), usando Modelos Matemáticos para la Predicción de Oxígeno
Disuelto en Acuicultura”
Tesis para optar el grado de Máster en Ingeniería Mecánico-Eléctrica con mención en

Automática y Optimización.
Marcos Rogger Sacasqui Huaito

ASESOR: Dr. Ing. Edilberto Vásquez Díaz
CO-ASESOR: Dr. Ismael Sánchez Rodríguez-Morcillo
Piura, 18 de Abril de 2017

Esta tesis está dedicada a mis padres, sin ellos nunca
hubiera podido comprender la finalidad de estudiar.
Prólogo
En el Perú las empresas deberán buscar ser más competitivas reemplazando antiguos
procesos de producción por nuevas alternativas provenientes de investigaciones científicas
y tecnológicas (LIMA COP 20). En un esfuerzo conjunto del Ministerio de Energía y
Minas (MEM) y las entidades públicas y privadas (Ley N° 27345) -que se resume en
términos eficiencia energética- el Perú busca ahorrar un porcentaje de demanda energética
pretendiendo disminuir las emisiones de carbono y hacer frente al cambio climático
(Protocolo de Kioto 1997) , esta tesis es una alternativa para reducir el consumo energético
de los sistemas de aireación en las empresas acuícolas mediante el reemplazo del sistema
de control manual o temporizado, que es usado por la mayoría de empresas acuícolas del
Perú. La investigación también toma en cuenta la importancia del monitoreo de la calidad
del agua usada durante el proceso de producción y a la salida del proceso (COP21 “Pacto
del Agua”, acuerdo de París).
Las empresas acuícolas pueden ser las primeras beneficiadas del nuevo controlador que se
desarrolla en esta tesis, pero ¿cómo el uso de esta tecnología puede beneficiar al Perú? La
respuesta no es sencilla y tenemos que hacer cálculos y revisar registros de años pasados.
La acuicultura tiene varias especies cultivadas; la tesis se dirige a una especie en particular:
el langostino, pero ¿por qué?, los langostinos son una importante fuente de divisas para
Perú y al mismo tiempo se encuentran en todo el mundo (Dore & Frimodt, 1987), por lo
que si la oferta es mayor que la demanda esta fuente de divisas puede desaparecer.
Existe una variedad enorme de langostinos (Holthuis, 1980). Las especies más adecuadas
para el cultivo provienen de Penaeus Vannamei (Pacific White Shrimp) y Penaeus
Monodon (Giant Tiger Prawn). Esto hace atractivo para el mercado el langostino del norte
peruano porque pertenece a la familia Penaeus (Litopenaeus) Vannamei.
Otro motivo de elegir usar el controlador avanzado en la mejora de la producción de este
decápodo es que el langostino es considerado uno de los productos marinos más valorados.
En el año 2005 el cultivo mundial de langostinos y/o camarones produjo 10.6 billones de
dólares y el crecimiento de la producción tiene una tasa aproximada del 10% anual (WWF,
2016).
Aunque parezca increíble, este trabajo también muestra una advertencia a mediano y largo
plazo: No olvidar la competencia en el mercado internacional. Las últimas dos décadas el
crecimiento de la producción de langostino no se ha detenido y se realiza una propagación
a diversas regiones del mundo que tienen propicias condiciones para la vida del langostino:
continentes como Asia, África, Oceanía e islas como Hawái. Los países que actualmente
producen más langostinos del género Penaeus Vannamei son China, India, Indonesia,
Canadá, Estados Unidos, Groenlandia, Vietnam, Tailandia, Malasia, México y cerca de 25
países adicionales entre los que no figura Perú (Gillett, Global study of shrimp fisheries,
2008).
La mayoría de estos países no son lugares originarios de los langostinos y su cultivo se
llevó a cabo gracias a programas de selección genética (Hawái 1989-SPR-SPF) para
obtener post-larvas de alta calidad libres de agentes patógenos o resistentes a estos, lo cual
explica en gran medida la industrialización del cultivo de langostinos en Asia, Estados
Unidos y Canadá en las últimas dos décadas (Organización de las Naciones Unidas para la
Alimentación y la Agricultura, 2016).
En Perú el cultivo de langostino Litopenaeus Vannamei se ha difundido seis veces respecto
al año 2003 (aproximadamente). Debido a una fuerte demanda exportadora con Estados
Unidos como principal mercado en el 2015 se estimó la producción de 22000 Toneladas
Métricas 97% en Tumbes y 3% en Piura (Nolte, 2015); en el año 2014 el porcentaje de
cosechas de langostino fueron 83% en Tumbes y 17% en Piura (Ministerio de la
Producción, 2014).
Son todas estas cifras las cuales nos indican que el camino para mantenernos en carrera de
productores de langostinos es mejorando los procesos de producción de nuestro país,
dentro de esto, el ahorro energético de los cultivos de langostinos se entiende como
disminuir el uso de aireadores eléctricos ya que cuando los niveles de aireación conducen
al estanque a un estado saturado o casi saturado de oxígeno disuelto se excede la aireación
necesaria y por momentos (durante el inicio del día) se incurre en niveles peligrosamente
bajos de aireación, por error humano o por retraso del mando manual.
Lograr el ahorro energético implica no interrumpir el crecimiento de los langostinos,
también implica mantenerlos vivos y en óptimas condiciones, esto puede parecer tarea fácil
y no lo es; las investigaciones realizadas desde los años ochenta por numerosos científicos
americanos nos alertaron de las dificultades (control no lineal), pero también predijeron un
futuro prometedor para las tecnologías del control automático concernientes a sistemas de
aireación claro está (Boyd C. E., Pond water aeration systems, 1998) (Boyd C. E.,
Advances in pond aeration, 1996).
Quiero agradecer a mis asesores Edilberto Vasquez Diaz e Ismael Sánchez Rodriguez-
Morcillo, quienes me guiaron durante la elaboración de esta tesis y a todos aquellos que
con su apoyo han contribuido con esta obra. Así también quisiera agradecer al Consejo
Nacional de Ciencia Tecnología e Innovación Tecnológica (CONCYTEC), por otorgarme
la beca para realizar mis estudios de maestría.
Finalmente, se reconoce y agradece el financiamiento brindado por el Programa Nacional
de Innovación para la Competitividad y Productividad (Innóvate Perú), de acuerdo al
contrato 377-PNICP-PIAP-2014 cuyo aporte económico permitió la construcción y puesta
en marcha de la estación de mediciones.
Resumen
La acuicultura en el Perú es una actividad que brinda al país una fuente de divisas
importante. Para efectuar esta actividad es necesario realizar un proceso de adaptación del
langostino Litopenaeus Vannamei en raceways, posterior a esto y aproximadamente desde
los tres meses de cultivo, será confinado a los estanques de cultivo intensivo donde se
desarrollará. Esta investigación propone un nuevo tipo de control avanzado sobre los
sistemas de aireación con la finalidad de mantener el nivel adecuado de oxígeno disuelto
en los estanques de cultivo. Para este fin se implementó un sistema de mediciones y un
sistema de control avanzado: NEPSAC, este algoritmo de control usa la información
recolectada para poder minimizar el consumo energético de los motores eléctricos que usan
los aireadores por medio del modelamiento teórico del estanque. La señal de control
obtenida se valida observando la salida del sistema y el set point. En cuanto a Software se
usan soluciones libres basadas en el sistema operativo Debian y especialmente ensayadas
para microcomputadores.
Índice de Contenidos
Introducción ....................................................................................................................... 1
Capítulo I ........................................................................................................................... 3
Marco Teórico ................................................................................................................... 3
1.1. Qué es la acuicultura ........................................................................................... 3
1.2. Antecedentes de la acuicultura............................................................................ 4
1.3. El cultivo de los camarones ................................................................................ 5
1.3.1. Extensivo: ........................................................................................................ 5
1.3.2. Semi-Intensivo: ............................................................................................... 5
1.3.3. Intensivo: ......................................................................................................... 5
1.3.4. Intensivo-Laboratorio (Caso experimental): ................................................... 5
1.3.5. Súper-Intensivo: .............................................................................................. 6
1.4. El Oxígeno Disuelto en el agua .......................................................................... 7
1.5. La calidad del agua ............................................................................................. 8
1.5.1. Parámetros importantes para la acuicultura de langostinos ............................ 9
1.6. Los aireadores ...................................................................................................10
1.6.1. Aireación natural ........................................................................................... 11
1.6.2. Aireación artificial......................................................................................... 11
1.7. Control Automático y controlador ....................................................................12
1.8. Sostenibilidad del cultivo de langostinos .......................................................... 13
1.8.1. Los efluentes de cultivos de langostinos ....................................................... 13
1.8.2. Sostenibilidad y ciencia ................................................................................. 14
Capítulo II ........................................................................................................................ 17
Crecimiento de Litopenaeus Vannamei y déficit de oxígeno disuelto ............................ 17
2.1. Análisis del crecimiento del Litopenaeus Vannamei en Piura ............................. 17
2.2. Análisis del déficit de oxígeno disuelto durante los cultivos ............................... 21
I
2.3. Respuestas del langostino ante variaciones del oxígeno disuelto ........................ 24
2.3.1. El experimento de Walker ............................................................................ 24
2.3.2. Materiales y métodos usados en el experimento de Walker ......................... 25
2.3.2.1. El sistema de respirometría experimental .................................................. 26
2.3.2.2. Análisis estadístico..................................................................................... 26
2.3.2.3. Resultados: ................................................................................................. 26
2.3.2.4. Conclusiones del experimento de Walker.................................................. 28
Capítulo III ...................................................................................................................... 29

Teoría del Modelamiento ................................................................................................ 29
3.1. Definiciones de modelamiento ............................................................................ 29
3.2. Modelos y Sistemas ............................................................................................. 29
3.3. Modelado ............................................................................................................. 30
3.3.1. Modelos......................................................................................................... 31
3.3.2. Definición de los modelos por color de caja ................................................. 34
3.3.3. Modelos estáticos y dinámicos ..................................................................... 35
3.4. Definición de los modelos Biológicos, aplicado a acuicultura ............................ 36
Capítulo IV...................................................................................................................... 39
Modelamiento del sistema estanque de Cultivo- sistema de aireación ........................... 39
4.1. Modelación de Sistema: cultivo de langostinos y consumo de oxígeno disuelto 39
4.2. Modelo Matemático ............................................................................................. 40
4.3. Ecuaciones Matemáticas de la Producción y Consumo de Oxígeno Disuelto..... 42
4.3.1. Producción de oxígeno disuelto por fotosíntesis .......................................... 42
4.3.2. Producción de oxígeno disuelto por agitación .............................................. 43
4.3.3. Consumo de oxígeno disuelto por respiración de peces ............................... 44
4.3.4. Consumo de oxígeno disuelto por respiración de langostinos ...................... 44
4.3.5. Consumo de oxígeno disuelto por respiración de fitoplancton ..................... 45
4.3.6. Nitrificación .................................................................................................. 46
4.3.7. Respiración de sedimentos ............................................................................ 46
4.3.8. Respiración de la columna de agua ............................................................... 47
4.3.9. Oxígeno Disuelto en agua entrante y en agua saliente ................................. 47
4.3.10. Modelo del crecimiento de los peces usado para modelar el crecimiento de
los langostinos ......................................................................................................... 48
Capítulo V ....................................................................................................................... 51
Control Avanzado para el Aireamiento ........................................................................... 51
5.1. Control Avanzado Predictivo Basado en el Modelo del Proceso ......................... 51
5.2. Consideraciones de aireación para estanques de Cultivo .....................................52
5.2.1. Definición de Set Point para los cultivos: ..................................................... 53
5.3. Control no lineal auto-adaptativo de predicción extendida ..................................53
5.3.1. Tipo de modelo requerido para la ejecución del algoritmo NEPSAC ........... 56
5.3.2. El Controlador Predictivo NEPSAC.............................................................. 57
5.3.3. Conclusión Del Algoritmo NEPSAC: ........................................................... 61
5.4. Puesta en Marcha del Control NEPSAC sobre la aireación de un estanque de
langostinos ................................................................................................................... 61
5.4.1. Consideraciones básicas de la simulación ..................................................... 61
5.5. Comparación de resultados de los diferentes set-point probados ......................... 62
5.5.1. Comportamiento del Modelo de estanque Sin Control .................................70
5.6. Conclusiones......................................................................................................... 70
Capítulo VI ...................................................................................................................... 71
Implementación ............................................................................................................... 71
6.1. Antecedentes de estaciones de medida .................................................................71
6.2. Desarrollo de la estación de medida y control ...................................................... 73
6.2.1. Componentes de la estación de medida y control ......................................... 74
6.2.2. Construcción de la estación de medición y control ....................................... 78
6.2.3. MARK SCADA V0.1 .................................................................................... 81
6.3. Resultados............................................................................................................. 83
Conclusiones.................................................................................................................... 85
Referencias ...................................................................................................................... 87
Anexo A........................................................................................................................... 91
Programación MATLAB .................................................................................................91
A1. Funciones Requeridas ........................................................................................... 91
A2. Modelo Dinámico .................................................................................................98
A3. Modelo del sistema para la simulación .................................................................99
A4. Control NEPSAC SISO sin restricciones ........................................................... 101
III
Lista de Figuras:
Figura 1. Cultivos Extensivos. ............................................................................................ 5
Figura 2. Cultivo intensivo en Eco-acuícola Piura. Fuente: Ing. Gustavo León ................ 6
Figura 3. Cultivos intensivos en Vietnam. .......................................................................... 6
Figura 4. Relación crecimiento langostino y demanda de oxígeno disuelto....................... 7
Figura 5. Aireador Paddle wheel en Ecoacuícola Piura ................................................... 11
Figura 6. Aireador de turbina vertical ............................................................................... 11
Figura 7. Difusor de burbujas (Burbujeador) .................................................................... 11
Figura 8. Un ejemplo de almacenamiento del agua para prevenir descargas potenciales. 14
Figura 9. Componentes de la ciencia de la conservación ................................................. 15
Figura 10. Boxplot para el crecimiento de los langostinos en los 515 estanques cultivados.
........................................................................................................................................... 19
Figura 11. Ajuste polinómico de la curva de crecimiento basado en medianas de las
mediciones. ....................................................................................................................... 20
Figura 12. Déficit del DO durante el cultivo intensivo de Litopenaeus Vannamei en Piura
(Área Circular Verde) ....................................................................................................... 23
Figura 13. Tanque de N2 y columnas de agua para la desgasificación del oxígeno disuelto:
B y G indican la entrada y salida de agua respectivamente, las flechas indican la dirección
del movimiento para el nitrógeno y el agua respectivamente de acuerdo al diagrama, la
imagen es un esquema lateral. .......................................................................................... 25
Figura 14. Routine Metabolic Rate contra peso húmedo de los langostinos, durante los
cuatro tratamientos ............................................................................................................ 27
Figura 15. Limiting Oxygen concentration contra peso húmedo de los langostinos,
durante los cuatro tratamientos ......................................................................................... 28
Figura 16. Marginal Metabolic Scope contra peso húmedo de los langostinos, durante los
cuatro tratamientos ............................................................................................................ 28
Figura 17. La misma gráfica representa la data observada y la data generada por el
modelo............................................................................................................................... 31
Figura 18. Un modelo conceptual de oxígeno disuelto en estanques basado en balance de
masas. ................................................................................................................................ 36
Figura 19. Modelo Conceptual: En la imagen se puede observar los flujos producidos y
consumidos de oxígeno disuelto especial cuidado con la acción fotosintética de las algas.
........................................................................................................................................... 39
Figura 20. Midwater Respirometry System (MRS) Respirómetro y Grúa capaces de
realizar mediciones en el habitat natural de los animales acuáticos, un respirómetro es el
instrumento usado en estudio de la respiración de los langostinos asi como de otros
animales. ........................................................................................................................... 45
Figura 21. Requerimiento de la metodología MBPC; el modelo matemático del proceso a
controlar. ........................................................................................................................... 51
Figura 22. Comportamiento aproximado del oxígeno disuelto en un Estanque de Cultivo
de especies marinas. .......................................................................................................... 52
Figura 23. Distribución del oxígeno disuelto en un tanque circular de peces, con entrada y
salida de agua de orden 6.3L.h-1, el área sombreada es la ubicación de los peces en el
momento de las mediciones .............................................................................................. 53
Figura 24: Modelo matemático usado por EPSAC. .......................................................... 54
Figura 25. Comparación salidas. ....................................................................................... 55
Figura 26. Salida a entrada individual a+b ........................................................................ 55
Figura 27. Salida a entrada individual b ............................................................................ 55
Figura 28. Salida a entrada individual a ............................................................................ 55
Figura 29. Esquema de entradas y salidas del Modelo Matemático para la prueba de
superposición. Fuente: Elaboración propia. ...................................................................... 55
Figura 30. Esquema paralelo ............................................................................................. 56
Figura 31. Esquema serie paralelo, la flecha indica el cambio a esquema paralelo. ......... 56
Figura 32. Esquema de estrategia de control MBPC general. ........................................... 57
Figura 33. Esquema de Controlador MBPC para algoritmo EPSAC ................................ 58
Figura 34. Estructura del control predicho, respecto a tiempos de bucle. ......................... 59
Figura 35. Entradas y salidas del modelo matemático sim_model_mark. ........................ 63
Figura 36. Salida horaria del proceso (1 día)..................................................................... 64
Figura 37. Control horario del proceso (1 día). ................................................................. 64
Figura 38. Salida horaria del proceso (Todo el cultivo). ................................................... 65
Figura 39. Control horario del proceso (Todo el cultivo).................................................. 65
Figura 42. Salida horaria del proceso (Todo el cultivo). ................................................... 67
Figura 46. Salida de proceso, consigna=8mg/L, resultado durante el periodo de cultivo. 69
Figura 48. Salida horaria del proceso, sin control (Todo el cultivo). ................................ 70
Figura 49. Sensor de oxígeno disuelto, micro controlador y Buffer de prueba. ................ 74
Figura 50. Sensor de pH. Fuente: Atlas Scientific. ........................................................... 74
Figura 51. Sensor de Temperatura, micro controlador y conector BNC. Fuente: Atlas
Scientific. ........................................................................................................................... 74
Figura 52. Raspberry Pi III, incluye case para protección y disipadores de calor producido
por el micro procesador. .................................................................................................... 76
Figura 53. Arduino Genuino MEGA. ................................................................................ 76
Figura 54. Reloj digital con pila compatible con Arduino. ............................................... 76
Figura 55. Relé de estado sólido, entradas DC de 3-32V y salidas de tensión alterna de
24 a 380V. ......................................................................................................................... 77
Figura 56. Aireador de difusor, tensión alterna 220V. ...................................................... 77
Figura 57. Visita del autor a Eco-acuícola Piura, en el fondo se ve un estanque de cultivo.
........................................................................................................................................... 78
Figura 58. Armazón de melamina sin panel frontal, debajo del armazón el acuario. ....... 78
Figura 59. Sensores empleados, disposición física final ................................................... 79
Figura 60. Estación de medición, versión final ................................................................. 79
Figura 61. Vista del panel frontal, explicado: el SCADA ................................................. 80
Figura 62. Los actuadores: difusores ................................................................................. 80
Figura 63. Implementación del lazo de control ................................................................. 81
Figura 64. Detalles del SCADA ........................................................................................ 82
Figura 65. Set point (referencia) y Salida del sistema superpuestos, set point=6.2 mgO2L-1
........................................................................................................................................... 83
Figura 66. Señal de control elaborada por NEPSAC ........................................................ 83
V
Figura 67. Resultados del Control On-Off, set point=6.37 mgO2L-1 ................................ 83
Lista de Tablas
Tabla 1. Variables de calidad de agua y ambiente monitoreados ...................................... 8

Tabla 2. Métodos de medición de los parámetros físico químicos en estanques ............... 9
Tabla 3. Análisis típico de la agua salina usada en los cultivos de marine shrimp (Pacific
White Shrimp) ................................................................................................................... 13
Tabla 4. Ejemplos de disciplinas fisiológicas .................................................................. 15
Tabla 5. Estadística descriptiva para la interpretación de la gráfica de crecimiento ....... 17
Tabla 6. Estadística Descriptiva para el análisis semanal del déficit de DO en los cultivos
de langostinos.................................................................................................................... 21
Tabla 7. Exposiciones letales del Pacific White Shrimp a situaciones de hipoxia........... 24
Tabla 8. Redistribución de langostinos para asegurar el manejo de los individuos......... 26
Tabla 9. Mediciones de calidad del agua durante los experimentos. ............................... 27
Tabla 10. Media de crecimiento durante los 30 días y supervivencia ............................. 27
Tabla 11. Información usada para la creación de Yoptimizado e Y base ........................ 58
Tabla 12. Comportamiento del Controlador NEPSAC: Set Point Bajo ........................... 64
Tabla 13. Comportamiento del Controlador NEPSAC: Evaluación durante todo el
periodo de cultivo ............................................................................................................. 65
Tabla 14. Comportamiento del Controlador NEPSAC: Set Point Mediano .................... 66
Tabla 16. Comportamiento del Controlador NEPSAC: Set Point Alto ........................... 68
Tabla 18. Estudio de las estaciones de medición ambientales ......................................... 71
Tabla 19. Datos de sensores Fuente: Elaboracion propia ............................................... 74
Tabla 20. Datos de cables de comunicación .................................................................... 75
Tabla 21. Carriers de data ................................................................................................ 75
Tabla 22. Microcomputador e interface de control .......................................................... 75
Tabla 23. Armazón y cubierta protectora......................................................................... 77
Tabla 24. Tarjeta de Red .................................................................................................. 77
Tabla 25. Actuador eléctrico ............................................................................................ 77
1
Introducción
La presente investigación consiste en la aplicación de un control avanzado sobre un

sistema de cultivo de langostinos orientado al uso en empresas acuícolas. El control
avanzado requiere un horizonte temporal de predicción de la salida del sistema, por esta
razón se ha implementado un modelo matemático que predice los niveles de oxígeno
disuelto durante los días que dura el cultivo y hasta la cosecha. La simulación se realizó
sobre el software MATLAB con el objetivo de averiguar el óptimo valor del horizonte de
predicción y horizonte de control. La implementación se realizó en laboratorio L-41
(Electrotecnia-IME) usando el programa PYTHON que ejecuta el control predictivo
seleccionado: NEPSAC (Non linear Extended Prediction Self Adaptive Control).
El proceso de aireación del agua es estable. Es posible aplicar un control tipo proporcional,
integrativo y derivativo lo que sería equivalente a usar temporizadores para el arranque de
los actuadores: los aireadores ya que el control PID realiza un seguimiento de la referencia
en el mismo instante de tiempo que detecta la salida y considerando que los estanques
tienen un tiempo de retardo dependiendo de su tamaño, su acción de control no será
correcta para el tiempo en el que fue calculado. En cambio un control de tipo NEPSAC
puede programarse para realizar un control en función de los valores futuros de la salida lo
que es beneficioso pues puede ignorar el tiempo de retraso y de ser implementado en
sistemas reales, permite usar la energía eléctrica eficientemente.
La tesis está dividida en 6 capítulos. Los capítulos 1, 2, 3 son teóricos y los capítulos 4, 5,
6 abarcan la modelación, el control y la implementación respectivamente.
Capítulo 1: Introducción a la acuicultura, el cultivo de langostinos, los aireadores y
controladores
Capítulo 2: Análisis de estudios realizados para comprender la respiración de los
langostinos, los límites máximos y mínimos tolerables de oxigenación del agua
Capítulo 3: Alternativas de modelamiento de los procesos, guía para la modelación de
estanques de acuicultura
Capítulo 4: Modelamiento matemático del oxígeno disuelto en los estanques de cultivo
intensivos
Capítulo 5: Simulación del control avanzado usando el modelo matemático anterior.
Capítulo 6: Implementación del control avanzado en laboratorio, validación de hipótesis.
2
3
Capítulo I
Marco Teórico
1.1. Qué es la acuicultura
La acuicultura es entendida como el cultivo de organismos acuáticos incluidos peces,

moluscos, crustáceos y plantas acuáticas.
Este tipo de cultivo implica alguna forma de intervención en la crianza para mejorar la
producción, como la alimentación y la protección contra depredadores, además, la
acuicultura hace que el cultivo pertenezca a un individuo o una empresa. Los organismos
acuáticos cosechados por estos individuos o empresas, para propósito de estadísticas,
pertenecen a la acuicultura y aquellas cosechas realizadas sobre recursos naturales de
propiedad común con o sin la licencia apropiada son llamadas pesquería.
La actividad de usar redes para atrapar peces también es conocida como pesquería. Una de
sus características es que la especie pescada va desapareciendo. A diferencia de esto los
criaderos de peces o crustáceos pueden ser usadas para repoblar lagos o ríos, esto último se
considera acuicultura.
La hidroponía que es el cultivo de plantas con las raíces expuestas a soluciones con
nutrientes en lugar de terreno fértil, no es acuicultura; la hidroponía es un método alterno
para hacer crecer plantas terrestres (Lucas, 2012).
Las actividades habituales que constituyen la acuicultura (FAO, 2006)
 Criadero de postlarvas y alevines, etc.
 Almacenamiento en estanques, jaulas, canalizaciones, presas o represas con peces
silvestres capturados o juveniles para su crianza hasta que lleguen al tamaño de
venta
 Cultivos de estanques de mareas privados
 La crianza de moluscos hasta tamaño de mercado
 Cultivo de peces en arrozales
 Recolección de algas plantadas o suspendidas
 Cultivos en lagunas costeras.
4
1.2. Antecedentes de la acuicultura
La acuicultura se desarrolló mucho tiempo después que la agricultura (alrededor de 9500

años). La carpa común de China (Cyprinus carpio) fue una de las primeras especies
acuáticas domesticadas, es posible que debido a esto uno de los primeros libros de
acuicultura se atribuyera a un político chino llamado Fan Lei con fecha 500 A. C. Fan Lei
atribuyó su riqueza a sus estanques de cultivo, razón por la cual su cultivo de peces fue
más que un hobby, de cualquier modo, la acuicultura no fue practicada en América, África
y Australia hasta las recientes centurias (Lucas, 2012).
Los seres humanos somos habitantes terrestres que no tomamos importancia de los
pequeños cambios en nuestro medio ambiente, esta quizás sea la razón por la cual no fue
practicada en los continentes mostrados. Entre los cambios ambientales más importantes
que se dan en el agua tenemos:
 Muy baja solubilidad del oxígeno en el agua

 Gran solubilidad de CO2 en el agua
 pH
 Salinidad
 Nutrientes disueltos
 Moléculas contaminantes de Nitrógeno
 Turbidez
 Metales pesados y soluciones tóxicas
 Concentraciones de fitoplancton y zooplancton
 Velocidad de las corrientes de agua.
Estos pueden ser medidos con instrumentación moderna, uno de los objetivos de esta tesis.
El rápido crecimiento de la producción acuícola es llamada Blue Revolution, este

crecimiento es similar a la denominada Green Revolution, ocurrida en la agricultura
después de la segunda guerra mundial. La Blue Revolution, ha tenido un crecimiento
exponencial durante las dos décadas desde 1987 hasta 2007 cuyas fuentes han sido la
producción de organismos acuáticos en agua dulce y acuicultura marina.
Los dos tercios de la producción acuícola mundial en el 2007 fueron hechos por China,
además, la mayor parte de la producción acuícola ocurrió en sistemas de agua dulce por lo
que sería apropiado decir la Brown Revolution en lugar de Blue Revolution.
Finalmente, se ha visto que en la actualidad las nuevas especies cultivables como el

pangasid (pez) o el whiteleg shrimp (Camarón) son ejemplos potenciales para nuevas
industrias de producción acuícola. En Piura, whiteleg shrimp es el camarón preferido para
los cultivos de acuicultura.
5
1.3. El cultivo de los camarones
En un inicio el camarón giant tiger prawn o black tiger prawn (Penaeus Monodon) fue la
especie cultivable preferida, por ello no es ajeno que al revisar las estadísticas el término
prawn hace referencia a algunas especies de camarones marinos, mientras que la familia
del whiteleg shrimp (Litopenaeus Vannamei) es identificada como marine shrimp o
simplemente camarón marino o langostino en Perú. En el año 2007 el cultivo de giant tiger
prawn cayó estrepitosamente frente al cultivo de whiteleg shrimp. Debido a este suceso
estos cultivos se volvieron populares en Perú. De este animal acuático existen varios tipos
de cultivos: extensivo, semi-intensivo, intensivo, súper-intensivo como se explica a
continuación
1.3.1. Extensivo: Se dan en lugares inter-mareales y su superficie es de geometría

irregular (Fig. 1), con uso del agua de mar intercambiada por mareas altas, las
superficies usualmente son de 100 000-50 000 m2 con profundidades de 1 m en
promedio, carentes de aireación artificial con requerimientos de alimentación una
vez por día, usando semilla de incubadoras la densidad obtenida es
aproximadamente 4-10 Post Larvas/ m2.
Figura 1. Cultivos Extensivos.

Fuente: Briggs, M.
1.3.2. Semi-Intensivo: Con profundidades de 1m en promedio, el agua es cambiada por

bombeo, la alimentación es de apoyo aparte de la fertilización del estanque en
ocasiones se usa la aireación, tiene densidades de cultivo de 10-30 Post Larvas/ m2,
superficies usadas de 50 000-10 000 m2.
1.3.3. Intensivo: El terreno puede incluir membranas de recubrimiento, la profundidad

puede ser mayor a 1.5m, se requiere de aireación continua aproximadamente 1
HP/400-600 Kg por langostino cosechado (Fig. 2), las superficies usadas son 10
000-1 000 m2, tiene densidades de cultivo de 60-300Post Larvas/ m2.
1.3.4. Intensivo-Laboratorio (Caso experimental): Para la implementación del

controlador avanzado se requiere un estanque para nuestro caso es usado un acuario
6
rectangular de 70 L, la profundidad es de 30 cm, se requiere de aireación no

continua 4 W/25 g por langostino cosechado, las superficies usadas son 1 000-1
500 cm2, posee langostinos ya adaptados al agua dulce.
Figura 2. Cultivo intensivo en Eco-acuícola Piura.

Fuente: Ing. Gustavo León
1.3.5. Súper-Intensivo: Desarrollado por primera vez en Estados Unidos, consiste en el

uso de canales de flujo rápido (Fig. 3), superficie de 282 m2 con una densidad de
300-450 juveniles/ m2.
Figura 3. Cultivos intensivos en Vietnam.

Fuente: Aquatec-2Lua
En la actualidad la tendencia es hacia un cultivo de langostinos respetuoso del medio

ambiente para una producción sostenible (Gillett, Global study of shrimp fisheries, 2008),
sin efectos secundarios ni contaminación ambiental, teniendo en cuenta que esta actividad
es fuente de ingresos para familias. Conocer que tipo o técnica de cultivo es adecuado para
un terreno disminuirá costos de producción, mediante el ahorro en aireación y dieta
alimenticia de los langostinos ya que ambos son factores que inciden en el costo de
producción paralelamente a la eficiencia de cada técnica y a su compatibilidad con el
territorio disponible.
7
Durante el cultivo, el parámetro del agua que se monitorea continuamente es el oxígeno

disuelto, porque su agotamiento puede producir la muerte de los langostinos.
1.4. El Oxígeno Disuelto en el agua
El mantenimiento de un nivel adecuado de oxígeno disuelto en el agua del estanque es muy

importante para el crecimiento y la supervivencia de camarones. Prolongar la exposición al
estrés de baja concentración de oxígeno disminuye su resistencia a las enfermedades e
inhibe su crecimiento. En la mayoría de los casos, el agotamiento de oxígeno disuelto
resultó en una mortalidad masiva (por anoxia) de camarones. Esto es particularmente
común en la operación de cultivo intensivo.
El oxígeno disuelto en el agua del estanque proviene de dos fuentes. La mayor parte
proviene como un subproducto de la fotosíntesis (Fig. 4). La otra fuente es de la difusión
de aire atmosférico. La cantidad de oxígeno disuelto en el agua del estanque se ve afectada
por muchos factores, sobre todo la temperatura del agua, la respiración y el nivel de
materia orgánica. En el estanque de camarón tropical, el nivel de oxígeno disuelto en el
agua es normalmente bajo debido a la temperatura más alta.
Viento
Radiación
solar
O2
O2
O2 O2
O2 Crecimiento Fitoplancton
(Consumo O2) Fotosíntesis
O2 (Producción O2)
Sedimentos
Figura 4. Relación crecimiento langostino y demanda de oxígeno disuelto

Fuente: Elaboración Propia
Durante el día, más oxígeno se produce a través de la fotosíntesis, que lo retirado del agua
por la respiración de los animales. Por la noche, tanto plantas como animales continúan
respirando mientras que el oxígeno se añade al agua sólo de la atmósfera. En algunos
casos, la demanda respiratoria bajo ciertas circunstancias puede causar el agotamiento total
de oxígeno, especialmente al amanecer causando anoxia de los animales cultivados.
El agotamiento de oxígeno disuelto en el estanque puede ser controlado por las siguientes
medidas:
 El intercambio de agua a través de la renovación del agua del estanque con agua
fresca, ya sea por el flujo de las mareas o el bombeo.
 La instalación del sistema de aireación.

8
 En el diseño de la disposición de estanque, es esencial tener en cuenta la máxima

utilización del medio ambiente natural de mantener un mayor contenido de oxígeno
disuelto en el agua del estanque, tal como:
o Orientación del eje mayor de la charca con el viento predominante
o Construcción de estanque más grande para permitir un mayor contacto de la
superficie del agua con el aire atmosférico
o Promover la acción del viento sobre el estanque para facilitar el movimiento
del agua y la difusión de oxígeno
o Evitar la plantación de árboles en los diques.
El control de niveles de oxígeno disuelto (en adelante se usará DO, por sus siglas en
inglés) se realiza en la acuicultura de acuerdo a un horario pre-establecido. No es el único
de los indicadores de calidad del agua que se mide durante la crianza de los langostinos
(whiteleg shrimp), existen otros, por ejemplo: dióxido de carbono, salinidad del agua,
niveles de nitritos y nitratos, entre otros.
1.5. La calidad del agua
Para esta tesis las variables de calidad de agua más importantes que se han de medir fueron
DO y pH (Potencial hidrogenión). La temperatura del agua, que es un valor determinado
por el medio ambiente también fue medida (Tabla 1).
Tabla 1. Variables de calidad de agua y ambiente monitoreados
Variables de Calidad del Agua Función
Usado para la oxidación de las proteínas, hidratos de carbono y

grasas en el agua y llevado a cabo de manera natural por la
presencia de bacterias, también permite la liberación de energía
Oxígeno disuelto (mg/L) empleada para las funciones vitales de los seres. Si el nivel de
oxígeno no es suficiente para el ecosistema, las plantas desdoblarán
la fructosa y la glucosa en anhídrido carbónico y alcohol, o sea que
en poco tiempo, sus células morirán.
Permite la aparición de ciertos procesos químicos, es decir dado su

carácter logarítmico permite conocer las reacciones químicas
ocurridas. Es un indicador de acidez y alcalinidad del agua. El pH
pH
también influye en la toxicidad de amoniacos y nitritos que son
residuos acuáticos comunes, que en los peces puede afectar a la
reproducción y al crecimiento.
Variable Ambiental Función

La temperatura modifica drásticamente el
Temperatura (ºC), (Modifica los
nivel de oxígeno disuelto que puede
indicadores anteriores)
contener un estanque y pH
Fuente: Elaboración Propia
9
Los estanques de cultivo reales tienen monitorizados más parámetros de calidad del agua
(Tabla 2), como lo son el amonio en el agua, nitratos, salinidad que influyen en el
crecimiento de los langostinos, el uso de sensores no es el único método de medición.
Tabla 2. Métodos de medición de los parámetros físico químicos en estanques

Parámetros Método de medición Aspectos resaltables
Un procedimiento tradicional, que generalmente se lleva a cabo en el
Método de valoración Winkler
laboratorio.
Oxígeno disuelto Esto implica el uso de un medidor portátil DO para uso en campo. Es
Método polarográfico confiable y preciso. Es importante calibrar utilizando los datos obtenidos
del método Winkler.
Esto utiliza medidores de pH portátiles que están estandarizados usando
Método electrométrico
soluciones tampón estándar. Da resultados precisos.
pH Método colorimétrico Las muestras se comparan con soluciones de colores de pH conocido.
No da valores precisos pero suficiente para la supervisión inicial rápida en
Método de papel Ph
el campo.
Método Nesslerization Ampliamente método utilizado para muestras de agua pero tedioso.
Ammonio/Nitrógeno totales.
Método Phenate Es menos engorroso que Nessler. Rápido y preciso.
Nitrato Método de la reducción de cadmio Bastante engorroso, pero confiable.
Fuente: Organización de las Naciones Unidas para la Alimentación y la Agricultura
1.5.1. Parámetros importantes para la acuicultura de langostinos

Los siguientes parámetros son monitorizados en las empresas acuícolas de manera diaria
1.5.1.1. Salinidad: Los langostinos más jóvenes parecen tolerar una amplia fluctuación de
salinidad que los adultos, sin embargo existe un proceso de adaptación al agua
dulce que convierte este parámetro irrelevante en nuestro estudio (Fao.org).
1.5.1.2. pH: El pH del agua del estanque es indicativo de su fertilidad o la productividad

potencial. El agua con un pH que varía desde 7,5 hasta 9,0 se consideran
generalmente como adecuados para la producción de camarones. El crecimiento de
los camarones se retarda si el pH cae por debajo de 5,0. El agua con un pH bajo
puede ser corregido mediante la adición de cal para neutralizar la acidez.
El agua de alcalinidad excesiva (valores de pH> 9,5) también puede ser perjudicial
para el crecimiento y la supervivencia de camarones. En los estanques que son
excesivamente ricas en fitoplancton, el pH del agua del estanque por lo general
supera 9,5 durante la tarde. Sin embargo, al amanecer, el pH es generalmente más
bajos. El crecimiento excesivo de plancton se puede corregir mediante el
intercambio de agua.
1.5.1.3. Compuestos nitrogenados: El nitrógeno en el estanque existe en diferentes
formas, tales como nitrato, nitrito, amonio y diversas formas de nitrógeno orgánico.
rangos orgánicos de nitrógeno a partir de compuestos disueltos relativamente
simples, tales como aminoácidos a partículas de materia orgánica compleja. El
nitrógeno se produce en el barro en la misma forma que existe en el agua. En las
actividades de cultivo en estanques, el nitrógeno amoniacal (en forma de amoniaco
no ionizado) se considera importante, ya que este compuesto es tóxico para los
animales acuáticos en ciertas concentraciones. Los iones de amonio, que es otra
10
forma de nitrógeno amoniacal es inofensivo, excepto a concentraciones

extremadamente altas. El nitrógeno-amoníaco es un producto de metabolismo de
los peces y la descomposición de la materia orgánica por bacterias. El pH y la
temperatura del agua de regular la proporción de amoníaco total, que se produce en
forma no ionizada. La mayor concentración de nitrógeno amoniacal total
generalmente ocurre después del pico de floración de fitoplancton cuando la
mayoría de ellos murieron. El pH del agua es baja debido a la alta concentración de
dióxido de carbono. Los estudios han demostrado que la exposición a la
concentración de amoniaco de 0,45 mg NH3 -N / 1 litro reduciría el crecimiento del
camarón por 50%.
1.5.1.4. Temperatura: La temperatura del agua juega un papel muy importante en la

regulación de las actividades de los animales cultivadas. La velocidad de las
reacciones químicas y biológicas se dice que duplicará cada 10 ° C de temperatura.
Esto significa que los organismos acuáticos utilizarán oxígeno disuelto dos veces
más y las reacciones químicas progresarán dos veces más rápido a 30 ° C a 20 ° C.
Por lo tanto, se deduce que el oxígeno disuelto requisito de especies acuáticas es
superior en más caliente que en agua fría.
Muchas especies de peneidos son especies tropicales o subtropicales. La
temperatura óptima es de alrededor de 25-30 ° C y por lo tanto muchas de las
especies tales como P. indicus, P. monodon y P. merguiensis pueden cultivarse
durante todo el año, mientras que P. japonicus y P. orientalis se limitan a las
estaciones de verano en crecimiento solamente.
1.5.1.5. Sulfuro de hidrógeno: El sulfuro de hidrógeno puede afectar gravemente el
crecimiento del camarón en el estanque. H2S se produce por reducción química de
la materia orgánica que se acumula y forma una capa gruesa de depósitos orgánicos
en la parte inferior. El suelo del fondo se vuelve negro y un olor a podrido se
descarga si se le molesta. Los altos niveles de sulfuro de hidrógeno afectarían
directamente camarones demersales o de madriguera como P. monodon. A niveles
de 0,1 hasta 0,2 ppm en el agua, los camarones aparecen a la pérdida de su
equilibrio y mueren al instante a una concentración de 4 ppm.
El uso de óxido de hierro (óxido de hierro 70%) para tratar el suelo inferior que
contiene altos niveles de H2S no sería económico. Los medios más baratos es por
intercambio frecuente de agua para evitar la construcción de H2S en el estanque.
1.6. Los aireadores
Los medios usados para producir o inyectar oxígeno disuelto en el agua se denominan
aireadores, pueden ser naturales: como los organismos con clorofila (fitoplancton) o
pueden ser máquinas creadas por el hombre y basados en principios físicos de
transferencia de gases como las turbinas de rio.
11
1.6.1. Aireación natural
La aireación natural o producción de oxígeno disuelto de manera natural en el mundo. Se

realiza principalmente por el fitoplancton, el mismo que en el mar forma agrupaciones
debido al fenómeno “Bloom”. El Bloom es el crecimiento explosivo de la población de
fitoplancton llegando a cubrir cientos de kilómetros cuadrados y llegando a ser visible
desde satélite. Aunque el fitoplancton solo vive unos días, estas poblaciones pueden durar
muchas semanas (Lindsey & Scott, 2010).
1.6.2. Aireación artificial
Como se ha visto la oxigenación del agua -también llamada aireación en esta tesis-, es un
proceso de importancia para la vida acuática y terrestre. De manera artificial, la aireación
se realiza mediante dispositivos físicos que buscan inyectar, de manera forzada, oxígeno en
el agua. Esta actividad tiene diferentes usos por ejemplo en plantas de tratamiento de agua
(Wallace, Champagne, & Hall, 2016) o estanques de estabilización (WSP del inglés water
stabilization plants), todas estas actividades controlan el parámetro oxígeno disuelto.
Para la crianza de los langostinos se necesita mantener concentraciones de DO por encima

de 3-4mg/L. Estos valores suelen ocurrir en las mañanas. Para prevenir estas bajas
concentraciones se debe recurrir a la aireación mecánica o los comúnmente denominados
“aireadores”.
Mecánicamente existen dos métodos para incrementar la difusión del aire sobre el agua: el
agua puede ser agitada y lanzada al aire esto incrementa la superficie de contacto y acelera
la difusión o mediante las burbujas inyectadas al agua que mediante el mismo principio
permiten que el aire se difunda en el agua. Los aireadores pueden llevar el agua hasta
niveles súper-saturados, niveles en los cuales el oxígeno disuelto va del agua hacia el aire.
En adición a los aireadores se deben usar circuladores de agua, que permiten la movilidad
de zonas oxigenadas a todo el estanque. Esta acción permite incrementar la eficiencia de la
transferencia de oxígeno.
Existen muchos tipos de aireadores mecánicos, los denominados paddle wheel aerators
(Fig. 5-6-7), los aireadores de turbinas verticales y los difusores de burbujas.
Figura 5. Aireador Paddle wheel en Figura 6. Aireador de turbina Figura 7. Difusor de burbujas
Ecoacuícola Piura vertical (Burbujeador)
Fuente: Ing. Marcos R.Sacasqui Fuente: Jhon S. Lucas Fuente: Ing. Marcos R.Sacasqui
12
Los aireadores tienen una magnitud llamada eficiencia estándar de aireación (Standar
aeration efficiency, SAE) que es la cantidad de DO transferido por caballo de fuerza
(1hp=0.75 kW) en una hora. Los valores típicos de SAE van desde 1 a 2 kg de
oxígeno/hp/h (Lucas, 2012), SAE es medido para 20º C desde 0 mg/L de oxígeno en agua
limpia. Durante la operación en un estanque cuyos valores de DO son de 3-4mg/L la tasa
de transferencia de oxígeno disuelto será 40-50% del SAE.
La experiencia sugiere que la producción puede aumentar cerca de 400 kg por cada caballo
de fuerza adicional empleado en aireación. Si tenemos una producción sin aireación de
1500 kg/ha, para incrementar esa producción hasta 3500 kg/ha requeriremos 9 hp/ha
(aproximado al entero). Es una buena práctica sobredimensionar esto en un 50%, con lo
cual tenemos 14 hp/ha requeridos (Lucas, 2012).
Los estudios también sugieren que en el caso de los langostinos es necesario una buena
localización de los aireadores de modo que permitan distribuir eficientemente el oxígeno
en el estanque, a las vez que favorezcan la circulación del agua, a diferencia de los
estanques de peces, donde los aireadores pueden estar en una sola línea.
1.7.Control Automático y controlador
El desarrollo del control automático empezó con la necesidad de dispositivos capaces de

cuantizar el tiempo (relojes) o mantener una orientación (guías) por los años 300 A. C. por
griegos, árabes y chinos. Posteriormente fueron desarrollados los reguladores de velocidad
centrífugos o mecánicos hechos para las máquinas de vapor de James Watt en 1728 a la
vez fueron sentadas las bases del control clásico con teorías de Minorsky, Hazen y
Nyquist, quienes lograron avances en estabilidad del control de sistemas. Hacia los años
1955 transcurrieron los periodos pre-clásico y clásico del control con el uso de técnicas de
sintonización como las de Nichols-Ziegler y controladores lineales del tipo PID
(Proportional Integrative Derivative). Durante este periodo también fueron desarrolladas
las técnicas de respuesta en frecuencia y lugar de raíces para la sintonización de
controladores PID. Entre los años 1960 y 1980 en pleno periodo de control moderno se
investigó a fondo la teoría del control óptimo ya que los controladores previos no eran
óptimos desde algún criterio en específico aunque lograban su cometido.
Posteriormente a este periodo las industrias necesitaban el control de procesos complejos y
no lineales con muchas entradas y muchas salidas, cosa que los muy usados PID no
pudieron hacer adecuadamente y que fue resuelto mediante el empleo de los controladores
hizo que se acuñaran nuevas técnicas de control denominadas “control avanzado”.
El control avanzado encierra nuevas e innovadoras técnicas como lo son el adaptativo,
redes neuronales, empleo de fuzzy logic, algoritmos genéticos entre otros.
El control adaptativo pretende controlar procesos mediante el uso del más adecuado punto
de operación, para esto se necesita que se diseñen sub-controladores con diferentes puntos
de operación, los mismos que entrarán en funcionamiento de acuerdo a una jerarquía que
busca obtener una mejor señal de control. Para este motivo la incorporación de sub-
controladores del tipo predictivo permite no solo manejar varios puntos de operación
13
funcionando en procesos no lineales sino que, además, permiten tener en cuenta los
posibles valores futuros de la salida del sistema con los cuales puede realizar una
optimización a la trayectoria de la salida hasta que se encuentre el valor buscado.
Una vez implementada la estrategia de control en un simulador o en la realidad (sobre un
circuito electrónico o en un sistema embebido), el dispositivo que permite realizar control
sobre una variable en un sistema, se denomina “controlador”. La consecuencia del uso del
controlador es la señal de control. En los controladores reales, la señal de control tiene
límites y usualmente es real positiva.
1.8. Sostenibilidad del cultivo de langostinos
En la actualidad es necesario conocer cada vez más la influencia del cambio en el medio
ambiente de los animales a consecuencia de la actividad humana, en otras palabras existe
un nexo entre las respuestas fisiológicas de los seres vivos y los disturbios producidos
natural o artificialmente en su medio. En el cultivo de langostinos la contaminación
ocasionada por la salida de efluentes es uno de los mayores problemas.
1.8.1. Los efluentes de cultivos de langostinos
Los efluentes son un caso particularmente importante de cuánto sirve controlar y medir los
parámetros de calidad de agua usada para la acuicultura. En Piura tenemos varias empresas
que se dedican a la acuicultura en tierra ya sea de langostinos, tilapia y en Perú las hay de
muchas otras especies como son la trucha, el paiche, paco, gamitana entre otros explotados
en menor proporción etc.
Para explicar a qué se debe la contaminación por efluentes el lector debe plantearse tener
unos cultivos, en estanques, de Whiteleg shrimp (Litopenaeus Vannamei) que están bajo las
condiciones de la tabla 3
Tabla 3. Análisis típico de la agua salina usada en los cultivos

de marine shrimp (Pacific White Shrimp)
Elemento/Compuesto Valor Unidad Nivel Condición

Salinidad 3.88 ppt - -
Bicarbonato 105 ppm - -
Cloruro 2274 ppm - -
Sulfato 2 ppm - -
Calcio 86 ppm - -
Magnesio 21 ppm Bajo Estresante
Potasio 8 ppm Bajo Estresante
Sodio 1393 ppm - -
Fuente: Elaboración propia.
Por lo cual se necesitará de sales minerales extra para compensar las condiciones
estresantes (falta de magnesio y potasio). Después de la compensación el agua mantendrá
los nuevos valores de sales, sin embargo en algún momento el agua del estanque debe salir
14
y como los estanques están lejos de la costa, algún río debe captar el efluente, entonces se
produce una mezcla entre agua fresca y agua salina.
En Estados Unidos una organización denominada Agencia de protección ambiental (EPA,
Environmental Protection Agency) recomienda un valor máximo para las descargas de
cloruros que de 230 ppm, las descargas que pueden ocurrir debido a fuertes lluvias o
cosecha de los cultivos (La cosecha de cultivo en muchas empresas está diseñada para
tener la recolección durante la descarga del estanque, debido a su duración corta hace que
los cloruros superen el límite de EPA, es recomendable sustituir este método por otros
comparablemente eficientes). Para prevenir esto se puede efectuar una descarga gradual la
misma que debe ser medida; algunas veces se planta vegetación a la salida de modo que un
cambio en la salinidad produce cambios en la coloración lo que nos indica problemas con
el efluente. Otra forma de prevenir las descargas de cloruros en niveles altos es aplicar un
sistema de flujo y circulación del agua (Fig. 8).
Corriente
Reservorio
Estanques
Flujo Bombeado
Flujo por gravedad
Figura 8. Un ejemplo de almacenamiento del agua para prevenir descargas potenciales.

Fuente: Universidad de Auburn, departamento de agricultura de los Estados Unidos (United
States Department of Agriculture, USDA)
1.8.2. Sostenibilidad y ciencia
Hablar de sostenibilidad es hablar de ciencia, sin embargo, la ciencia tiene un enfoque

general, estudiar “el fuego de vida” presente en los seres vivos, frase que se entiende como
metabolismo que a su vez es relativamente fácil de analizar en condiciones de laboratorio
pero dificultosa de realizar en el medio ambiente (Altimiras & Anderson, 2016).
Estudiar el metabolismo equivale a comprender a fondo la fisiología de los seres vivos. El

significado textual de fisiología es el estudio del funcionamiento de los seres vivos siendo
este no restrictivo, la fisiología se vale de diferentes sub disciplinas (Tabla 4) para poder
entender la totalidad de los seres, un resumen bastante acertado será el siguiente: (Wikelski
& Cooke, 2006).
15
Tabla 4. Ejemplos de disciplinas fisiológicas

Disciplina fisiológica Ejemplos:
Muestreo de sangre, no invasivo;colecciones de heces; cuantificacion de gluco-
Endocrinología
corticoides, esteroides,niveles de hormona de crecimiento ;tasa de reproduccion.
Herramientas disponibles para especies representativas que se pueden transferir a las
Fisiologia, bioquimica comparativas
especies en peligro de extinción.
Fisiologia evolucionaria Modelos teóricos
Inmunologia y epidemiologia Testear el funcionamiento innato de los sistemas inmunes, respuesta inmune.
Fisiologia genómica Arrays de genes.
Manipulacion directa de neuropeptidos en animales salvajes; biotelemetria de
Neurofisiologia
actividades neurologicas en animales; Efectos de ruido em mamiferos marinos.
Toxicología ambiental Determinacion de elemntos traza; test, efectos negativos en la salud.
Bio-telemetría; dataloggers implantados corporalmente para conocer la
evolución de la temperatura, gasto de energia o actividad.
Contribuciones potenciales para fisiologia de la conservacion:
Ecologia fisiologica y ambiental Permite la comprensión de la distribución y la abundancia de diferentes
organismos en diferentes ambientes en base a las tolerancias ambientales.
Elucida las respuestas de los organismos a los cambios ambientales y el
desarrollo de modelos predictivos.
Fuente: Elaboración propia
En el anterior párrafo se han introducido intencionalmente algunos conceptos relacionados

con eco-fisiología (Fisiología ecológica) y ecología ambiental, que han sido ciencias
auxiliares en la tesis y que conectan con la ciencia de la conservación (Fig. 9). La eco-
fisiología es una disciplina científica que aplica conceptos fisiológicos, herramientas y
conocimiento para la caracterización de la diversidad biológica y sus implicancias
ecológicas. Permite y predice como organismos, poblaciones y ecosistemas responden a
stress y cambios ambientales para resolver problemas de conservación de especies. La
ciencia de la conservación (Cooke, y otros, 2013) hace referencia al uso de estrategias -
mejoramiento de las mismas- para repoblación de especies o restauración de ecosistemas.
Bi
olo
y ,
n es
gía
ió al
Genética
as ac ur
de
ic tr at
lít nis s n
po
bla
po mi rso
cio
ad ecu
nes
R
Fis
iol
o gía al
oci
aS
nci
Cie
CIENCIA DE LA
Bio-geografía de islas
CONSERVACIÓN Eco
filos
a ofia
ric
histó
ía Mo
af
ogr am nitor
-ge bie iza
Bio nta ció
s
ro
l n
lig
veterinaria
Medicina
pe
de
n
ció
ua
al
Ev
Notar que no es mismo conservación y preservación.
Figura 9. Componentes de la ciencia de la conservación

Fuente: Cooke y otros 2013
16
17
Capítulo II
Crecimiento de Litopenaeus Vannamei y déficit de oxígeno disuelto
2.1. Análisis del crecimiento del Litopenaeus Vannamei en Piura
Se realizó la representación del crecimiento de 515 cultivos diferentes realizados en Piura

desde Agosto de 2014 hasta Abril de 2015. El crecimiento del Litopenaeus Vannamei se
mide por el peso húmedo promedio del langostino, esto quiere decir que a más tamaño de
langostino le correspondería mayor peso húmedo.
La (Fig. 10) muestra el diagrama Boxplot del crecimiento ocurrido en los 515 cultivos. El
diagrama Boxplot representa un conjunto de datos mediante una caja con extremos
máximo y mínimo; entre estos límites tenemos el primer cuartil, segundo cuartil y tercer
cuartil, el Boxplot es una forma de ver cómo están distribuidas las mediciones. En la Tabla
5 se muestran las medidas de estadística descriptiva para estas mediciones.
Tabla 5. Estadística descriptiva para la interpretación de la gráfica de crecimiento
Estadística Descriptiva Semana 1 Semana 2 Semana 3 Semana 4 Semana 5 Semana 6 Semana 7
Media 1.641893773 2.193918552 2.859033863 3.708369835 4.553113248 5.549409091 6.632977778

Error típico 0.061616946 0.052214006 0.056938876 0.063497905 0.069134175 0.077335724 0.088441562
Mediana 1.36 1.986 2.6365 3.41 4.2 5.13 6.25
Moda 1.5 1.3 3 3 3.2 5.01 6.25
Desviación estándar 1.018079026 1.097736611 1.252655274 1.39695392 1.495600869 1.662268382 1.876128854
Varianza de la muestra 1.036484904 1.205025667 1.569145234 1.951480254 2.236821959 2.763136173 3.519859478
Curtosis 6.30691567 6.940492594 4.155844141 3.151753633 0.879063383 1.004334718 1.166190737
Coeficiente de asimetría 2.198742644 2.13728604 1.572722772 1.4111934 1.099697293 1.125965182 1.139777918
Rango 6.55 7.703 9.49 10.682 7.27 8.944 9.93
Mínimo 0.15 0.697 1.01 1.518 2.08 2.766 3.51
Máximo 6.7 8.4 10.5 12.2 9.35 11.71 13.44
Suma 448.237 969.712 1383.77239 1794.851 2130.857 2563.827 2984.84
Cuenta 273 442 484 484 468 462 450
18
Media 7.720673516 8.831283688 10.04038177 11.0428724 12.2882459 13.50011485 14.66272269

Error típico 0.092728807 0.095326676 0.103880845 0.100607638 0.108137153 0.11419285 0.118234682
Mediana 7.39 8.58 9.83 11 12.22 13.49 14.622
Moda 9 8 11 11 11.8 15 16.3
Curtosis 1.399152133 1.447017312 1.689873837 1.596940197 1.857677509 1.205496764 0.701035333
Rango 11.454 12.2 13.82 14.48 16.07 15.79 15.3
Mínimo 4 4.65 5.55 6.26 7.06 7.87 8.7
Máximo 15.454 16.85 19.37 20.74 23.13 23.66 24
Suma 3381.655 3735.633 4076.395 4240.463 4497.498 4819.541 5234.592
Cuenta 438 423 406 384 366 357 357
Media 15.68841193 16.64274194 17.60619122 18.57389068 19.49076351 20.19646388 20.74026432

Error típico 0.120146636 0.120135246 0.130766497 0.132316019 0.131738023 0.130829403 0.13066837
Mediana 15.65 16.6 17.65 18.6 19.52 20.36 20.93
Moda 15.5 18 17 19 22 22 22
Curtosis 0.093889406 -0.07830676 0.039417133 0.098668829 0.172739662 0.402850247 0.516473533
Coeficiente de asimetría 0.24967813 0.113989285 0.012576612 -0.1082734 -0.30598005 -0.48430921 -0.65575195
Rango 12.74 12.45 13.79 13.97 13.63 12.83 11.31
Mínimo 9.48 10.26 10.59 11.03 11.37 12.17 13.09
Máximo 22.22 22.71 24.38 25 25 25 24.4
Suma 5522.321 5675.175 5616.375 5776.48 5769.266 5311.67 4708.04
Cuenta 352 341 319 311 296 263 227
Media 21.52507538 22.05614525 22.30595588 22.67445545 22.78555556 22.97691489 23.16818182

Error típico 0.135270661 0.139223597 0.146054925 0.165985594 0.196167395 0.263317515 0.355946895
Mediana 21.83 22.4 22.655 23 23.2 23.5 23.5
Moda 22.5 22.8 24 24 24.4 24 24.5
Curtosis 1.010650089 1.750951799 3.065977676 4.31460948 4.418220575 2.735641952 2.192388575
Coeficiente de asimetría -0.86491378 -0.94610051 -1.46923268 -1.67705627 -1.85301648 -1.42281286 -0.90810732
Rango 10.9 11.05 9.87 10.45 9.2 9.38 10.17
Mínimo 14.1 14.35 14.98 15.55 16.1 16.76 17.01
Máximo 25 25.4 24.85 26 25.3 26.14 27.18
Suma 4283.49 3948.05 3033.61 2290.12 1640.56 1079.915 764.55
Cuenta 199 179 136 101 72 47 33
Los aspectos importantes de esta tabla son:
 La cuenta de los cultivos no está completa, esto da indicios de que existieron
estanques donde se descontinuo el proceso de cultivo o se realizó un traslado. Esta
investigación no contempla traslados.
 La desviación estándar es bastante elevada comparada al valor de la mediana con
un máximo de 2.33 cuando la mediana es de 17.65
El coeficiente de asimetría nos indica la existencia de muestras por encima y debajo de
la media, predominando los primeros.
25
20
Peso húmedo(g)
15
10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Semana
Figura 10. Boxplot para el crecimiento de los langostinos en los 515 estanques cultivados.
19
20
25
20
15
Peso húmedo(g)
10
Mediana de mediciones
Ajuste polinómico: 4*10-5*x. 4 - 0.0039*x. 3 + 0.1002*x. 2 + 0.2208*x + 1.1082
0
0 5 10 15 20 25 30
Semana
Figura 11. Ajuste polinómico de la curva de crecimiento basado en medianas de las mediciones.
21
2.2. Análisis del déficit de oxígeno disuelto durante los cultivos
Durante el cultivo de los langostinos el valor de DO es fluctuante, se ha creado una tabla

con la acumulación semanal del número de veces que, DO fue menor a 4.1 mg/L. Aunque
se disponía de un registro diario, la acumulación semanal resulta de utilidad ya que se
puede sobreponer a las curvas de crecimiento, lo que nos da una idea de la urgencia de DO
en cada etapa de la crianza de langostinos.
Los resultados se pueden analizar en la Figura 12. Las líneas de color rojo representan cada
uno de las curvas de crecimiento. Las áreas verdes representan la posible deficiencia de
aireación ocurrida por la llegada a niveles de oxigenación peligrosos en un cultivo de
langostinos intensivo, de acuerdo con (Vinatea, Olivera Gálvez, Venero, Leffler, &
Browdy, 2009) para cultivos de tipo súper intensivo usando Biofloc un valor peligroso es
4.1 mgO2L-1. En ausencia de aireación se alcanzan concentraciones letales de oxígeno
disuelto después de 33.25 minutos, sin considerar la presencia de iluminación o no. Un
valor de 4.1 mg/L de DO puede ocasionar zonas muertas en el estanque. Lo peor de ello es
que si la aireación no llega a tiempo, el agotamiento de oxigeno producirá la muerte de los
langostinos en sectores, de modo que es un buen valor para indicar cuando empieza el
déficit de oxígeno disuelto.
Para una correcta lectura de la figura hay que tener en cuenta que las áreas circulares
verdes cambian de forma conforme aumente la detección de aireación inferior a 4.1
mgO2L-1 donde la máxima área corresponde a un conteo de 10 ocasiones (Valor máximo
Tabla 6) y la ausencia de círculos verdes indican cuando no se detectó déficit de DO.
Tabla 6. Estadística Descriptiva para el análisis semanal del déficit de DO en los cultivos de langostinos.
Media 0.040776699 0.085436893 0.106796117 0.236893204 0.34368932 0.444660194 0.374757282

Error típico 0.015321925 0.02183809 0.018956796 0.032932954 0.042590327 0.049138735 0.04511043
Mediana 0 0 0 0 0 0 0
Moda 0 0 0 0 0 0 0
Curtosis 183.7687904 61.61630508 27.20442872 17.28753899 14.53327409 11.62144634 11.65200101
Rango 6 5 4 6 7 7 6
Mínimo 0 0 0 0 0 0 0
Máximo 6 5 4 6 7 7 6
Suma 21 44 55 122 177 229 193
Cuenta 515 515 515 515 515 515 515
22
Estadística Descriptiva Semana8 Semana9 Semana10 Semana11 Semana12 Semana13 Semana14
Media 0.398058252 0.355339806 0.355339806 0.512621359 0.689320388 0.953398058 0.968932039

Error típico 0.048916254 0.047766511 0.042492905 0.055883086 0.06900019 0.079733642 0.078507067
Mediana 0 0 0 0 0 0 0
Moda 0 0 0 0 0 0 0
Curtosis 12.28411993 16.8771227 16.06837027 9.499613791 5.394810075 2.998667406 3.06088595
Rango 6 7 8 7 7 8 8
Mínimo 0 0 0 0 0 0 0
Máximo 6 7 8 7 7 8 8
Suma 205 183 183 264 355 491 499
Cuenta 515 515 515 515 515 515 515
Media 0.94368932 1.07184466 1.06407767 1.048543689 1.159223301 1.07184466 1.14368932

Error típico 0.076158946 0.081130004 0.081745655 0.090369362 0.083890868 0.07981557 0.086472495
Mediana 0 0 0 0 0 0 0
Moda 0 0 0 0 0 0 0
Curtosis 3.101917541 2.329810652 2.402605385 4.18242235 1.866663515 2.191373737 1.251580399
Rango 8 8 8 10 8 8 8
Mínimo 0 0 0 0 0 0 0
Máximo 8 8 8 10 8 8 8
Suma 486 552 548 540 597 552 589
Cuenta 515 515 515 515 515 515 515
Media 1.052427184 1.015533981 0.875728155 0.702912621 0.621359223 0.444660194 0.267961165

Error típico 0.084309533 0.084091739 0.077161268 0.070763966 0.073631856 0.06241379 0.049286449
Mediana 0 0 0 0 0 0 0
Moda 0 0 0 0 0 0 0
Curtosis 1.981956033 2.539494505 2.970144661 4.56297725 6.3324516 10.33732497 21.3854305
Rango 7 9 7 7 8 7 7
Mínimo 0 0 0 0 0 0 0
Máximo 7 9 7 7 8 7 7
Suma 542 523 451 362 320 229 138
Cuenta 515 515 515 515 515 515 515
 Dentro de la Tabla 6 los valores de máximo y mínimo nos indican que existieron cultivos donde no
hubo déficit de DO, también existieron aquellos donde se registró hasta 10 deficiencias de DO en
una semana.
 La moda nos indica que es más usual no encontrar deficiencias en los 515 cultivos.
 Las otras medidas de forma, tendencia y variabilidad en esta investigación no tienen relevancia.
Figura 12. Déficit del DO durante el cultivo intensivo de Litopenaeus Vannamei en Piura (Área Circular Verde)
23
24
2.3. Respuestas del langostino ante variaciones del oxígeno disuelto
El estudio de la respuesta eco-fisiológica del langostino permite conocer cómo afecta el

cambio de la respiración al metabolismo del animal. El experimento de Scott Jeffery
Walker es un análisis en laboratorio que permite evidenciar los valores de oxígeno disuelto
que permitirían realizar un cultivo de manera normal (2-5 mg/L), sin embargo, las
condiciones ambientales del laboratorio no son las mismas que los verdaderos estanques de
cultivos ya que es conocida la aparición de zonas muertas (regiones sin DO en estanques
de cultivos), lo que disminuye conforme se eleva el nivel de DO en el estanque.
2.3.1. El experimento de Walker
El White Shrimp del pacifico conocido como Litopenaeus Vannamei (Boone 1931) vive en
la costa pacífica desde el golfo de California hasta el norte de Perú (Walker, 2009) .
La producción de Litopenaeus Vannamei puede ser influenciada por factores abióticos
externos como es el caso del oxígeno disuelto del agua donde ellos viven, es conocido que
el oxígeno disuelto puede ser un limitante del metabolismo de los animales acuáticos
aeróbicos esto ocurre cuando los niveles de oxígeno disuelto son bajos (condiciones
hipoxicas).
Se puede considerar hipoxia cuando los valores de oxígeno disuelto son inferiores a
2.8mgL-1 con salinidad de 20 ppt a temperatura de 25º C y presión de 1 Atm (Diaz y
Rosemberg 1995). Un estado hipóxico de las aguas puede ocurrir en la acuicultura cuando
la cantidad de algas y fitoplancton es tal que durante la noche su respiración excede a la
fotosíntesis. En cultivos intensivos la demanda bioquímica del oxígeno disuelto (BCOD
por el inglés Bio chemical oxygen demand) excede a la producción primaria de oxígeno
disuelto (algas y fitoplancton) de este modo es imprescindible el uso e aireadores
mecánicos para los cultivos.(McGraw et al. 2001). En los estuarios se debe principalmente
a la eutrofización ocasionada por los residuos de la constante actividad humana sobre los
ecosistemas de la costa (Diaz y Rosemberg 1995, Wannamaker and Rice 2000, Wu et al.
2002).
Tabla 7. Exposiciones letales del Pacific White Shrimp a situaciones de

hipoxia
Medición Magnitud Unidad Exposición Condiciones
 1
Letal DO 0.2 m g O 2 L 1 hora Naturales
 1
Letal DO 1 m g O 2 L 1 hora Acuicultura
Fuente: Perez-Rostro, Hopkins
El experimento de Walker somete a los Litopenaeus Vannamei a los niveles de oxígeno

disuelto: 2mgL-1 y por encima de 5mgL-1.
25
2.3.2. Materiales y métodos usados en el experimento de Walker
Usando post larvas del tipo SPF (Post larva libre de patógenos específicos.) re-aireadas en
28º C en el laboratorio de Port Aransas-Texas (Texas Agrilife Mariculture Research
Laboratory property-Texas A&M system), durante el periodo de experimentación los
langostinos consumieron alimentación comercial a una tasa de 0.5gday-1shrimp-1 el agua de
mar fue obtenida del canal de transporte de Corpus Christi (Texas) y bombeada a tanques
de reserva, previamente se pasó por filtros de arena.
Figura 13. Tanque de N2 y columnas de agua para la

desgasificación del oxígeno disuelto: B y G indican la entrada y
salida de agua respectivamente, las flechas indican la dirección del
movimiento para el nitrógeno y el agua respectivamente de
acuerdo al diagrama, la imagen es un esquema lateral.
Fuente: Scott Walker Fuente: Scott Walker
Las instalaciones contienen cuatro tanques de 690 L que son cubos achatados cada uno de
ellos tiene un sistema de recirculación de agua y un intercambiador de calor, también
tienen unas mallas que dividen su interior en 16 partes. Para 2 de estos tanques se usan
desgasificadores por stripping: proceso que permite remover el oxígeno disuelto a
contracorriente, para esto se usaron los equipos que se muestran en (Fig.13).
Para el experimento los tratamientos de los niveles de oxígeno disuelto escogidos fueron
de 2mgL-1 y mayores a 5 mgL-1 los cuales fueron probados en los cuatro tanques descritos
anteriormente durante más de 30 días para determinar los efectos de la hipoxia en el
crecimiento y supervivencia de langostinos que inicialmente tenían una masa media de
14.5 g ±1.97g, fueron distribuidos en las celdas de cada tanque. Las celdas fueron situadas
para prevenir el contacto de los langostinos con la superficie del agua y para prevenir el
escape de los langostinos en cada uno de los tratamientos respectivamente.
26
Los Pacific White shrimp fueron pesados y distribuidos de acuerdo a las siguientes
condiciones (Tabla 8) en un esfuerzo por comprender su grado de aclimatación a los
diferentes niveles de oxigenación del agua.
Tabla 8. Redistribución de langostinos para asegurar el manejo de los individuos
Condiciones de Condiciones de
Cantidad de Tipo de
Oxígeno disuelto Oxígeno disuelto
langostinos Movimiento
iniciales Finales
16 Saturadas Hipóxicas H TO L
16 Saturadas Saturadas H TO H
16 Hipóxicas Saturadas L TO H
16 Hipóxicas Hipóxicas L TO L
Fuente: Scott Walker
2.3.2.1. El sistema de respirometría experimental
Se utilizó un sistema de respirometría experimental automatizado fue usado. Sin embargo,

Walker no indica el tipo ni sus componentes. Este respirómetro fue emplazado en los
tanques de agua a condiciones saturadas de DO, donde durante 8 días, 2 langostinos de
cada uno de los 4 tratamientos fueron escogidos aleatoriamente para medirles sus
respuestas respirométricas (RMR, LOCr, MMS) de modo que se tenía un indicador
indirecto del metabolismo de los langostinos. A los langostinos escogidos se les cesaba el
alimento 24 horas antes de las mediciones.
2.3.2.2. Análisis estadístico
En el experimento de Walker fue usado para el análisis estadístico el programa

SPSS(Version 13, SPSSInc.,Chicago Illinois). La data de crecimiento cuyas unidades son
gdias-1 fue tomada durante 30 días para lo cual se usó un análisis univariable de ANOVA
para determinar si existieron diferencias significativas entre las medias de los tratamientos
(P≤0.05), también fue analizada la data respiro-métrica mediante un ANOVA univariable
(P<0.05); también fueron analizados los efectos de oxígeno disuelto y peso sobre RMR,
LOCr, MMS.
2.3.2.3. Resultados:
Calidad del Agua: Los valores registrados son aceptables y están dentro de los rangos de
Allan et al. (1990), Chen-Lei(1990) y Chen-Lin(1991).
27
Tabla 9. Mediciones de calidad del agua durante los experimentos.
DO
Parámetro
2.0 (mg/L) Próximo a saturación del aire (mg/L)
Temperatura (ºC) 28.0±0.15 27.9±0.05
Salinidad (ppt) 31.6±4.16 31.6±4.16
DO (mg/L) 2.2±0.36 5.5±0.25
TAN (mg/L) 0.1±0.04 0.1±0.03
NO2 (mg/L) 0.0±0.01 0.0±0.01
NO3 (mg/L) 0.2±0.07 0.2±0.05
pH 8.0±0.06 8.1±0.05
Efectos de DO sobre crecimiento y supervivencia: Se encontraron significativas

diferencias entre los tratamientos que indicaban que en bajos niveles de oxígeno disuelto el
crecimiento se retrasaba, los cambios afectaron muy poco a la supervivencia (Superior al
90% en ambos tratamientos).
Tabla 10. Media de crecimiento durante los 30 días y supervivencia

Tratamiento Media de tasa de crecimiento(g/d) supervivencia(%)
Bajo DO 0.09 93.8
Elevado DO 0.11 90.6
P value 0.01
Efectos de DO sobre las respuestas respiro métricas: Se graficaron las respuestas para
poder observar su comportamiento en cada uno de los tratamientos
Figura 14. Routine Metabolic Rate contra peso húmedo de los langostinos, durante los cuatro tratamientos
28
Figura 15. Limiting Oxygen concentration contra peso húmedo de los

langostinos, durante los cuatro tratamientos
Figura 16. Marginal Metabolic Scope contra peso húmedo de los langostinos,
durante los cuatro tratamientos
2.3.2.4. Conclusiones del experimento de Walker
Hay que tener en cuenta que este estudio no considera la reducción del consumo de
alimentación ni tampoco la muda de los langostinos que ocurre durante el crecimiento del
langostino el mismo que es una posible explicación al reducido crecimiento durante
condiciones hipoxicas. Los resultados nos indican que las condiciones hipóxicas tienen
muy poco efecto en la capacidad metabólica del Litopenaeus Vannamei, contrario a lo que
ocurre en crustáceos (Kobayashi et al. 1988, Hervant et al. 1995, Astall et al. 1997,
Wiggins and Frappell 2000). Esto que indica que un Litopenaeus Vannamei del tamaño
investigado no exhibe un cambio en la respuesta aclimatoria de los cambios en la
concentración del oxígeno disuelto sobre para intervalos de 2mgL-1 y mayores a
5 mgL-1.
29
Capítulo III
Teoría del Modelamiento
3.1. Definiciones de modelamiento
El modelamiento tiene diferentes objetivos debido a la variedad de campos que contiene el

conocimiento humano. Desde las ciencias hasta las ingenierías encontramos una inmensa
cantidad de ejemplos que han ido surgiendo con el paso del tiempo como resultado del
descubrimiento de numerosas reglas matemáticas o físicas que representaban con un alto
grado de efectividad ciertos fenómenos del mundo real lo que otorgó a estos modelos o
representaciones un grado de confianza basados, claro está, en repetidos experimentos.
(Cuenco, 1989)
En cuanto a los modelos que se plantea realizar en esta tesis se aborda el problema de
cómo representar un sistema cultivo-aireador como modelo biológico. Con este fin se usará
conocimiento de campo y mediciones tomadas en laboratorio con sofisticados dispositivos
electrónicos no solo por el investigador del proyecto sino también se considera la
información publicada por biólogos reconocidos. Esta fusión de información en un modelo
biológico-computacional hace que necesariamente este modelo no tenga tanta exactitud
como un modelo concebido para resolver problemas de ingeniería.
El modelado matemático de la acuacultura ha sido desarrollado progresivamente desde la
década de 1980 hasta la actualidad y sus parámetros deben estar de acuerdo con las buenas
prácticas del cultivo de langostinos. Para este motivo se crearon una serie de normas y/o
estándares mundiales y manuales de operación para cada país donde se distingue
acuacultura de tipo orgánico y no orgánico. Podemos citar un manual de acuicultura
orgánica elaborada por (CFC, FAO, & INFOFISH, 2011), (Verreth & Oberdieck, 2009),
(Gillett, Global study of Shrimp Fisheries, 2008) entre los estándares internacionales para
la acuicultura orgánica tenemos los denominados Bioland, KRAV, ACT, FOG, FVO,
NOFA, IFOAM para Alemania, Suiza, Japón, USA y a nivel global respectivamente.
3.2. Modelos y Sistemas
Un sistema es un conjunto de componentes vinculados; es decir, los elementos comparten

entre sí al menos una relación en al menos una dirección y juntos logran llevar a cabo una
actividad. En cuanto al vínculo, éste se distingue cuando el comportamiento de un
componente afecta al otro. Un sistema es usualmente físico y palpable a diferencia del
modelo que es una representación, una idea abstracta de algún sistema.
30
Hasta este punto tenemos dos conceptos parecidos, que son modelo y sistema. Para su uso,
ambos deben contar con entradas y salidas. Generalmente el modelo es una versión
simplificada del sistema así que no llega a representar su complejidad total lo que causa
que tenga menor número de entradas y salidas. Además se dice que es un buen modelo del
sistema cuando la variación de la salida en función de las entradas es similar o con un error
mínimo. Para motivos de control y automática (Aplicaciones de ingeniería)es
recomendable que el modelo represente la dinámica del sistema; es decir, que sea capaz de
describir el comportamiento del sistema ante entradas de tipo perturbación determinística
(determinística ya que se puede describir matemáticamente) del tipo impulso, escalón,
sinusoide entre otros esto se logra a través de la búsqueda de una función de transferencia
(Box & Jenkins, 1976), la misma que se logra a través de procedimientos de identificación.
Para la tesis, la función de transferencia obtenida ha de ser discreta ya que el sistema es
discreto debido a que la data se obtiene por muestreo. La data está compuesta de vectores
o arreglos de la magnitud medida y el tiempo en el cual se realizó la medición este tipo de
datos tiene un nombre: series de tiempo. La función de transferencia es un modelo de un
sistema, sin embargo, no es el único: un modelo biológico también es aceptable
basándonos en el hecho que describirá el fenómeno con error ínfimo además tomará en
consideración una cantidad de parámetros fijos ya que para su elaboración se usan las leyes
de la física, química, biología por lo que se entiende que es un modelo teórico útil aunque
no tenga las cualidades de la función de transferencia como son la representación de
dinámica del proceso.
3.3. Modelado
El modelado es usado de manera interdisciplinaria para poder resolver problemas con el

apoyo de modelos previamente construidos y testeados (Modelos de otras investigaciones)
y su finalidad es poder transmitir conocimiento de manera clara, precisa y concisa.
Un principio importante del modelado es que una ecuación matemática sirve como modelo
un proceso biológico, por lo que puede ser descrito gráficamente. Paralelamente el grado
de complejidad del modelo (Número de variables dependientes e independientes) cambia
debido a la técnica de análisis matemático empleado (Cuenco, 1989).
31
PROCESO BIOLÓGICO
Estímulo causa una
respuesta Data observada
REPRESENTACIÓN GRÁFICA
Respuesta o Y
Data generada
ECUACIÓN MATEMÁTICA
Y=a+bX
Estímulo o X
Figura 17. La misma gráfica representa la data observada y la data generada por el modelo.
Fuente: (Cuenco, 1989)
El modelo más adecuado será aquel modelo brinde una idea sobre las relaciones en el
sistema, después de la elaboración de una ecuación matemática a base de data observada es
preciso calcular los parámetros del modelos para que posteriormente el modelo sea
validado a través de la comparación entre la data del sistema real y la data generada por el
modelo.
3.3.1. Modelos
Se debe distinguir los modelos de tipo Matemático, físico y conceptual.
 Modelo Matemático: Permite realizar optimización a través de programación
matemática, usan ecuaciones diferenciales para integrar las leyes físicas y a través de
esto se obtienen resultados que pueden ser validados. Algo que puede expresar la idea
es la presencia de entradas, salidas y parámetros numéricos.
 Modelo Físico: Usados usualmente para el aprendizaje de las ciencias, los modelos
físicos son aquellos prototipos realizados a escala de los procesos reales que permiten
su estudio ya que sería difícil llevar a cabo su modelado matemático. Algo que da una
idea de modelo físico es por ejemplo el banco de pruebas de hidráulica como
representación de un sistema circulador de agua.
 Modelo Conceptual: Un modelo conceptual es la representación por esquemas del
sistema; un boceto es decir, procura describir el sistema real con todos los detalles
necesarios sin brindar detalles numéricos pero si la descripción de la secuencia del
problema o fenómeno de la manera más amplia posible, posteriormente son los
modelos matemáticos los cuales pueden cuantizar la data requerida en base a estos
esquemas conceptuales los mismos que le facilitan la detección de errores de relación
entre los componentes de un sistema. Algo que puede expresarlo es la idea de describir
el mundo con palabras.
Sin embargo, esta división puede no ser suficiente. A menudo el modelado matemático
requiere de otras subtécnicas completamente diferentes, lo que por construcción de modelo
matemático aparecen las categorías Modelos Teóricos y Modelos Empíricos para lo cual
nos basamos en las definiciones de (Hurtado, 2006) y las ampliamos:
32
3.3.1.1. Modelamiento Teórico: La formulación de un modelo teórico puede ser bastante

complejo cuando se emplean ecuaciones diferenciales parciales o ecuaciones integrales. La
estructura de la ecuación del modelo es fija, sin embargo los parámetros que lo componen
se estiman en base a los datos de entrada y salida del proceso real durante su
comportamiento dinámico. En este punto el modelo es susceptible a errores de
formulación, simplificación, medidas experimentales, estimación de parámetros y debido a
esto el modelo provisional debe compararse con los datos del proceso.
El modelo teórico que se formula en esta investigación está constituido por una ecuación
diferencial lineal de primer orden cuyas variables son la temperatura y , principalmente, el
oxígeno disuelto (concentración) que son funciones de tiempo y también del espacio este
último puede no ser requerido para efectos de simulación en un punto fijo.
Adicionalmente, se tienen los parámetros conocidos como volumen de estanque,
profundidad, densidad de población de langostinos-zoo y fitoplancton, factor de
temperatura, factor de fotoperiodo, turbidez promedio, entre otros.
Cuando no se dispone en la bibliografía de los parámetros, su cálculo es requerido y la idea
de su cálculo parte de las conjeturas:
Para unas salidas 1 ,2 ,..., (2), con entradas z1 , z2 ,..., z se requiere determinar unos
parámetros 1 ,2 ,..., p se sugiere realizar al menos p experimentos para una estimación
aceptable. Se explica también que las medidas tomadas de campo poseen un error respecto
al valor o valores teóricos que se supone se están midiendo yk en (3.1)
yk  k   k (3.1)
 k  f ( zk ,  ) (3.2)
Básicamente lo que se busca es minimizar el error de modo que tengamos unos parámetros
lo más cercanos al valor real y eso es una operación de minimización la misma que se
realiza a partir de la búsqueda de un vector S (3.3),
S k    kT  k (3.3)
que se expande a
S   ( yk  f ( zk , ) )T ( yk  f( z(k) , ) ) (3.4)
Siendo necesario reemplazar (3.2) en (3.5):
Sk   ( yk k )T ( yk k )  0 (3.5)

33
Las fórmulas (3.4) y (3.5) nos indican que el error escalar obtenido puede tender a mínimo
para un conjunto de parámetros fijos aunque la formulación matemática es vaga y sujeta a
mucha otras interpretaciones como ¿Por qué se escoge para minimizar a la suma cuadrado
de los errores? ¿Cómo tiene en cuenta esta minimización el ruido de la medición de las
salidas k ? Sin embargo esta formulación es bastante usada debido a la facilidad de
implementación cuando la función f puede ser linealizada de modo que tendríamos:
Y  X  E (3.6)
representa la matriz de parámetros, X proviene de la linealización de f en cada punto de

medición y E es la matriz de error con lo que usando algebra lineal ya podemos despejar .
Sin olvidar que estamos buscando la minimización de E:
E  Y  X (3.7)
Operando linealmente buscamos la función que se desea minimizar de acuerdo con el plan
diseñado en (3.5):
ET E  (Y  X )T (Y  X  ) (3.8)
La expresión desarrollada es
ET E  Y T Y  Y T Xˆ  ˆT X T Y  ˆT X T Xˆ (3.9)
Derivada para obtener un valor que minimice E T E
Grad ( ET E )ˆ  Grad (Y T Y  Y T X ˆ  ˆT X T Y  ˆT X T X ˆ)ˆ (3.10)
Grad ( ET E )ˆ  Y T X  ˆT X T X (3.11)
Continuando el desarrollo debemos igualar a cero la expresión (3.12) para luego despejar
(3.13),( 3.14) y (3.15)
Grad ( ET E )ˆ  0 (3.12)
Y T X  ˆT X T X (3.13)
ˆ  [Y T X ( X T X )1 ]T (3.14)
ˆ  ( XX T )1 X T Y (3.15)
Entonces se puede decir que estimando los parámetros actuales de nuestro sistema usando
los estados del mismo es una buena idea mientras la seudo inversa de la (3.15) exista se
encontrarán valores aceptables de parámetros, esta técnica de estimación de parámetros es
usada para la estimación de estados (Sacasqui Huaito, 2014).
Existen otros modos de estimación de parámetros donde pueden usarse métodos

numéricos, mediante una aplicación computacional que permite la búsqueda por bucles del
34
valor de parámetro más adecuado. La validación de los modelos teóricos se realiza

gráficamente, también se puede tabular el error entre los valores obtenidos el sistema y los
generados por el modelo.
3.3.1.2. Modelamiento Empírico: También es llamado estadístico debido a que se usan

técnicas estadísticas para poder encontrar un modelo que pueda explicar el
comportamiento observado lo más posible. Muchas veces no se logra obtener un ajuste
adecuado (Hurtado, 2006). Los modelos elegibles se ajustan mediante un procesamiento
denominado identificación. Una de sus cualidades más importantes es que no requieren
conocer el sistema y sus parámetros no están asociados a leyes físicas.
Los modelos típicos obtenidos en tiempo continuo son
Sistemas Lineales de Primer Orden más retardo, cuya función de transferencia es
Ke s
g(s)  (3.16)
 s 1
Sistemas Lineales de Segundo Orden más retardo, cuya función de transferencia es
Ke s
g(s)  (3.17)
( 1s  1)( 2 s  1)
Sistemas con Cero simple, 2 polos más retardo, cuya función de transferencia es
K ( 3 s  1)e s
g(s)  (3.18)
( 1s  1)( 2 s  1)
3.3.2. Definición de los modelos por color de caja
3.3.2.1. Modelado de caja blanca

Representa a sistemas donde se conocen las leyes físicas que rigen el comportamiento del
fenómeno, es en realidad como un modelo o caja transparente donde se puede visualizar y
de hecho se tiene acceso, al contenido interno del mismo.
3.3.2.2. Modelo de caja gris
Existen modelos que se han desarrollado de acuerdo a las leyes de la física en los cuales no
es posible acceder a la medición de algunos parámetros físicos por lo que se tiene que
realizar experimentos para determinar esta data indirectamente, estos modelos son
denominados de caja gris debido a que no se tiene acceso a toda la información del
sistema. Para el modelado del sistema cultivo de langostinos-sistema de aireación es
35
posible realizar la representación caja gris ya que no se tendrá a la mano todos los
parámetros necesitados.
3.3.2.3. Modelo de caja negra
Cuando la estructura y las relaciones internas del modelo son indeterminadas, esto quiere
decir que no hay manera de insertar las leyes de la física en el modelo lo más que se puede
hacer con la data es capturar tendencias, suponer que es lo que va a pasar en base a los
ajustes que permite la estadística. Los ajustes obtenidos gozan de una determinada
confianza y su empleo permitiría obviar la construcción de cajas blancas las mismas que
requieren tiempo y esfuerzo. Para el modelado del sistema cultivo de langostinos-sistema
de aireación es posible realizar la representación caja negra con validez estacional como se
verá más adelante.
3.3.3. Modelos estáticos y dinámicos
3.3.3.1. Modelos estáticos: No cambian con el tiempo, son una representación de un

sistema en un instante de tiempo por lo que no tienen en cuenta la data precedente ni la
data consecuente en analogía sería correcto decir que se trata de una fotografía del sistema
en un instante específico (Cuenco, 1989).
3.3.3.2. Modelos dinámicos: Cambian con el tiempo, son modelos matemáticos que
pueden ser discretos con la representación mediante ecuaciones de diferencias o continuos
con su correspondiente representación por ecuaciones diferenciales, la solución de ambas
es posible mediante técnicas de integración. El modelado del sistema cultivo de
langostinos-sistema de aireación es llevado a cabo como modelo dinámico (Cuenco, 1989).
Los modelos dinámicos son análogos de sistemas dinámicos de gran uso para ingeniería,
biología y otras ciencias. Sin embargo es común notar que las ecuaciones diferenciales o
en diferencias no poseen características lineales, es decir, en la naturaleza encontramos
fenómenos representados por ecuaciones diferenciales o en diferencias no lineales. Siendo
así, hay muy pocas ecuaciones de este tipo para las cuales se puede calcular una solución
exacta. Un modo de lidiar en control automático con esto es realizar la aproximación lineal
del modelo o linealización otro modo es emplear controladores de tipo adaptativo o Non
Linear Extended Prediction Self Adaptive Control (Keyser, 1993) que permiten el cálculo
de soluciones en torno a puntos de operación específico (Existen más opciones como
aplicar control por lógica difusa).
36
3.4. Definición de los modelos Biológicos, aplicado a acuicultura
De acuerdo con (Cuenco, 1989) para la realización de los modelos matemáticos del
Oxígeno disuelto existen dos formas: modelos teóricos basados en balance de masa y
modelos empíricos basados en análisis de regresión de data histórica.
El caso del oxígeno disuelto –que respiran peces y plantas en los estanques naturales o
artificiales, ríos o mares- es de fluctuación diaria y estacional, los modelos generalmente
incluyen solo uno de estos aspectos: Corto Plazo o diurno y Largo Plazo o de fluctuación
estacional.
El oxígeno disuelto generalmente incrementa desde el amanecer, debido a la fotosíntesis
y declina durante el tiempo de noche debido a la ausencia de fotosíntesis (Fig. 18) se
convierte en respiración. Los modelos pueden separarse en dos partes: el decrecimiento
del oxígeno disuelto durante la noche y el incremento durante el día.
Viento Aireador
opcional
Re-aireación Radiación
Agregados Alimentación
solar
Respiración del Fotosíntesis

langostino
Oxígeno
disuelto Respiracion
Fitoplancton
Demanda de Sedimentación
Residuos de algas
Pérdidas de oxígeno
alimentación disuelto hacia
los sedimentos
Sedimentos
Figura 18. Un modelo conceptual de oxígeno disuelto en estanques basado en balance de masas.
Es importante notar que hay dos maneras básicas de controlar el oxígeno disuelto en los
cultivos de langostino. Una forma es incrementando la fuente de oxígeno en el estanque
que puedo ser logrado por aireación mecánica (palas giratorias), cambio de agua
enriquecida en oxígeno disuelto, mezcla del agua para conservar el oxígeno disuelto
obtenido por producción fotosintética. La otras formas de disminuir la remoción de
oxígeno disuelto es disminuyendo los niveles de alimentación y fertilización del terreno.
Los procesos que adicionan oxígeno a los estanques son:
1. Fotosíntesis por fitoplancton, la mejor fuente de oxígeno.
37
2. Difusión de oxigeno desde el aire gobernado por la diferencia de concentración de

oxigeno entre el agua de la superficie del estanque y el aire en movimiento (viento).
La fotosíntesis puede ser estimada indirectamente usando la concentración de clorofila a,
visibilidad del disco Secchi y la demanda química de oxígeno. La fotosíntesis es gobernada
por intensidad de la radiación solar, nubes y temperatura del agua.
Los procesos que consumen DO son la respiración de los langostinos, biota existente y el
plancton.
El monto mínimo de DO que el agua mantiene constante es determinado por la
temperatura del agua y su salinidad.
Las respuestas eco-fisiológicas que sirven para diseñar un control adecuado son el 1)
tamaño del animal y la concentración del oxígeno disuelto, sin embargo no se va a
desestimar el conocimiento de las funciones concernientes a: 2) Salinidad y tamaño del
animal y 3) Temperatura y estado nutricional del animal. Como se verá más adelante estas
últimas relaciones afectan el modelo matemático teórico propuesto.
38
39
Capítulo IV
Modelamiento del sistema estanque de Cultivo- sistema de aireación
4.1. Modelación de Sistema: cultivo de langostinos y consumo de oxígeno disuelto
El modelamiento de un sistema de cultivo de langostinos concerniente a la variación del

oxígeno disuelto durante el día para un cultivo de langostinos no es muy distinto del
modelamiento para estanques y calidad de agua; en los inicios de la simulacion era
bastante comun notar el uso de hojas excel (Losordo & Hobbs, 2000) algunos autores
prefieren el uso del Simulink de Matlab (Bowen, Perry, & Bell, 2014) (Chapra, 2008)pero
en general se ha notado que hay predilección por el uso del software STELLA ®
(Mwegoha, Kaseva, & Sabai, 2010)que permite realizar la simulación bajo el principio de
conservación de la masa de modo fácil. En la Fig. 19 podemos ver los flujos de oxígeno
disuelto producidos con flechas salientes y el oxígeno disuelto consumido con flechas
entrantes.
Luz Solar
Respiración por
Re-aireación
fitoplancton
Degradación de la
Fotosíntesis Materia Orgánica
Biomasa y
algas
Respiración
Respiración de
langostinos
Figura 19. Modelo Conceptual: En la imagen se puede observar los flujos producidos y consumidos de
oxígeno disuelto especial cuidado con la acción fotosintética de las algas.
Fuente: Tomado de Mwegoha y Kaseva.
Para el modelo se elige la programación sobre Scripts de Matlab® cuidando que el código
producido sea compatible con Software libre como es Scilab o lenguajes de programación
como es Python.
Para la elaboración del modelo matemático es importante considerar los efectos de
cambios de temperatura durante el día y la consiguiente alteración que esto origina a los
40
límites de saturación de oxígeno disuelto en el agua. (Culberson & Piedrahita, 1996) por lo
que la forma en que se realiza el intercambio de masa de oxígeno disuelto en la columna de
agua del estanque (Losordo T. M., 1988), será descrita de acuerdo a:
MO2net  MO2 p  MO2 D  MO2 f  MO2 pr  MO2 wcr  MO2 sr  MO2d , z  MO2 xs (4.1)
donde:
MO2=Masa de oxígeno disuelto.
MO2net=Variación neta de la masa de oxígeno disuelto por volumen
MO2p=Masa de oxigeno producido por phytoplankton.
MO2D= Masa de oxigeno intercambiado entre la atmósfera y superficie.(Batimiento
del agua o por movimiento del viento sobre la superficie)
MO2f= Masa de oxigeno consumido por los peces.
MO2pr= Masa de oxigeno consumido por la respiración del phytoplankton.
MO2sr= Masa de oxigeno consumido por la respiración de los sedimentos.
MO2wcr= Masa de oxigeno consumido por la respiración de la columna de agua
(Incluye la respiración del zooplancton y respiración por bacterias suspendidas)
para nuestro caso veremos que es equivalente a la oxidación de la materia orgánica.
MO2d,z= Masa de oxigeno difundido a profundidad z.
MO2xs= Masa de oxigeno consumido por la capa intermedia
Cabe resaltar que cada uno de los términos de transferencia de masa de oxigeno tendrá las
magnitudes de gh-1, sin embargo siendo el modelo correspondiente a un estanque para
cultivo intensivo de langostinos con entrada y salida de agua, el modelo cambiará como
veremos más adelante.
4.2. Modelo Matemático
El oxígeno disuelto es uno de los factores más importantes que inciden en el crecimiento
de las especies cultivadas en acuicultura. Su importancia radica en que el agua estancada y
sin aireamiento tiende a perder oxígeno disuelto progresivamente hasta llegar a niveles
nulos. En este proceso puede llegarse a producir retraso en el crecimiento y stress de la
especie cultivada. Más allá de esto, ante un sistema de aireación manual siempre se
presentarán momentos de bajos niveles de oxigenación y la única forma de responder a
tiempo es automatizando este proceso (Verificar la gráfica de la tardía reacción a la hora de
arrancar aireadores, Figura 11). Recordemos que el retraso en la activación de estos
sistemas de aireación puede incurrir en elevada mortalidad y disminución de la producción,
siendo la razón primordial el continuo cambio de temperatura y radiación solar que se da
entre el día y la noche con el consiguiente cambio drástico de valores en el oxígeno
disuelto muy notorias en estanques naturales. Para el Balance de masas sustituiremos las
variables MO por las más indicadas DO (Por el inglés Dissolved oxygen), asimismo
41
algunas variables serán reemplazadas por otras de acuerdo al tipo de cultivo realizado, por
ello la ecuación seria de acuerdo con (Ghosh & Tiwari, 2008)
dDO2
 P C  E (4.2)
dt
donde:
P=Producción de oxígeno disuelto
C=Consumo de oxígeno disuelto
E=Intercambio de oxígeno disuelto
(4.2) cuya expansión es similar a la ecuación (4.1)
Ordenando (4.1) y añadiendo nuevos términos obtenemos la forma de (4.3) (Ali, 1999) ,
que es un modelo particularmente interesante dado que se enfoca en la especie
Oreochromis Niloticus (Nile Tilapia), también cultivada en Piura.
dDO2
 DO2 P  DO2 D  ( DO2 FR  DO2 PR  DO2WCR  DO2 SR ) (4.3)
dt
dDO2
 DO2 ph  ( DO2 FR  DO2 PR  DO2 SR  DO2WCR  DO2 NR  [ DO2 IN  DO2OUT ])  DO2 D (4.4)
dt
dDO2
 DO2 ph  ( DO2 FR  DO2 PR  DO2 SR  DO2OM  DO2 NR  [ DO2 IN  DO2OUT ])  DO2 D (4.5)
dt
(4.5) será usada para el modelamiento de los estanques de cultivo intensivo. Los nuevos
términos son:
DO2om=Tasa de consumo de oxígeno disuelto por materia orgánica (gh-1)
DO2IN=Tasa de ingreso de oxígeno disuelto por agua entrante (gh-1)
DO2OUT= Tasa de ingreso de oxígeno disuelto por agua saliente (gh-1)
DO2NR= Tasa de consumo de oxígeno disuelto por nitrificación (gh-1)
Finalmente podemos obtener concentraciones de oxígeno disuelto para todo tiempo (4.6)
multiplicando por el diferencial de tiempo correspondiente (Un diferencial de tiempo que
permita mostrar la curva del modelo y permita realizar la acción controladora sin
problemas, básicamente lo más adecuado sería reducir el tiempo lo más cercano a cero
pero el limitante principal en este caso sería el procesamiento de la información). Para
obtener las concentraciones en todo tiempo hacemos uso de la acumulación
 dDO2 
DOt  DOt 1   .dt  (4.6)
 dt 
42
con
DOt= Concentración de oxígeno disuelto en el tiempo t
DOt-1= Concentración de oxígeno disuelto en el tiempo t-1.
4.3. Ecuaciones Matemáticas de la Producción y Consumo de Oxígeno Disuelto
4.3.1. Producción de oxígeno disuelto por fotosíntesis
Las ecuaciones matemáticas de producción y consumo no son las mismas en la acuicultura,

dependen del tipo de cultivo (Extensivo, intensivo, ultra intensivo) la cantidad de oxígeno
disuelto generado por el phytoplankton puede ser el aporte natural más significativo (Ali,
1999), sin embargo está supeditado a múltiples factores ambientales entre los cuales la
intensidad de radiación fotosintéticamente activa (PAR del inglés Photo-synthetic active
radiation) es necesario estimarla en base a aproximaciones que consideran la variación de
la radiación extra-terrestre (Duffie & Beckman, 2013)y el tipo de clorofila-a excitada.
Existen diferentes aproximaciones para el cálculo de la producción de oxígeno disuelto
debido a intensidad de luz y fotosíntesis del fitoplancton (Jassby & Platt, 1976) Finalmente
usaremos las fórmulas de (Smith, 1937) (Talling, 1957). Es necesario darse cuenta que el
agua puede atenuar la luz solar de modo que aproximadamente un 46% de la radiación
solar estará disponible para la fotosíntesis (Ghosh & Tiwari, 2008). La reacción química
que interviene es (Mwegoha, Kaseva, & Sabai, 2010)
6CO2  12H 2O  Light  C6 H12O6  6O2  6H 2O2 (4.7)
Para el cálculo de la tasa de cambio del oxígeno disuelto por fotosíntesis (4.8) se requiere
calcular la intensidad de la luz (Ley de Beer-Lambert para la absorción de la luz):
EZ  Et e KZ (4.8)
donde
Et=Radiación solar total en la superficie del agua (Wm-2)(4.9)
Ez=Radiación solar final a profundidad z de la columna de agua (Wm-2)
Et  ED  Ed  Er (4.9)
donde
ED=Flujo solar radiante directo (Wm-2)
Ed= Flujo solar radiante difuso (Wm-2)
Er= Flujo solar reflejado en el suelo (Wm-2)
43
Para el cálculo de estas magnitudes se usa el modelo de radiación solar de ASHRAE. Para
el cálculo del flujo incidente de la radiación solar total
  PMAX 
2 
 EZ     EZ
2

P     
DO2 PH  MAX ln   (4.10)
KZ 2
 E e  KZ   PMAX   E e  KZ 2
  Z  
 Z  
    
con
Pmax=Producción máxima de oxígeno disuelto contra curva de luz (gO2m-3 h-1)
Ek=Intensidad saturada de luz (Wm-2)
α=Por inicial declive de producción de oxígeno disuelto contra curva de luz
saturada (gO2m-3 h-1/(Wm-2))
Z=Profundidad del agua (m)
K=Coeficiente de extinción de la luz (m-1)
4.3.2. Producción de oxígeno disuelto por agitación
La aireación del agua es un proceso de transferencia de oxigeno hacia el agua mediante

difusión y cuya efectividad depende de la profundidad del agua y su turbulencia y cuyos
límites son establecidos por los niveles de saturación de oxígeno disuelto en el agua
dependientes de temperatura y salinidad (Culberson S. , 1993) Cuando concierne
únicamente a la agitación natural del viento sobre la superficie del agua se denomina re-
aeration (4.11), (4.12). Se puede mejorar la fórmula si se adiciona la tasa de transferencia
de oxígeno disuelto por aireadores.

DO2 S  0.0036 8.43WS 
0.5

 3.67WS  0.43WS2 *
(CSATURATED  DOSURFACE )
Z
 DO2 AIREATORS (4.11)
CSATURATED  14.625  0.41TW  0.00799TW2  0.00778TW3  *(1  0.0001E ) (4.12)
DO2 AIREATORS  N AIREATORS *KTRANSFER Sac(DOZ ) (4.13)

MAX
donde
WS=Velocidad del viento 2 metros sobre la superficie del agua (ms-1)
CSATURATED=Valor de saturación del oxígeno disuelto a una elevación y temperatura
dada (gm-3)
TW=Temperatura del agua (ºC)
E=Elevación del lugar (m)
DOSURF=Concentración de oxígeno disuelto en la superficie del agua (gm-3)
NAIREATORS = Numero de aireadores (adimensional)
44
KTRANSFER= Tasa de transferencia aproximada del tipo de aireador (gh-1)

SACDO Z MAX= Valor constante obtenido por prueba y error (adimensional) (4.13).
4.3.3. Consumo de oxígeno disuelto por respiración de peces
La respiración de los peces depende en gran medida de la cantidad de peces por área
cultivable, representado en este caso por (4.14) donde se realiza un cálculo de oxígeno
disuelto consumido por peces, en la ecuación el factor de 1000 realiza un ajuste a las
unidades que manejamos. FR es una curva aproximada que brinda el consumo de oxígeno
disuelto para un tipo de pez ecuación (4.15) o crustáceo decápodo como es el Litopenaeus
Vannamei después del ajuste adecuado claro está.
FR S D
DO2 FR  (4.14)
1000
FR  2014.45  2.75Wn  165.2Tw  0.007WN2  3.93Tw2  0.21WnTw (4.15)
donde
FR=Consumo de oxigeno debido a respiración del tipo de pez (mgO2kg-1 h-1)
Wn=Peso medio de cada pez (g)
SD=Densidad Poblacional de peces. (kgm-3)
4.3.4. Consumo de oxígeno disuelto por respiración de langostinos

Las investigaciones realizadas para determinar el consumo de oxígeno disuelto por
respiración de los langostinos se apoya en respirómetros como el de la Figura 20.
Se han determinado ecuaciones de respiración de langostinos, de acuerdo con las
investigaciones de (Bett & Vinatea, 2009) son
DO2SR  SR SD (4.16)
Pequeños : SR  0.2168  0.0188Tw  0.0008S  0.0080W (4.17)
Medianos : SR  0.1717  0.0162Tw  0.0009S  0.064W (4.18)
Grandes : SR  0.0281  0.0135Tw  0.0019S  0.0007W (4.19)
SR=Consumo de oxigeno debido a respiración de los langostinos (mgO2kg-1 h-1)

W=Peso húmedo de cada langostino (g)
SD=Densidad Poblacional de langostinos. (kgm-3)
45
Figura 20. Midwater Respirometry System

(MRS) Respirómetro y Grúa capaces de
realizar mediciones en el habitat natural de
los animales acuáticos, un respirómetro es el
instrumento usado en estudio de la
respiración de los langostinos asi como de
otros animales.
Fuente: Monterey Bay Aquarium Research
Institute (MBARI 2011)
4.3.5. Consumo de oxígeno disuelto por respiración de fitoplancton

La respiración del fitoplancton y otros organismos es función de la temperatura de acuerdo
a la definición de (Boyd, Romaire, & Johnston, Predicting Early Morning Dissolved
Oxygen Concentrations in Channel Catfish Ponds, 1978). El cambio de día hacia la noche
es el cambio más drástico. Hace que la intensidad luminosa del sol en un punto cambie y
con ella la temperatura del medio ambiente, por ausencia de calentamiento (4.20)
DO2 PR  1.133  0.0038SDD  0.000014SDD2  0.081TW  0.000749TW2  0.00035* SDD *TW (4.20)
donde
SDD=La profundidad hasta ser enturbiado del disco Secchi (m) de acuerdo al inglés
“Secchi Disk Depth”.
46
4.3.6. Nitrificación
El amonio NH4 y amoniaco NH3 provienen de fertilizantes así como desechos de los
pescados o langostinos. La nitrificación es un proceso de dos componentes, cuando la
reacción química hace que el amonio se oxide para nitrito y cuando la consecuente
reacción química haga que este nitrito se convierta en nitrato, durante este proceso hay
consumo de oxígeno disuelto.
El proceso se denomina Nitrificación aeróbica cuando se realiza en el agua por bacterias
llamadas Nitrosomas y Nitrobacter. También existe un proceso inverso llamado des
nitrificación anaerobia realizada por la bacteria Esterichia Coli que produce Amoniaco a
partir de Nitrato y se da en el suelo del estanque. Finalmente todo este proceso químico no
es del todo malo pero tiene una gran repercusión en el pH del agua. Por ejemplo la forma
disociada del amonio hace que el pH sea < 7 lo que convierte el agua en ácida o la forma
disociada del amoniaco hace que el pH sea > 7 lo que convierte el agua en alcalina. Como
vemos en ambos casos se produce un desbalance del pH neutro del agua. con
consecuencias en algunos casos mortales para los seres vivos acuáticos. Los nitratos
absorbidos por plantas son quienes producen gas nitrógeno que se devuelve a la atmósfera
y nitrógeno asimilable para otras plantas. El cálculo del consumo de oxígeno disuelto por
Nitrificación será incluido dentro del siguiente punto “Respiración de los sedimentos”
(Culberson & Piedrahita, 1996)
4.3.7. Respiración de sedimentos
La respiración realizada por los sedimentos en el fondo del estanque necesita un cálculo de
consumo de oxígeno disuelto teniendo en consideración las reacciones químicas ocurridas
sobre residuos de alimentación de peces, langostinos y fitoplancton muerto en
descomposición mostradas en
( DO2 MSR * (TW Tm ) )

DO2 SR  (4.21)
Ths
donde
DO2SR= Tasa de respiración de sedimentos (mgO2 L-1h-1)
= Coeficiente térmico para demanda de oxigeno béntico (=1.065; Krenkel and
Novotny, 1980), adimensional.
DO2MSR= Tasa de respiración de sedimentos medidos a una temperatura dada.
Ths= Espesor del volumen de sedimentos (m).
Tw= Temperatura del agua (ºC).
Tm= Temperatura de la masa de sedimentos (ºC).
47
4.3.8. Respiración de la columna de agua
Es el cálculo de consumo de oxígeno disuelto usado en la respiración de fitoplancton,

zooplancton y bacterias suspendidas en la columna de agua. De acuerdo a las mediciones
realizadas en Auburn se encontró que la respiración de la columna del agua es responsable
en aproximadamente 60% del decrecimiento en la cantidad de oxígeno disuelto durante la
noche en los estanques de cultivo
DO2WCR  DO2WCRM *1(TWCR Tm ) *1000 (4.22)
donde
DO2WCR= Tasa de respiración de la columna de agua (mgO2 L-1h-1)
= Coeficiente térmico (=1.049 (Losordo, 1980); de acuerdo con el ajuste de
temperatura ideado por Krenkel and Novotny, 1980), adimensional.
DO2WCRM= Tasa de respiración de la columna de agua medida en una temperatura
de referencia o ambiental.
TWCR= Temperatura de la columna de agua (ºC).
Tm= Temperatura ambiental o de referencia (ºC).
4.3.9. Oxígeno Disuelto en agua entrante y en agua saliente

De acuerdo con (Ali, 1999) se deben incluir los posibles cambios del agua debidos a
entradas de oxígeno disuelto en agua de afluentes sobre la superficie del estanque que se
determina por
QIN _ WATER * DO2 IN _ WATER

DO2 IN  (4.23)
V
donde
DO2IN= Tasa de ingreso de oxígeno disuelto en efluentes (gO2 m-3)
DO2IN_WATER= Concentración de oxígeno disuelto en efluentes (m-3h-1)
V= Volumen de agua ingresado (m3).
Al mismo tiempo la salida de oxígeno disuelto del estanque está determinada por
QOUT_ WATER * DO2OUT _ WATER

DO2OUT  (4.24)
V
48
donde
DO2OUT= Tasa de salida de oxígeno disuelto en afluentes (gO2 m-3)
DO2OUT_WATER= Concentración de oxígeno disuelto en la superficie de salida
(m-3h-1)
V= Volumen de agua extraído (m3).
4.3.10. Modelo del crecimiento de los peces usado para modelar el crecimiento de los
langostinos
Es bastante certero afirmar que el tamaño que logren los langostinos en menor tiempo es
un indicador de buenas condiciones de crecimiento, (Ali, 1999) y (Yi, 1998) consideran
que el incremento de la eficiencia del crecimiento de los peces no está supeditado solo a
variables intrínsecas como su tamaño actual. Además se debe considerar los factores
ambientales sobre los cuales no tenemos control como son la temperatura ambiental,
temperatura de la columna del agua, radiación solar y fotoperiodo u otros no tan
ambientales pero si circundantes entre estos amonio no ionizado, comida disponible,
residuos de comida, decaimiento de fitoplancton, zooplancton etc.
El modelo matemático del consumo de oxígeno disuelto en el estanque necesita un modelo
de crecimiento diario de los langostinos (DGR por sus siglas en inglés Daily Growth Rate)
cuyas unidades son de acuerdo con Ali y Yang-Yi (gdia-1) para tilapias de río, por lo que
para esta investigación dicho valor tendrá que ser recalculado y ajustado al orden mili
(mgO2h-1). Este orden hace que la simulación del proceso muestre resultados cada hora,
aunque esto se puede configurar. La ecuación usada por Yang Yi incluye todos estos
factores que pueden mejorar o retrasar el crecimiento de la vida acuática. La ecuación de
Yang Yi (4.23)
DGRn  (0.2914 hfWnm )  KWnL (4.23)
donde
=Factor de temperatura, adimensional (0< <1)
=Factor de fotoperiodo, adimensional (0< <1)
=Factor de oxígeno disuelto, adimensional (0< <1)
=Amonio no ionizado, adimensional (0< <1)
h=Coeficiente de consumo de comida (gdia-1)
f=Nivel relativo de alimentación (0<f <1)
K=Coeficiente de catabolismo.
49
Para el caso de los langostinos no puede ser aplicada en la misma forma que usaron los
investigadores previos debido a las especies diferentes, sin embargo se puede realizar un
ajuste de curvas incluyendo un factor de corrección, que puede permitir una curva de
crecimiento bajo condiciones óptimas de acuerdo a nuestras propias mediciones de
crecimiento de langostinos realizadas en Ecosac Piura.
La ecuación (4.23) quedaría
DGRn   hfWnm  KWnL (4.24)
donde
=Factor de corrección por especie, adimensional
Nota:
 La constante L también se cambió por el ajuste de especie a 1
 El valor de se estimó en 0.2
Desde un principio (Cuenco, 1989) se advirtió que el consumo de alimento no fue afectado
aún en valores críticos de oxígeno disuelto. Para la vida marina se sugiere 3.0mgL-1 y en
cuanto a los niveles mínimos sugiere 0.3mgL-1 (Yi, 1998) . Todo esto se expresa en el
factor ( ) (Bolte et al. 1995) Las siguientes relaciones se deben incluir en el modelo final
para poder guardar realismo en la simulación
  1  DO 2  DO 2CRITICO (4.25)
DO 2  DO 2 MINIMO
  DO  DO  DO 2CRITICO (4.26)
DO 2CRITICO  DO 2 MINIMO
2 MINIMO
  0  DO 2  DO 2 MIN (4.27)
Existen otras condiciones importantes para el modelo de crecimiento de Yang Yi sin

embargo nos centraremos en el modelo de crecimiento que retroalimenta diariamente las
demás cálculos del modelo matemático a través de (4.28):
Wn  Wn1  DGRn (4.28)

50
51
Capítulo V
Control Avanzado para el Aireamiento
5.1. Control Avanzado Predictivo Basado en el Modelo del Proceso
El control avanzado (Advanced Process Control, APC) más popular es el Control

predictivo basado en modelos (Model Based Predictive Control, MBPC/MPC), que es una
metodología desarrollada alrededor de principios claves (Keyser, 1993), que son:
 Uso online de un modelo del proceso (Modelo Matemático) para predecir futuras
salidas del proceso (Fig. 21).
 Cálculo de una acción de control acorde con la minimización requerida de una función
de coste y posiblemente esta incluya las restricciones de las variables del proceso.
Y
u Proceso
X
Modelo X’
u <Matemático>
Figura 21. Requerimiento de la metodología MBPC;

el modelo matemático del proceso a controlar.
Las diferencias que surgen entre los algoritmos usados por la gran familia de controladores
MBPC, principalmente son:
 El tipo de modelo usado y la representación de las perturbaciones.
 La función coste que se minimizará puede o no tener restricciones.
Algunos de los algoritmos relacionados al control adaptativo que comparten la
metodología MPC/MBPC (Camacho & Bordons, 2007):
 Predictor de Peterka Basado en control por auto-tunning
 Control adaptativo de horizonte extendido (Extended Horizon Adaptive Control,
EHAC)
 Control auto-adaptativo de predicción extendida (Extended Prediction Self
Adaptive Control, EPSAC)
 Control predictivo generalizado (Generalized Predictive Control, GPC)
52
 Control adaptativo Multistep Multivariable (Multistep Multivariable Adaptive Control,

MUSMAR)
 Control Adaptativo Multipredictor de horizonte recesivo(Multipredictor Receding
Horizon Adaptive Control, MURHAC)
 Control Predictivo funcional (Predictive Functional Control, PFC)
 Control predictivo unificado (Unified Predictive Control, UPC)
5.2. Consideraciones de aireación para estanques de Cultivo
El oxígeno disuelto en general presenta un comportamiento periódico y diario. El efecto

ambiental que lo produce es la sucesión del día y la noche, con los cambios de temperatura
que estos conllevan y el cambio drástico en radiación solar que ocasionan la disminución
de oxígeno disuelto debido al fitoplancton y algas. En la Fig. 22 se considera que ti es el
inicio del día y tf es el fin del mismo. Para la formación del modelo matemático se
necesitan estados iniciales que son descritos en la imagen: DO(ti-1), T, a, b, c, d,
f,…Oxígeno disuelto registrado anterior, temperatura y otros factores respectivamente. Un
factor importante es la presencia de vientos y agitación de la superficie del estanque ya que
esto permite una aireación natural.
mgO2/L
DO(DOt-1,T(ºC),a,b,c,d,f,…)
ti tf t
Figura 22. Comportamiento aproximado del oxígeno disuelto en un Estanque de Cultivo de especies marinas.
53
5.2.1. Definición de Set Point para los cultivos: Tal como se estudió en el Capítulo II y
de acuerdo con (Walker, 2009) valores de 2mg/L y mayores a 5 mg/L no afectan
drásticamente la supervivencia (Fig. 23), claro está en laboratorio. Sin embargo, durante el
cultivo no se puede mantener uniformemente en la extensión del estanque valores mínimos
como 2mg/L, esto debido a la proliferación de regiones con oxígeno disuelto menor e
incluso igual a cero. Por tanto sería económicamente beneficioso conservar valores set
point de 5 mg/L o mayores, cercanos a la saturación del agua debido al menor consumo
energético.
En la Figura 23 se pueden observar ciertos detalles con respecto a la medición de valores
de oxígeno disuelto realizado por instrumentos digitales:
 El incremento de observaciones (n) mejora notablemente la exactitud de las
mediciones.
 Los valores de oxígeno disuelto en el tanque circular se mantienen prácticamente
homogéneos pero no precisamente son iguales.
Figura 23. Distribución del oxígeno disuelto en un tanque circular

de peces, con entrada y salida de agua de orden 6.3L.h-1, el área
sombreada es la ubicación de los peces en el momento de las
mediciones
Fuente: EIFAC, 1986
5.3. Control no lineal auto-adaptativo de predicción extendida
La parte fundamental de la metodología MBPC es la predicción de las futuras salidas del

proceso y para conseguirlas se apoya en:
 Mediciones disponibles hasta el momento de ejecución del algoritmo.
 Valores posibles para las entradas a futuro.
Para el enfoque GPC de predicción se usa el modelo CARIMA (Controlled Auto
Regressive Integrated Moving Average) a través de la solución de la ecuación diofantina.
En el enfoque EPSAC que será la base del N-EPSAC, (Non linear Extended Prediction
Self Adaptive Control, N-EPSAC) (Keyser, 1993), se usará un modelo del proceso de
acuerdo con la Figura 24. La predicción debe apoyarse necesariamente en técnicas de
filtrado para las perturbaciones. La ecuación (5.1) representa el modelo, su formulación
corresponde a un caso SISO (Single Input Single Output)
54
y  t  k|t   x  t  k|t   n(t  k | t ) (5.1)
donde:
y(t+k|t): Salida medida del proceso en tiempo futuro +k a partir de t.
y(t-k): Salida medida del proceso en tiempo pasado -k a partir de ahora.
x(t+k|t): Salida del modelo en tiempo futuro +k a partir de t.
x(t-k): Salida del modelo en tiempo pasado -k a partir de ahora.
n(t+k|t): Perturbación entre el proceso y modelo en tiempo futuro +k a partir de t.
u: Entrada del proceso en tiempo t.
n
u x
+
Modelo -
y
Figura 24: Modelo matemático usado por EPSAC.

Fuente: Keyser, 1993
Es importante saber si el proceso es lineal o no lineal para aplicar el algoritmo de control

adecuado
La representación del sistema “Aireación de estanque de langostinos” en esta tesis es
realizada por un modelo dinámico basado en balance de masas tal y como fue presentado
en el Capítulo IV. La mayoría de los procesos reales son no lineales y esta investigación
presenta un modelo en el que es difícil de acceder a varios parámetros internos y difícil de
modelar por lo que tenemos que usar conocimientos del Capítulo III (Debido a la
importancia de la compatibilidad entre el modelo usado y la metodología de control),
recordar que el modelo desarrollado se cataloga como Gris, debido a que no todos los
parámetros del mismo son conocidos. Además, aunque el modelo también es teórico,
porque inicialmente se basó en ecuaciones diferenciales de balance de masas (Ipanaqué,
Control Automático de Procesos, 2012), se usó información basada en históricos e
investigaciones anteriores, magnitudes cuya determinación por ajuste y regresión fue
recomendada en la bibliografía correspondiente como explicación a fenómenos tales como
respiración de fitoplancton o respiración de sedimentos. Por tanto, para el motivo final de
control es correcto afirmar que el modelo se ha convertido en empírico y dinámico. Al ser
un modelo del tipo gris es difícil de observar si es lineal o no lineal, lo cual se resuelve por
principio de superposición (Fig. 25, 26, 27 y 28) que al observar que valores ínfimos de
oxígeno disuelto no logran excitar la función Bio energética de crecimiento (la de mayor
influencia no lineal) entonces será correcto afirmar que el modelo matemático es No Lineal
debido a la composición de dos entradas, una de ellas no suficiente para ejecutar
correctamente la función Bio energética.
Análisis Gráfico de superposición en el modelo matemático:
55
8
10
6
Oxigeno disuelto(mg/L) 8
Oxigeno disuelto(mg/L)
4
6
2
4
Salida a entrada Ub=0.07

Comparación de y Ua+Ub(Azul) 0
2
DO salida para entradas Uc(Rojo)
-2
0
2 4 6 8 10 12 14 16 18 20 22 24 4 6 8 10 12 14 16 18 20 22 24
Tiempo(horas) Tiempo(horas)
Figura 25. Comparación salidas. Figura 27. Salida a entrada individual b

Fuente: Elaboración propia Fuente: Elaboración propia
8
8
6
6
4
4
2
2
0 Salida DO a entrada U =0.05

a
0
Salida a entrada Uc=0.12
-2
-2
5 10 15 20 5 10 15 20
Tiempo(horas) Tiempo(horas)
Figura 26. Salida a entrada individual a+b Figura 28. Salida a entrada individual a
Fuente: Elaboración propia Fuente: Elaboración propia
Para un caso donde la perturbación sea inexistente, el DO predicho (DO’) será igual al
DO de salida del proceso modelado. Es en estas circunstancias que se ha desarrollado el
principio de superposición (Fig. 29).
n
OD en +
u DO
estanques de -
cultivo de LV DO’
Figura 29. Esquema de entradas y salidas del Modelo Matemático para la prueba de superposición.
El principio de superposición indica que en un proceso lineal la suma de dos entradas

produce una salida igual a la suma de las salidas individuales de cada una de estas
entradas iniciales.
Es necesario aclarar que NEPSAC comparte gran parte de la programación con EPSAC,
la diferencia estriba en que NEPSAC incluye la búsqueda de puntos de operación
adecuados, en cambio EPSAC es diseñado para un punto de operación específico.
56
5.3.1. Tipo de modelo requerido para la ejecución del algoritmo NEPSAC
Los esquemas usados pueden ser:
5.3.1.1. Esquema Paralelo: Este tipo de esquema es usado cuando el modelo

matemático no usa las mediciones a la salida del proceso, para esta investigación es el
esquema escogido. Las características adicionales son el modelo paralelo comparte las
mismas entradas que el proceso sin embargo su mecanismo de predicción es
independiente a las salidas reales del proceso lo que puede ocasionar una diferencia
entre salidas a medida aumente el tiempo de simulación (Fig. 30).
Proceso y
u
x +
-
n
Modelo
u Paralelo x
Figura 30. Esquema paralelo

5.3.1.2. Esquema Serie/Paralelo: Es el esquema usado durante investigaciones en

campo y donde se dispone de las mediciones reales. Este esquema será altamente
recomendado debido principalmente a su coherencia en resultados la exactitud de
predicción será mejor que el esquema paralelo, es muy usado cuando se tratan procesos
inestables (Keyser, 1993). Para estos modelos lineales la implementación de ambos
esquemas son equivalentes si el modelo de la perturbación es adecuadamente escogido;
su mecánica de uso es similar debido a la retroalimentación de estados que permite
cambiar de esquemas fácilmente cambiando la fuente de información x o y (Fig. 31).
u y
Proceso
+
-
y n
Modelo Serie/
u Paralelo x
Figura 31. Esquema serie paralelo, la flecha

indica el cambio a esquema paralelo.
57
Para la investigación, se ha desarrollado el modelo matemático del estanque de cultivo y

un modelo matemático del proceso real, esto con la finalidad de aplicar la estrategia de
control NEPSAC. Es necesario precisar que el esquema usado por el modelo es del tipo
serie paralelo.
La estrategia de control NEPSAC mantiene el orden de la estrategia MBPC como se
muestra en la figura 32:
Referencia
Pasados Predicción +
In/Out Modelo -
Futuras
entradas
Optimizador Error Futuro
Función Costo Restricciones
Figura 32. Esquema de estrategia de control MBPC

general.
Fuente: Profesor Keyser
En el esquema el orden de implementación usualmente será:

 Predicción de las salidas usando el modelo del proceso.
 Actualización de la trayectoria de referencia
 Optimización de la ley de control usando una función coste.
 Búsqueda del conjunto de señales de control optimizados a un escenario temporal o
periodo de tiempo dado.
5.3.2. El Controlador Predictivo NEPSAC
El controlador predictivo del tipo NEPSAC es una modificación del EPSAC que está
diseñado para uso en procesos lineales esto debido al principio de superposición usado
en la formulación de la predicción de la salida futura. En la figura 33 tenemos un
esquema de la implementación del controlador EPSAC/MBPC en la región encerrada
por líneas entrecortadas; esta región está bajo un bucle temporal cuya operación no debe
tardar más que la duración del instante actual para que el algoritmo funcione
adecuadamente aunque esto no es una condición esencial, en otras palabras elaborar el
control Uactual con los valores que ya dispongo de mediciones Ymedidoactual.
58
Pasados
Referencia + Predicción Modelo In/Out
- No
Futuras Salida
U optimizado? Proceso
entradas Sí
Error Futuro
Optimizador
Restricciones Función Costo
Figura 33. Esquema de Controlador MBPC para algoritmo EPSAC

y  t  k|t   ybase  t  k|t   yoptimizado t  k|t  (5.2)
El cálculo de Ybase y Yoptimizado (5.2) requiere de (Tabla 11)

Tabla 11. Información usada para la creación de Yoptimizado e Y base
Componente de Y Información usada

Ybase
 Entradas pasadas
 Secuencias futuras de control
 Disturbios
Yoptimizado
 Variación de la secuencia futura de control
para el horizonte Un, con consideración de
N2 (Fig. 34)
 Realiza las operaciones matemáticas de
algebra lineal sujetas a condiciones
numéricas de las matrices a invertir.
 La versión final de esta matriz proviene de
una convolución en tiempo discreto para
la respuesta impulso y step (cuando
hablamos de procesos no lineales).
59
Sentido de Programación de U, en bucle de tiempo

TB depende del modelo del proceso.
Avance de la
predicción
Duración de instante > Nu

actual
Nu
Instante actual: Inicio
Figura 34. Estructura del control predicho, respecto a tiempos de bucle.

5.3.2.1. Tiempo del bucle

Tiempo de bucle es la duración de ejecución requerida por el programa en la búsqueda
de una señal de control optimizada. En Matlab puede ser calculada fácilmente usando
funciones del programa. Nos sirve para estar seguros de que el programa elaborará una
respuesta en el tiempo que lo requerimos y no se perderán datos de salidas ni se
omitirán acciones de control debido a problemas como condicionamiento numérico u
otros. También su estudio nos permite detectar errores de modelación u parámetros de
entrada incorrectos entre otros.
5.3.2.2. Cálculo de Ybase:
El Ybase es el valor que tiene y tendrá la salida del proceso usando claro está el modelo
matemático del proceso para los valores de la predicción y la bondad del esquema serie
paralelo para acceder al valor de la medición real actual (5.3)
 ybase (t  N1 | t) 
 y (t  N  1| t) 
ybase (t  k | t)  Y   base 1  (5.3)
 
 
 ybase (t  N 2 | t) 
No incluye el valor actual de la medición dado que este no se puede cambiar, porque ya
ocurrió.
5.3.2.3. Cálculo de Yoptimizado:
El yoptimizado es resultado de una serie de cálculos de algebra lineal o matriciales. Al

mismo tiempo yoptimizado es importante ya que consumirá la mayor parte del tiempo de
bucle debido a la búsqueda de variables apropiadas que superen las tolerancias
asignadas.
60
yoptimizado  GU optimizado
(5.4)
5.3.2.4. Optimización
La optimización consiste en calcular la minimización de la función costo J. Si el control

U es menor a la tolerancia permitida, si es así entonces el control u(t)=ubase(t|t)+U(1) y
espera nuevamente el inicio del próximo instante, de lo contrario el control Ubase=
Ubase+U y se permanece en la búsqueda de un U adecuado (Ipanaqué, De Keyser,
Dutta, Oliden, & Manrique, 2012). Su solución es semejante a la estimación de
parámetros por mínimos cuadrados (Capítulo III) por lo que los pasos de la
demostración matemática son los mismos aunque con distintas designaciones para las
matrices
N2
J  [r (t  k | t)  y(t  k | t)]
k  N1
2
(5.5)
linealmente sería
J  (R  Y)T (R  Y) (5.6)
Donde (5.7), se reemplaza en (5.6) para tener (5.8) y (5.9)
Y  Y  GU (5.7)
J  [(R  Y)  GU ]T [(R  Y)  GU ] (5.8)
Lo que permite obtener un resultado de U(δu) que minimiza la distancia entre R e Y.
U *  (GT G)1 GT (R  Y) (5.9)
que debe ejecutarse hasta que U(δu) (El primer elemento de la matriz) sea muy cercano
a cero y menor que la tolerancia asignada por los programadores. Notar que la
desviación de U(δu) sea cero o próxima a cero no quiere decir que la señal de control
sea cero; al contrario, quiere indicar que se estabilizó en un valor. Para el caso No lineal
esto es justo lo que se busca cuando Yoptimizado (5.10), (5.11) se convierte en una
matriz de ceros, es porque el principio de superposición ha quedado anulado.
 hN1 hN1 1 hN1  2 ... g N1  Nu 1    u (t | t) 

 
 hN1 1 hN1 hN1 1 ... g N1  Nu  2    u (t  1| t) 
 
yoptimizado   hN1  2 hN1 1 hN1 ... g N1  Nu 3    u (t  2 | t)  (5.10)
  
  
 
 hN2 hN2 1 hN2  2 ... g N2  Nu 1   u (t  Nu  1| t) 
61
 yoptimizado (t  N1 | t) 
y 
 optimizado (t  N1  1| t) 
yoptimizado (t  k | t)  (5.11)
 
 
 yoptimizado (t  N 2 | t) 
Para Yoptimizado no se incluye el valor actual de la medición dado que este no se
puede optimizar, porque ya ocurrió o ya se optimizó o esta camino a optimizarse. El
cálculo es para el futuro. Para el cálculo general puede ser recomendable asignar a la
matriz δu dimensiones N2 por lo que se tendría que repetir el ultimo valor de la matriz
δu a fin de completar el arreglo.
5.3.3. Conclusión Del Algoritmo NEPSAC:
El mecanismo de funcionamiento del algoritmo NEPSAC es bastante ingenioso y fácil

de implementar computacionalmente. Los requerimientos de hardware no son altos y en
software tampoco. Sin embargo, durante la programación del software se ha tocado
puntos en los cuales el algoritmo no llega a un resultado correcto o simplemente no
puede llegar ya sea por la dinámica del sistema o por el ingreso incorrecto de un
parámetro en el modelo. Estos errores difíciles de detectar debido a que no son
detectados por el compilador suelen ocurrir con frecuencia y cualquier controlador
digitalmente implementado tendría que ser a prueba de ello.
El resultado que se busca con el algoritmo NEPSAC es ajustar la trayectoria seguida por
la salida del proceso a la trayectoria que represente la respuesta más rápida posible. Con
este fin el algoritmo repasa con antelación posibles otras trayectorias y descartándolas
en base a unas tolerancias determinadas con anticipación, por la ecuación de
optimización. Esto puede tomar tiempo sin embargo el buen desempeño del controlador
para lograr llegar al set point es resaltable.
Un punto negativo es que no se asegura un control si el bucle de búsqueda de
Yoptimizado se indetermina debido a que G se convierte indeterminada.
5.4. Puesta en Marcha del Control NEPSAC sobre la aireación de un estanque de

langostinos
La simulación del algoritmo de control NEPSAC fue realizado como Script de

©MATLAB, (Anexo A).
5.4.1. Consideraciones básicas de la simulación

Precaución: Tomar en cuenta las consideraciones para poder tener
resultados veraces y asegurar la supervivencia de los cultivos.
62
Hay que tener en cuenta los detalles de la creación de la simulación para asegurarse de
que los resultados sean los más exactos y congruentes con la realidad posibles.
La simulación es capaz de brindar un control permanente y online del proceso, ver
Capítulo final. El tiempo máximo de la simulación es 5 meses, coincidiendo con el
tiempo de duración del cultivo de los langostinos. La simulación considera
automáticamente como Enero 01 el inicio temporal, sin embargo esto se puede ajustar.
El pronóstico de irradiación solar fue desarrollado para cada hora, en base a los
pronósticos de radiación solar enunciados por: (Duffie & Beckman, 2013) y medidos en
el hemisferio norte inicialmente. La simulación fue testeada inicialmente en una laptop
Core i3 con memoria RAM de 4GB siendo suficiente para tener resultados en breve
tiempo.
La denominación del modelo matemático de los estanques de cultivos es
sim_model_mark.m (Fig. 35)
La denominación de la simulación del proceso es: control_NEPSAC_MARC.m e
incluye el algoritmo de control y esquema SERIE/PARALELO.
La simulación del proceso no requiere datos de campo para su ejecución, es decir es una
simulación virtual de que es lo que pasaría si se cambian ciertas condiciones y
parámetros.
La estructura del programa de simulación del control NEPSAC es similar a la figura 32.
La estructura de sim_model_mark.m (El modelo matemático del oxígeno disuelto en el
estanque de cultivo de langostinos) no fue realizada en Simulink, debido a
incompatibilidad con Software Libre y requerimientos de sistemas embebidos. Como se
explica en el Capítulo I. Tanto las entradas como las salidas coinciden con las
formulaciones del Capítulo IV, por lo tanto a este punto la gráfica nos ilustra el orden de
entradas y salidas (Fig. 35).
5.5. Comparación de resultados de los diferentes set-point probados
El controlador NEPSAC se ejecuta de manera aceptable en las tres simulaciones:

Las consideraciones de la simulación fueron las siguientes:
 N2=10, N1=1, Nu=5, Error= 1E-3.

63
psi
Pmax DO
pg
Alfa W_n_f
k DO_om
Do_ini E_t
z DO_sed
LST sim_ E_z
W_s DO_in
LSM
model_ DO_ph
Elevacion DO_out
Alfa
mark DO_s
Temperatura DGR
LON DO_fr
DO_surf deriv
Latitud DO_pr
Wn_ini
Sigma DO_nr
...
Figura 35. Entradas y salidas del modelo matemático sim_model_mark.

 Existen momentos que por la dinámica del proceso, este se torna incontrolable, es
decir cuando la simulación indica que un exceso de producción de oxígeno disuelto
por fitoplancton y algas es mayor a la producción de oxígeno disuelto con
aireadores, entonces el algoritmo simplemente reacciona brindando el mejor control
que puede (Quiere decir que el sistema de aireación únicamente produce oxígeno, es
decir aumenta la concentración de oxígeno disuelto en el estanque pero de ninguna
manera puede consumirlo o extraerlo cuando el DO supere al set-point), esto se
aprecia en la imagen de comportamiento del oxígeno disuelto sin control (Fig. 48).
Durante un set point de 4mg/L: (Condiciones de baja concentración de oxígeno disuelto

en estanques de cultivo de langostinos) muestra que el controlador intenta mantener el
valor consigna pero el exceso de producción fotosintética es mayor (Fig. 36), lo que
eleva el set point hasta 8mg/L (Fig. 38).
Durante un set point de 6mg/L: (Condiciones de concentración de oxígeno disuelto que
no interfiere el cultivo de langostinos, este sería un tema de estudio a futuro porque
realmente se debe comprobar además que este nivel permite la respiración y el
crecimiento de estos animales) Ocurre lo mismo que el caso de 4mg/L (Fig. 40)lo que
puede sugerir que el controlador puede necesitar un mecanismo para detectar la
producción fotosintética a fin de emplear menos energía en un control (Fig. 42) que
innecesariamente produce oxígeno disuelto.
Durante un set point de 8mg/L: Para condiciones de alta concentración de oxígeno
disuelto en estanques de cultivo de langostinos hay referencias a nivel de cultivos de
otros especies que indican que la saturación de los niveles del oxígeno disuelto en el
agua es conveniente para el crecimiento de los cultivos, pero esto también es motivo de
investigación futura; No se distinguen los picos de producción natural (zonas
incontrolables) (Fig. 46) de oxígeno disuelto debido a que no exceden el valor de
consigna y la gráfica muestra un control bastante bueno (Fig. 47) aunque con una
variabilidad entre cada hora.
64
Tabla 12. Comportamiento del Controlador

NEPSAC: Set Point Bajo
Variable Valor
DO inicial (mg/L) 4
Tiempo Inicial (horas) 0
Masa Inicial (g) 0.2
SET POINT (mg/L) 4
Tiempo de simulación (horas) 24
Error de bucle (Unidades) 1.00E-03
6 Dia Nº=1 Fecha Numerica=2017/1/1 Porcentaje

de avance=100%
4
-2
Salida DO a entrada U0=4
-4
0 5 10 15 20
Tiempo(horas)
Figura 36. Salida horaria del proceso (1 día)

0.35
0.3
0.25
Unidades(Un)
0.2
0.15
0.1
Señal de control U
0.05
0
0 5 10 15 20 25
Tiempo(horas)
Figura 37. Control horario del proceso (1 día).

65

NEPSAC: Evaluación durante todo el periodo de
cultivo
Variable Valor
DO inicial (mg/L) 4
SET POINT (mg/L) 4
Tiempo de simulación (horas) 3600
10
8
-1
0
Salida DO Set Point=4.0 mgL
0 500 1000 1500 2000 2500 3000 3500 4000

Tiempo(horas)
Figura 38. Salida horaria del proceso (Todo el cultivo).

0.7
0.6
Señal de control U
0.5
Unidades(Un)
0.4
0.3
0.2
0.1
0
0 500 1000 1500 2000 2500 3000 3500 4000
Tiempo(horas)
Figura 39. Control horario del proceso (Todo el cultivo).

66
Tabla 14. Comportamiento del Controlador NEPSAC: Set

Point Mediano
Variable Valor
DO inicial (mg/L) 4
SET POINT (mg/L) 6
Tiempo de simulación (Segundos) 24
6
0
Dia Nº=1 Fecha Numerica=2017/1/1
Porcentaje de avance=100%
-2
Salida DO a entrada U =6
0
0 5 10 15 20
Tiempo(horas)
Figura 40. Salida horaria del proceso (1 día).

3
Señal de control U
2.5
2
Unidades(Un)
1.5
0.5
0
0 5 10 15 20 25
Tiempo(horas)

67
Tabla 15. Comportamiento del Controlador NEPSAC:

Evaluación durante todo el periodo de cultivo
Variable Valor
DO inicial (mg/L) 4
SET POINT (mg/L) 6
10
8
-1
2 Salida DO Set Point=6.0 mgL
0 500 1000 1500 2000 2500 3000 3500 4000

Tiempo(horas)
Figura 42. Salida horaria del proceso (Todo el cultivo).

Señal de control U
2.5
2
Unidades(Un)
1.5
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
Tiempo(horas)

68

NEPSAC: Set Point Alto
Variable Valor
DO inicial (mg/L) 4
SET POINT (mg/L) 8
6
0
Dia Nº=1 Fecha Numerica=2017/1/1 Porcentaje de avance=100%
-2
Salida DO a entrada U0=8
5 10 15 20 25
Tiempo(horas)
Figura 44. Salida horaria del proceso (1 día).

4
Señal de control U
3.5
3
Unidades(Un)
2.5
1.5
0.5
0
0 5 10 15 20 25
Tiempo(horas)

69

NEPSAC: Evaluación durante todo el periodo
de cultivo
Variable Valor
DO inicial (mg/L) 4
SET POINT (mg/L) 8
Tiempo de simulación
3600
(Segundos)
Error de bucle
1.00E-03
(Unidades)
10
8
Salida DO Set Point=8.0 mgL-1

0
0 500 1000 1500 2000 2500 3000 3500 4000

Tiempo(horas)
Figura 46. Salida de proceso, consigna=8mg/L, resultado durante el periodo de

cultivo.
Señal de control U
3.5
2.5
Unidades(Un)
1.5
0.5
0
0 500 1000 1500 2000 2500 3000 3500 4000
Tiempo(horas)

70
5.5.1. Comportamiento del Modelo de estanque Sin Control
-1
10
Salida DO Sin Control: mgL
8
0 500 1000 1500 2000 2500 3000 3500 4000

Tiempo(horas)
Figura 48. Salida horaria del proceso, sin control (Todo el cultivo).
Nota: En las Figuras de señal de control las unidades son mgO2L-1

5.6. Conclusiones
La aplicación de este control avanzado en la simulación, resultó de utilidad. Debido a

que nos indica cómo reaccionaría si estuviera implementado en la realidad. Los tres
casos analizados para diferentes niveles de oxígeno disuelto hallaron que en las regiones
incontrolables el algoritmo falla por exceso y no por defecto lo que es conveniente para
un cultivo de especies acuáticas dado que las condiciones saturadas son favorables para
su crecimiento. En algunos casos (Fig. 46, 42 y 38) la salida oscila en valores muy
cercanos al set point y esto es debido a que el proceso es no lineal y su punto de
operación está cambiando durante la simulación.
Las pendientes de las curvas de las señales de control no representan un control que
cambia entre unidades de tiempo (horas) en realidad esta es una señal de control
escalonada, es por esta razón que las salidas se representaron en figuras con duración de
24 horas y figuras con duración 5 meses (donde se mantiene como unidad las horas) sin
embargo, si el algoritmo reduce su tiempo de simulación a 1 segundo es evidente que el
escalón se convertirá en una curva desde la perspectiva de 1 hora de mediciones.
71
Capítulo VI
Implementación
6.1. Antecedentes de estaciones de medida
Para conocer los valores de los parámetros ambientales, se realiza la construcción de

una estación de medición basada en estaciones de monitoreo del Servicio Geológico de
los Estados Unidos (USGS por sus siglas en inglés) debido a las altas prestaciones que
permiten lograr en el estudio del comportamiento ambiental (Tabla 17)
Tabla 18. Estudio de las estaciones de medición ambientales
Imagen de Estación de Medición Descripción

Localización:
Río de las Animas, Cuenca San Juan
(Colorado-USA).
Mediciones disponibles:
Mediciones automatizadas: Temperatura,
turbidez, conductancia, pH.
Capacidades de envío de datos:

Disponibles cada 5 a 10 minutos en la
actualización web.
Datos grabados en tiempo real.
72
Localización:
South Fork Chealis, California
Mediciones automatizadas: Temperatura,
conductancia, Oxígeno disuelto, pH y
presión atmosférica.

Desconocidas.
Localización:
Dauphin Island, Alabama. Servicio:
NOAA(Administración Nacional Oceánica
y Atmosférica de Estados Unidos)
Mediciones automatizadas: Nivel del Agua.
Desconocidas.
Localización:
Clam Bayou, Florida.
Salinidad, oxígeno disuelto, pH,
temperatura del agua, turbidez, clorofila,
algas verdes azules y materia orgánica
disuelta fluorescente. Estos datos de calidad
del agua aumentan las mediciones de la
presión de la estación, la temperatura del
aire, la humedad relativa, la precipitación y
la presión barométrica de la estación.
Desconocidas.
73
Localización:
Ninguna. El producto se denomina The
AquaStation y es hecho por Aquared
Análisis de calidad de agua remota
completamente automático.
Autónomo y auto alimentado (solar / viento)
Autocalibrado.
Intervalos de muestreo configurables por el
usuario, intensidad de limpieza y frecuencia
de calibración
Bajo mantenimiento
Varias opciones de bomba de muestra para
todas las aplicaciones
Varias opciones de telemetría
Las alarmas configurables con puntos de
ajuste especificados por el usuario generan
alertas de correo electrónico o SMS
Medición de hasta 16 parámetros
individuales simultáneamente
Cerrado seguro, resistente a la intemperie y
con llave
Los resultados del análisis son visibles en
línea desde cualquier ubicación.
Datos en vivo disponibles en el sitio con
Aquameter incorporado
Las características más importantes en estas estaciones de medición son:

 Están dentro de gabinetes metálicos lo cual confiere protección a los
componentes electrónicos internos
 Poseen su propia fuente de energía
 Poseen un sistema de almacenamiento de información en discos duros o
memorias flash
 Pueden grabar varios parámetros ambientales al mismo tiempo
 Su uso es usualmente por organismos del gobierno y por este motivo su
ubicación cerca de ríos o en el mar está permitida
 Necesitan un mantenimiento cada cierto tiempo en especial los sensores.
6.2. Desarrollo de la estación de medida y control
Actualmente muchos de los sistemas de medición empleados por la industria han

evolucionado bajo el concepto de software que permita el gobierno de los procesos
industriales. Estos son los denominados Sistemas de supervisión, control y adquisición
de data (SCADA, Supervisory Control And Data Acquisition).
Esta es una de las razones para que el autor desarrolle un prototipo de SCADA llamado
MARK SCADA V0.1 con el cual se lleva a cabo la tarea de monitorear y controlar el
oxígeno disuelto en los estanques de cultivos. Una vista de este SCADA se realizará más
74
adelante. Este SCADA necesita de dispositivos electrónicos, cables y sensores para

funcionar correctamente.
La estación de medida en control será pues la suma de componentes electrónicos,
software SCADA, actuadores eléctricos y carcaza de melamina.
6.2.1. Componentes de la estación de medida y control
Los componentes de la estación y sus funciones son explicados en las tablas 18-24.
Tabla 19. Datos de sensores Fuente: Elaboracion propia
Componente Función
PT-1000 Temperature Kit, (Fig. Transductor y Micro controlador:

49) Sensor de temperatura
Transductor y Micro controlador:

pH Kit (Fig. 50)
Sensor de potencial hidrogenión
Transductor y Micro controlador:

Dissolved Oxygen Kit (Fig. 51)
Sensor de oxígeno disuelto
Figura 49. Sensor de oxígeno Figura 50. Sensor de pH. Fuente: Figura 51. Sensor de
disuelto, micro controlador y Atlas Scientific. Temperatura, micro controlador y
Buffer de prueba. Fuente: Atlas Scientific. conector BNC. Fuente: Atlas
Fuente: Atlas Scientific. Scientific.
Fuente: Atlas Scientific.
75
Tabla 20. Datos de cables de comunicación

Componente Función
Para poder acceder a la ubicación

final de los sensores sin afectar las
BNC Extensión Cable
mediciones: Extiende el alcance de
los sensores.
Jumpers Jumpers Macho, Hembra.

Tabla 21. Carriers de data

Componente Función
Permite el envío de datos del
Single Circuit Carrier Board
sensor por comunicación serial
Permite potenciar el envío de

datos del sensor por puertos USB,
USB Isolator, Carrier Board
con Web Server/Data logger
functions
Para conectar los USB Isolators

Cable USB para Mini USB
Carrier Board con los puertos
USB de la PC o Raspberry Pi
Tabla 22. Microcomputador e interface de control
76
Componente Función
Computadora de bajo consumo, permite realizar cálculos

Raspberry PI 3 (Fig. 52) complejo y tener avanzados sistemas de control
ejecutándose.
Evita el calentamiento del Raspberry pi y protege su

Raspberry Pi Official Case
circuitería.
5989DV Micro USB Power Supply 5V1 Fuente de alimentación de Raspberry de Corriente
2.5ABlack Alterna hacia continua.
8GB SD CARD Memoria donde se instala el software del Raspberry pi
Permite la visualización de resultados de Raspberry pi así

Raspberry Pi 7" Touch Screen LCD
como control del proceso a tiempo real.
Es la tarjeta de interface de los sensores: permite

Genuino Mega 2560 Rev3 (Fig. 53) recopilar la data y prepararla para su aprovechamiento
dentro del Raspberry
Tornillos/ Tuercas/ Estoboles/ Para fijar las tarjetas electrónicas
Reloj digital (Fig. 54) Registra la hora, tiene su propia fuente de energía
Figura 52. Raspberry Pi III, incluye case para Figura 53. Arduino Genuino Figura 54. Reloj
protección y disipadores de calor producido por MEGA. digital con pila
el micro procesador. compatible con
Arduino.
Fuente: Elaboración propia. Fuente: Elaboración propia. Fuente: Elaboración
propia.
77
Tabla 23. Armazón y cubierta protectora

Componente Función
Permite proteger toda la estación de

Armazón de Melamina con
medición de la intemperie y medio
tapas y Ventilación
ambiente.
Tabla 24. Tarjeta de Red

Componente Función
Permite usar una conexión alámbrica de

Tarjeta de red TCP/IP
datos para poder realizar control o
incorporada en Raspberry PI
supervisión remotos.
Tabla 25. Actuador eléctrico

Componente Función
Relé de estado sólido, entradas DC de 3-32V Permite realizar un control PWM, reiniciar el control por
y salidas de tensión alterna de 24 a 380V. defecto si el Raspberry Pi no inicia la rutina principal.
(Fig. 55) (Control Distribuido)
Bombas Peristálticas (Fig. 56) Bombas peristálticas de bajo consumo 4W

Figura 55. Relé de estado sólido, entradas DC de

Figura 56. Aireador de difusor, tensión alterna
3-32V y salidas de tensión alterna de 24 a 380V.
220V.
78
6.2.2. Construcción de la estación de medición y control
La estación de medición y control fue una iniciativa ocurrida después de una visita a la
empresa Eco-acuícola Piura (Fig. 57), aunque en un principio se pensaba llevar todo el
sistema de mediciones y control a un tablero de control en la empresa, se desestimó esta
idea debido al mal tiempo y clima que afectaban la región, además nuevas visitas
técnicas no fueron programadas.
Figura 57. Visita del autor a Eco-acuícola

Piura, en el fondo se ve un estanque de cultivo.
Debido a las razones mencionadas se consideró conveniente la creación de un prototipo

(Fig. 58-64) de estación de medición para laboratorio, es decir que permita control
automático y también el seguimiento de los parámetros que tienen que ver con el medio
ambiente y la calidad del agua involucrados en el control del oxígeno disuelto, el
prototipo debía incluir un mini estanque el cual es representado por un acuario de 70 L.
Armazón
Armazón
Algas
Algas
Agua
Agua
Acuario
Acuario
70
70 L
L
Figura 58. Armazón de melamina sin panel frontal,

debajo del armazón el acuario.
79
Sensor
Sensor
DO
DO Sensor
Sensor
Temperatura
Temperatura
Sensor
Sensor
pH
pH
Filtros
Filtros
Acuario
Acuario
70
70 LL
Figura 59. Sensores empleados, disposición física final

Pantalla
Pantalla
Táctil
Táctil
Panel
Panel Frontal
Frontal
Filtros
Filtros
Individuo
Individuo de
de
prueba
prueba
Figura 60. Estación de medición, versión final

80
Figura 61. Vista del panel frontal, explicado: el SCADA

Burbujas
Burbujas
Mangueras
Mangueras
Difusores
Difusores
Figura 62. Los actuadores: difusores

81
Referencia
Referencia
Salida
Salida
Control
Control
Actuador
Actuador Proceso
Proceso
Figura 63. Implementación del lazo de control

6.2.3. MARK SCADA V0.1
El Software Mark SCADA, está basado en comunicación Serial RS-232, la

comunicación se realiza por los puertos USB.
Este software contiene dos tipos de control: Un control por default que es On-Off y el
controlador NEPSAC. Durante la ejecución del SCADA se permite el cambio de Set
Point cada vez que se necesite. El cambio entre ambos modos de control está permitido.
También muestra la información concerniente a los demás sensores en el panel lateral.
Para la monitorización dispone de dos gráficas:
 Gráfico de Monitorización 1: Muestra superpuestas la curva de referencia contra
salida del sistema.
 Gráfico de Monitorización 2: Muestra la curva de señal de control del proceso.
Para el seguimiento de datos el SCADA permite el grabado automático de información
registrada en formato archivo de texto delimitado por comas “csv”.
Para arrancar el Software se pulsa el botón Inicio del panel superior, arrancando el
control por default con el set point por defecto que es 7. Para detener todos los procesos
se pulsa Fin.
Set point cuenta con un Spin Box por lo que puede ser cambiado de manera táctil, al
igual que los otros botones.
82
DO
DO
Botón
Botón de
de Fin
Fin del
del
Menú
Menú Botón
Botón de
de Inicio
Inicio del
del Programa
Programa
Programa
Programa
Set
Set Point
Point
Gráfico
Gráfico de
de
monitorización
monitorización 11
Botones
Botones opción
opción de
de algoritmo
algoritmo
Gráfico
Gráfico de
de
monitorización
monitorización 22
Data
Data de
de sensores
sensores
adicionales
adicionales
Figura 64. Detalles del SCADA

0
1
2
3
4
5
6
7
0
2
4
6
0.2
0.4
0.6
0.8
0
22:10:01 20:00:00
20:00:00 20:01:22
22:10:20
20:01:35 20:02:40
22:10:39 20:04:02
22:10:58 20:03:12
20:05:41
22:11:16 20:04:55 20:07:34
20:07:03 20:09:23
22:11:35
20:09:19 20:10:42
6.3. Resultados
22:11:54
20:10:52 20:12:01
22:12:13 20:13:25
20:12:30
22:12:32 20:14:47
20:14:02
22:12:51 20:16:38
20:15:58 20:18:19
22:13:09
20:18:06 20:19:41
22:13:28
20:19:46 20:20:58
22:13:47 20:22:27
20:21:24
22:14:06 20:22:59 20:23:45
Salida
22:14:25 20:24:16 20:24:29
22:14:44 20:25:05
20:24:56
22:15:00 20:26:19
20:26:19 20:26:57
22:15:15 20:27:15 20:27:43
22:15:27 20:27:55 20:28:27
22:15:40 20:28:46 20:29:00
Salida
22:15:54 20:29:38 20:29:46
22:16:06 20:30:28
20:30:26
20:31:05
Set Point
22:16:19 20:31:15 20:31:44
22:16:31 20:31:55 20:32:26
Control
22:16:44 20:32:43 20:33:05
22:16:56 20:33:33 20:33:43
22:17:09 20:34:23 20:34:27
20:35:01
22:17:22 20:35:13
20:36:14


22:17:34 20:36:28
Referencia
20:37:25
22:17:47 20:37:54 20:38:40
22:17:59 20:39:31 20:39:56
22:18:12 20:41:29 20:41:48
20:43:45 20:43:45
22:18:24
20:45:13
22:18:37 20:45:27
Señal de Control
Figura 66. Señal de control elaborada por NEPSAC
20:46:35
22:18:49 20:47:06 20:47:52
22:19:02 20:48:36 20:49:12
22:19:17 20:50:06 20:50:25
Figura 67. Resultados del Control On-Off, set point=6.37 mgO2L-1

20:51:36 20:51:40
22:19:32
20:53:41 20:53:29
22:19:48 20:55:23
ya que no se necesita toda la potencia del actuador para mantener el set point.
22:20:04 20:55:54
20:56:30
22:20:19 20:56:47 20:57:12
22:20:35 20:57:35 20:57:45
20:58:23 20:58:27
Figura 65. Set point (referencia) y Salida del sistema superpuestos, set point=6.2 mgO2L-1
22:20:51
20:59:11 20:59:00
22:21:06 20:59:42
20:59:50
minuto, debido a la variabilidad de la señal de medición y al efecto de establecimiento del
resultados excelentes, aunque se cumple con la función del control. Es necesario recalcar
estaba hecha para ejecutarse cada hora y en estanques intensivos de cultivo, se ejecutó cada
que 1.25 es el valor máximo de señal de control con lo que el ahorro energético es posible
Se realizó el control NEPSAC minuto a minuto, aunque la programación inicialmente
sensor de DO (1 minuto 20 segundos) . La aplicación del control NEPSAC no tuvo

83
84
85
Conclusiones
Está comprobado que es necesario automatizar la tarea del control del oxígeno disuelto en
la acuicultura peruana, ya que de acuerdo a los estudios estadísticos realizados en el
Capítulo II, existe una alta frecuencia de niveles bajos de oxígeno disuelto.
La aplicación de un control avanzado del tipo NEPSAC para un proceso del tipo ambiental
como es el control de oxígeno disuelto en acuicultura es muy prometedora. El ahorro
energético está asegurado.
Se ha ejecutado el controlador NEPSAC para tiempos menores a una hora (aunque este fue
el parámetro de la simulación), debido a que en laboratorio se disponen de tiempos de
retraso menores y actuadores más potentes. Los tiempos a los cuales se probó el algoritmo
fueron de segundos y minutos, siendo minutos el valor al cual el software no encontraba
problemas para calcular las predicciones.
El control avanzado NEPSAC creado puede ser usado en otros procesos acuícolas
similares (y en todas las regiones de Perú), aunque se tiene que adaptar el modelo
matemático de crecimiento para cada especie.
La señal de control necesaria para mantener un set point es menor que su tope, es decir,
durante el cultivo normal de langostinos se desperdicia energía usando los aireadores al
100% en los momentos en que el agua ya está saturada o por encima de un valor seguro
como es 5 mg/L - 7mg/L de oxígeno disuelto.
El SCADA diseñado al ser embebido en una tarjeta electrónica low-cost, permite el control
de procesos similares, es decir con grandes tiempos de establecimiento o lentos.
La simulación de MATLAB del proceso de aireación del agua fue adecuada, sin embargo,
en la implementación se tuvo que realizar ensayo y error para poder lograr un equivalente a
la señal eléctrica enviada al actuador (PWM siglas del inglés Pulse Width Modulation) y la
señal de control elaborada por el controlador.
El control NEPSAC puede ser capaz de enviar una serie de alertas tempranas (antes de que
ocurra un evento desastroso) debido al horizonte de predicción, lo cual es novedoso
considerando que el operador puede reaccionar a tiempo para tomar una decisión.
86
87
Referencias
Ali, S. A. (1999). DISSOLVED OXYGEN MASS BALANCE IN AQUACULTURE PONDS.

Altimiras, J., & Anderson, W. G. (2016). Ecophysiology methods: Refining the old,
validating the new and developing for the future . Comparative Biochemistry and
Physiology Part A: Molecular & Integrative Physiology.
Bett, C., & Vinatea, L. (2009). Combined effect of body weight, temperature and salinity
on shrimp Litopenaeus vannamei oxygen consumption rate. Brazilian Journal of
Oceanography, 305-314.
Box, G., & Jenkins, G. (1976). Time Series Analysis Forecasting and Control. Oakland,
California: Holden-Day.
Boyd, C. (2009). Dissolved Oxygen Dynamics in Shrimp and Other Aquaculture Ponds.
Alabama: Department of Fisheries and Allied Aquacultures Auburn University.
Boyd, C. E. (1996). Advances in pond aeration. Kuala Lumpur, Malaysia: INFOFISH-
AQUATECH.
Boyd, C. E. (1998). Pond water aeration systems. aquacultural engineering(18), 9-40.
Boyd, C., Romaire, R., & Johnston, E. (1978). Predicting Early Morning Dissolved
Oxygen Concentrations in Channel Catfish Ponds. Transactions of the American Fisheries
Society, (107:3),484-492.
Camacho, E. F., & Bordons, C. (2007). Model Predictive Control. London: Springer.
CFC, FAO, & INFOFISH. (2011). Handbook on Organic Aquaculture. Kuala Lumpur,
Malaysia: INFOFISH.
Chapra, S. (2008). Surface Wate-Quality Modeling. Illinois: Waveland Pr Inc.
Cooke, S. J., Sack, L., Franklin, C. E., Farrell, A. P., Beardall, J., Wikelski, M., y otros.
(2013). What is conservation physiology Perspectives on an increasingly integrated and
essential science. Conservation Physiology, 1(1).
Cuenco, M. (1989). Aquaculture Systems Modeling: An Introduction with Emphasis on
Warmwater Aquaculture. Manila: International Center for Living Aquatic Resources
Management.
Culberson, S. (1993). Simplified model for prediction of temperature and dissolved oxygen
in aquaculture ponds: using reduced data inputs. Davis: M.S. Thesis. University of
California.
88
Culberson, S. D., & Piedrahita, R. H. (1996). Aquaculture pond ecosystem model:

temperature and dissolved oxygen prediction — mechanism and application. Ecological
Modelling, 89(1), 231-258.
Dore, I., & Frimodt, C. (1987). An Illustrated Guide to Shrimp of the World. New York:
Van Nostrand Reinhold.
Duffie, J. A., & Beckman, W. (2013). Solar Enginnering of Thermal Processes. New
Jersey: John Wiley & Sons.
FAO. (2006). Fishery and Aquaculture Statistics. Rome: Food and Agriculture
Organization of the United.
Fao.org. Recuperado el 01 de 05 de 2016, de SHRIMP CULTURE: POND DESIGN,
OPERATION AND MANAGEMENT:
http://www.fao.org/docrep/field/003/ac210e/AC210E09.htm
Ghosh, L., & Tiwari, G. (2008). Computer Modeling of Dissolved Performance in
Greenhouse Fishpond: An experimental Validation. International Journal of Agricultural
Research, 83-97.
Gillett, R. (2008). Global study of shrimp fisheries. Rome: FOOD AND AGRICULTURE
ORGANIZATION OF THE UNITED NATIONS.
Holthuis, L. (1980). Vol.1 - SHRIMPS AND PRAWNS. Rome: FOOD AND
AGRICULTURE ORGANIZATION OF THE UNITED NATIONS.
Hurtado, L. L. (2006). MODELAMIENTO TEÓRICO Y MODELAMIENTO EMPÍRICO
DE PROCESOS, UNA SÍNTESIS. Scientia et Technica Año XII, 103-108.
Ipanaqué, W. (2012). Control Automático de Procesos. Lima: Concytec.
Ipanaqué, W., De Keyser, R., Dutta, A., Oliden, J., & Manrique, J. (2012). Control no
lineal iterativo predictivo de evaporador en obtención de bio etanol. ND, ND.
Jassby, A. D., & Platt, T. (1976). Mathematical formulation of the relationship between
phtosynthesis and light for phytoplankton. Limnology and Oceanography, 540-547.
Keyser, R. (1993). A ‘Gent’ le approach to predictive control.
Lindsey, R., & Scott, M. (13 de July de 2010). earthobservatory. Recuperado el 28 de 02
de 2017, de What are Phytoplankton?:
http://earthobservatory.nasa.gov/Features/Phytoplankton/
Losordo, T. M., & Hobbs, A. O. (2000). Using computer spreadsheets for water flow and
biofilter sizing in recirculating aquaculture production systems . Aquacultural Engineering
, 23(1–3), 95-102.
Losordo, T. M., Piedrahita, R. H., & Ebeling, J. M. (1988). An automated water quality
data acquisition system for use in aquaculture ponds. Aquacultural Engineering, 7(4), 265-
278.
Lucas, J. S. (2012). Aquaculture Farming Aquatic Animals and Plants. Oxford: Wiley-
Blackwell.
89
Maldonado, M., Rodríguez, J., & De Blas, I. (2004). El camarón de cultivo frente al
WSSV, su principal patógeno. AquaTIC, 78-91.
Ministerio de la Producción. (2014). Anuario Estadístico. Lima: DIRECCIÓN GENERAL
DE POLÍTICAS Y DESARROLLO PESQUERO.Dirección de Estudios y Derechos
Pesquero y Acuícola.
Mwegoha, W., Kaseva, M., & Sabai, S. (2010). Mathematical modeling of dissolved
oxygen in fish ponds. African Journal of Environmental Science and Technology, 4(9),
625-638.
Nolte, G. E. (2015). Peru’s Shrimp Industry Expanding to Capture U.S. Market. United
States: Global Agricultural Information Network.
Ogata, K. (2010). Ingeniería de control moderna. Madrid: PEARSON EDUCACIÓN.
Organización de las Naciones Unidas para la Alimentación y la Agricultura. (2016, 06 20).
Fao.org. Retrieved Enero 20/01/2016, 2016, from Sitio web de FAO:
http://www.fao.org/fishery/culturedspecies/Penaeus_vannamei
Sacasqui Huaito, M. R. (2014). Implementación y diseño de un estimador de estado para el
sistema eléctrico de potencia de Arequipa, validación. Arequipa.
Smith, E. L. (1937). The influence of light and carbon dioxide on photosynthesis. The
Journal of general physiology, 20(6),807-830.
Talling, J. (1957). Photosynthetic characteristics of some freshwater plankton diatoms in
relation to underwater radiation. New Phytologist, 56(1), 29-50.
Verreth, J., & Oberdieck, A. (2009). A handbook for sustainable aqcuaculture.
Vinatea, L., Olivera Gálvez, A., Venero, J., Leffler, J., & Browdy, C. (2009). Oxygen
consumption of Litopenaeus vannamei juveniles in heterotrophic medium with zero water
exchange. Pesq. agropec. bras., 534-538.
Walker, S. J. (2009). ECOPHYSIOLOGY OF GROWTH IN THE PACIFIC WHITE
SHRIMP (LITOPENAEUS VANNAMEI). THESIS DOCTOR OF PHILOSOPHY, Texas
A&M University, TEXAS.
Wallace, J., Champagne, P., & Hall, G. (2016). Multivariate statistical analysis of water
chemistry conditions in three wastewater stabilization ponds with algae blooms and pH
fluctuations . Water Research , 96, 155-165.
Wikelski, M., & Cooke, S. J. (2006). Conservation physiology . Trends in Ecology &
Evolution , 21(1), 38-46.
WWF. (01 de 01 de 2016). World Wildlife Fund. Recuperado el 20 de 06 de 2016, de Sitio
web de World Wildlife Fund: http://www.worldwildlife.org/industries/farmed-shrimp
Yi, Y. (1998). A bioenergetics growth model for Nile tilapia (Oreochromis niloticus) based
on limiting nutrients and fish standing crop in fertilized ponds. Aquacultural Engineering
18, 157-173.
90
91
Anexo A
Programación MATLAB
A1. Funciones Requeridas
function [U_final]=built_new_um(U,deltau)
s_u=length(U);
s_du=length(deltau);
for n=1:s_u
if n<=s_du
U(n,1)=U(n,1)+deltau(n,1);
end
if n>s_du
U(n,1)=U(s_du,1);
end
end
U_final=U;
end
%% Función Derivada de Oxígeno disuelto respecto al tiempo

%% Escrita por Marcos Sacasqui Abril 2016
function [deriv] = derivada_do(do_ph,do_s,do_fr,do_pr,do_nr,do_om,do_sed,do_in,do_out,do_air)
% deriv=do_ph+do_s-do_pr-do_fr-do_nr-do_om-do_sed+do_in-do_out+do_air;
do_in=0;
do_out=0;
% do_ph=0;
% do_pr=0;
deriv=do_ph+do_s-do_pr-do_fr-do_nr-do_om-do_sed+do_in-do_out+do_air;
%todos los parámetros son positivos excepto do_s que puede tener dos signos
end
%% Funcion fish growth model

% esta funcion se apoya sobre guardar los resultados en el workspace
%q_in m3/h
%vol m3
%do_inf gr/m3
function [out] = dgr_n(tao,k,fi,f,w_n,do,temp)

%Constantes del programa
h=0.81;
%l=1.96;%ojo
l=1;%ojo
m=0.67;
do_crit=3;
do_min=0.3;
k_min=0.00133;%ojo para estimacion adecuada de von bertalanfy
t_min=22;%de acuerdo a temps
jj=0.0132;
kk=k_min*exp(jj*(temp-t_min));
%first conditional
if do>do_crit;
delta=1;
92
else
delta=0;
end
if do>=do_min && do<=do_crit;

delta=(do-do_min)/(do_crit-do_min);
end
if do< do_min;
delta=0;
end
%salida
% out=abs((0.35*tao*k*delta*fi*h*f*w_n^m-kk*w_n^l)/24);
out=abs((0.2*tao*k*delta*fi*h*f*w_n^m-kk*w_n^l)/24);
end
%% Función Tiempo//Revisado comportamiento por hora

function [dia_int2] = dias_di(horas)
dia=horas/24;
%cambio del hemisferio norte al hemisferio sur
dia_int=floor(dia);
if dia_int<=181
dia_int2=dia_int+184;
end
if dia_int>181
dia_int2=dia_int-181;
end
end
%% Función dissolved oxygen produced by aerator

function [out] = do_air(number)
rendimiento=1;
out=number*rendimiento;
end
%% Funcion DO_respiration_.
%Modificación de respiración de langostinos
function [out] = do_entries(t_w,salinidad, peso)

doc=0;
if peso>0 && peso<=4
doc=-0.2168+0.0188*t_w+0.0008*salinidad-0.0080*peso;
end
if peso>4 && peso<=8
doc=-0.1717+0.0162*t_w-0.0009*salinidad-0.0064*peso;
end
if peso>8 && peso<100
doc=-0.0281+ 0.0135*t_w- 0.0019*salinidad-0.0007*peso;
end
out=doc;
end
%% Función DO_shrimp_respiration_.
93
%Modificación de respiración de langostinos
function [salida] = do_fr2(w_n,t_w,s_d)

salinidad=5/100;%recomendaciones
[individual] = do_entries(t_w,salinidad, w_n);
salida=s_d*individual;
end
%% Función dissolved oxygen in the infuent and efluent water

%q_in m3/h
%vol m3
%do_inf gr/m3
function [out] = do_in(q_in,do_inf,vol)
out=q_in*do_inf/vol;
end
%% Función DO_nitri.
%sdd en metros
%t_wen celsius
%vol volumen del agua en m3
%w_n average of individual fish gr.; W_n debe actualizarse continuamente
function [out] = do_nr(t_w,w_n,n_f,vol)
k_nr=0.1*(1.08)^(t_w-20);
coef=4.57;%coeficiente estequiométrico de o2 consumo en nitrificación
f_r=17.02*exp((log(w_n)+1.14)/-19.52);
n_r=0.03*f_r*w_n*n_f/(24*100);
out=coef*k_nr*n_r/vol;
end
%% Función Oxidation Organic Matter.

function [out] = do_om(k_om,theta,t_w,t_m,z)
out=(k_om*(1/1000)*theta^(t_w-t_m))/z;
end
%% Función dissolved oxygen in the infuent and efluent water

%q_in m3/h
%vol m3
%do_inf gr/m3
function [out] = do_out(q_out,do_surf,vol)
out=q_out*do_surf/vol;
end
%% Función DO_Ph.
% function [out] = do_ph(horas_hoo)
%ajustado a la realidad 20/12/2016
function [out] = do_ph(p_max,k,z,alfa,i_k)
%%Smith y Talling despreciados, se intenta usar las fórmulas de Steele's
%%Bannister Culberson and Piedrahita
factor=p_max/(k*z);%constante
94
% factor2=0.1;%eficiencia_sombreado
num=i_k+sqrt((p_max/alfa)^2+i_k^2);%i_k varía dependiendo de la hora solar
den=i_k*exp(-k*z)+sqrt((p_max/alfa)^2+(i_k*exp(-k*z))^2);%i_k varía dependiendo de la hora solar
% out=factor2*factor*log(num/den);
out=factor*log(num/den);
end
%% Función DO_respiration_phytop.
%sdd en metros
%t_wen celsius
function [out] = do_pr(sdd,t_w)
out1=-1.133+0.0038*sdd+0.000014*sdd^2+0.081*t_w-0.000749*t_w^2-0.00035*sdd*t_w;
out=out1;
end
%% Funcion DO_s
%Function Kernel One
%t_w grados celsius
%do_s corresponde a gr/m3
%elev es la elevacion en m
function [out] = do_s(w_s,elev,t_w,do_surf,z)
c_s=(1-0.0001*elev)*(14.625-0.41*t_w+0.00799*t_w^2-0.00778*t_w^3);
k_do=0.0036*(8.43*w_s)^0.5-3.67*w_s+0.43*w_s^2;
out=k_do*(c_s-do_surf)/z;
end
%% Función Sediment respiration rate

function [out] = do_sed(k_sed,theta,t_w,t_m,z)
out=(k_sed*(1/1000)*theta^(t_w-t_m))/z;
end
%% Función e_t2//validada al 90%

function [out] = e_t2(n,lst,lsm,lon,latitude,sigma,psi,cn,pg)
%% constante de corrección de tiempo solar------------SOLO un valor por dia------------------------------
--------Diseñado solo para hemisferio norte???
lst=round(horas_ho(n));%lst es la hora local en decimales
latitude=-5.173517;%universidad de Piura(geohack corroboro) ------------------------------------------------
-------------------------------------------[EXTRAER]
sigma=0;%porque es un estanque--------------------------------------------------------------------------------------
-----------------[EXTRAER]
psi=45/2;% Azimuth del estanque--Universidad de Piura, aproximado: desviación con respecto al
sur---------[EXTRAER]
lsm=75;%Piura: debido a Duffy(resta hora de Greenwich -hora local y multiplica el resto por 15)-----
------[EXTRAER]
lon=80.6386111111;%universidad de Piura( geohack corroboro) ---------------------------------------------
----------------------------------------------[EXTRAER]
%cambiando n que ahora será horas
%n no debe ser cero
nn=floor(n/24)+1;%nn=1 es el primero de enero
B=(nn-1)*360/365;%se actualiza cada día
ET=229.2*(0.000075+0.001868*cosd(B)-0.032077)-0.014615*cosd(2*(B))-
0.04089*sind(2*(B)));%se actualiza cada día
%% cálculo de la altitud solar
declinacion_solar=23.45*sind((360/365)*(284-nn));%se actualiza cada día
aparente_tiempo_solar=lst+ET/60+(lsm-lon)/15;% este si se actualiza por horas
hora_solar=15*(aparente_tiempo_solar-12);
95
expresion=cosd(latitude)*cosd(declinacion_solar)*cosd(hora_solar)+sind(latitude)*sind(declinacion
_solar);
beta=asind(expresion);
expresion2=(sind(beta)*sind(latitude)-sind(declinacion_solar))/(cosd(beta)*cosd(latitude));
fi=acosd(expresion2);
gamma=fi-psi;
expresion3=cosd(beta)*cosd(gamma)*sind(sigma)+sind(beta)*cosd(sigma);
theta=acosd(expresion3);
%% constantes adicionales: ASHRAE Clear Day Solar Flux Model
a=1147.5868+57.4985*sind(0.0174*nn+1.4782);%se actualiza cada día
b=0.1639+0.0237*sind(0.0202*nn+4.013);%se actualiza cada día
c=0.1207+0.0179*sind(0.0203*nn+3.9798);%se actualiza cada día
%% cálculo edn
if beta>0
edn=a/exp(b/sind(beta));
else
edn=0;
end
%% cálculo edd
if cosd(theta)>0
e_dd=edn*cosd(theta);
else
e_dd=0;
end
%% cálculo ed
if cosd(theta)>-0.2
y=0.55+0.437*cosd(theta)+0.313*(cosd(theta))^2;
else
y=0.45;
end
% ed=c*y*edn+c*y*edn*(1+cosd(sigma)/2);%para superficies verticales y de otro tipo
ed=c*y*edn*(1+cosd(sigma)/2);%para superficies verticales y de otro tipo
%% cálculo er
er=edn*(cn+sind(beta))*pg*(1-cosd(sigma))/2;
%% Ecuación de Radiación total en la superficie de agua

out=e_dd+ed+er;
end
%% Función e_z
function [out] = e_z(e_t,k,z)
out=e_t*exp(-k*z);
end
%% Función Tiempo//Revisado comportamiento por hora

%emite la hora en formato decimal de 1 a 0 horas
function [horas_f] = horas_ho(horas)
dia=horas/24;
dia_int=floor(dia);
dia_dec=dia-floor(dia);
horas_dia=24*dia_dec;
horas_f=horas_dia;%eliminar para que funcione normalmente
%delay producido por diferencias de temperatura en el fondo del estanque y
%el ambiente
% if horas_dia>=3
% horas_f=horas_dia-2;
% end
96
% if horas_dia<3
% horas_f=horas_dia+21;
% end
end
%% Función Predicción//Revisado comportamiento de predicción por hora

function [DO] = prediccion(DOini,vart,deriv)
DO=DOini+deriv*vart;
% if DO>=9
% DO=9;
% end
end
%function saturation of water

%wrote by Marcos Sacasqui
%based in Bain and Stevenson 1999
function [maxdo]=saturationxxyy(temp)
tempdo=[0 14.16
1 13.77
2 13.40
3 13.05
4 12.70
5 12.37
6 12.06
7 11.76
8 11.47
9 11.19
10 10.92
11 10.67
12 10.43
13 10.20
14 9.98
15 9.76
16 9.56
17 9.37
18 9.18
19 9.01
20 8.84
21 8.68
22 8.53
23 8.38
24 8.25
25 8.11
26 7.99
27 7.86
28 7.75
29 7.64
30 7.53
31 7.42
32 7.32
33 7.22
34 7.13
35 7.04];
for w=1:length(tempdo)
if w==1 && temp<tempdo(1,1)
maxdo=tempdo(1,2);
end
97
if w==length(tempdo) && temp>tempdo(length(tempdo),1)

maxdo=tempdo(length(tempdo),2);
end
if w>1 && w<length(tempdo) && temp<tempdo(w,1) &&temp>tempdo(w-1,1)

maxdo=tempdo(w-1,2)+(temp-tempdo(w-1,1))*(tempdo(w,2)-tempdo(w-1,2))/(tempdo(w,1)-
tempdo(w-1,1));
end
if w>=0 && w<length(tempdo)+1 && temp==tempdo(w,1)

maxdo=tempdo(w,2);
end
end
%% Función fish growth model

% esta función se apoya sobre guardar los resultados en el workspace
%q_in m3/h
%vol m3
%do_inf gr/m3
function [out] = dgr_n(tao,k,fi,f,w_n,do,temp)

%Constantes del programa
h=0.81;
%l=1.96;%ojo
l=1;%ojo
m=0.67;
do_crit=3;
do_min=0.3;
k_min=0.00133;%ojo para estimación adecuada de von Bertalanfy
t_min=22;%de acuerdo a temps
jj=0.0132;
kk=k_min*exp(jj*(temp-t_min));
%first conditional
if do>do_crit;
delta=1;
else
delta=0;
end
if do>=do_min && do<=do_crit;

delta=(do-do_min)/(do_crit-do_min);
end
if do< do_min;
delta=0;
end
%salida
% out=abs((0.35*tao*k*delta*fi*h*f*w_n^m-kk*w_n^l)/24);
out=abs((0.2*tao*k*delta*fi*h*f*w_n^m-kk*w_n^l)/24);
end
%% Función w_n, ESTO ESPARA CADA NUEVO N//Revisado comportamiento de w_n por hora
function [out] = w_n(w_n_ini,DGR)
98
out=w_n_ini+DGR;
end
function [G]=responseso(N1,N2,Nu,U,X)
data=[];
G=[];
for m=N1:N2
[doi,massi,horast]=sim_model8(U(1,1),X);
data=[data;X];%VER ORDEN
X=[doi massi horast];
end
step=data(1:end,1);
imp=[];
imp(1)=data(1,1);
for i=2:N2
imp(i)=data(i,1)-data(i-1,1);
end
GGWP =zeros(N2-N1+1,Nu);
for i=N1:N2%%Filas
for j=N1:Nu%%Columnas
if j==Nu
if i-j>=0
GGWP (i,j)=imp(i-j+1)/U(1);
else
GGWP (i,j)=0;
end
else
if i-j>=0
GGWP (i,j)=step(i-j+1)/U(1);
else
GGWP(i,j)=0;
end
end
end
end
end
A2. Modelo Dinámico

%MODELO DINAMICO sim_model_mark
%Modelo de simulación para un cultivo de Litopenaeus Vannamei
%Hecho por Marcos Sacasqui
%Tipo sim_model_mark Versión 2017
function [do,w_n_f,e_t1,e_z1,do_ph1,do_s1,do_fr1,do_pr1,do_nr1,do_om1,do_sed1,
do_in1,do_out1,DGR,deriv] = sim_model_mark(p_max,alfa,do_INI,n,lst,
lsm,lon,latitude,sigma,psi,cn,pg,k,z,w_s,elev,t_w,do_surf,w_n_ini,
s_d,sdd,n_f,vol,k_om,theta1,theta2,t_m,k_sed,q_in,do_inf,q_out,tao,fi,f,temp,ki,horas_hoo,aireator)
%% Cálculo del producción de Oxigeno por fotosíntesis--------------------[ACTUALIZADO]
[e_t1] = e_t2(n,lst,lsm,lon,latitude,sigma,psi,cn,pg);%actualizado
[e_z1] = e_z(e_t1,k,z);%actualizado
[do_ph1] = do_ph(p_max,k,z,alfa,e_z1);%actualizado ::: los valores alfa y k
pueden variar, p_max también
99
%% Cálculo de producción de Oxigeno por reaeración---------[-IN-INHABILITADO]

[do_s1] = do_s(w_s,elev,t_w,do_surf,z);
do_s1=0;
%% Cálculo del consumo de Oxigeno por respiración de peces-----------------------[-OUT-]
[do_fr1] = do_fr2(w_n_ini,t_w,s_d);
% do_fr1=0;
%% Cálculo del consumo de Oxigeno por respiración de pythoplankton---------------------[-OUT-]
[do_pr1] = do_pr(sdd,t_w);
% do_pr1=0;
%% Cálculo del consumo de Oxigeno por nitrificación-------------------------------------[-OUT-]
[do_nr1] = do_nr(t_w,w_n_ini,n_f,vol);
% do_nr1=0;
%% Cálculo del consumo de Oxigeno por oxidación de materia-------------[-OUT--]
[do_om1] = do_om(k_om,theta1,t_w,t_m,z);
% do_om1=0;
%% Cálculo del consumo de Oxigeno por sedimentos---------------------------------
----------------------------[-OUT-]
[do_sed1] = do_sed(k_sed,theta2,t_w,t_m,z);
% do_sed1=0;
%% Cálculo del consumo de Oxigeno por influentes------------------------------------
----------------------------[-OUT-INHABILITADO]
[do_in1] = do_in(q_in,do_inf,vol);
do_in1=0;
%% Cálculo del consumo de Oxigeno por efluentes------------------------------------
-----------------------------[-OUT-INHABILITADO]
[do_out1] = do_out(q_out,do_surf,vol);
do_out1=0;
%% Cálculo de producción de Oxigeno por aireadores--------------------------------
----------------------------[-IN-]
[do_air1] = do_air(aireator);
% do_air1=0;
%% Modelo del Crecimiento-------------------------------------------------------------------
----------------------------------[ACTUALIZADO]
[DGR] = dgr_n(tao,ki,fi,f,w_n_ini,do_INI,temp);
%% Variacion del crecimiento-----------------------------------------------------------------
---------------------------------
[deriv] =
derivada_do(do_ph1,do_s1,do_fr1,do_pr1,do_nr1,do_om1,do_sed1,do_in1,do_out1,do_air1);
[do] = prediccion(do_INI,1,deriv);%representa el intervalo de medición
entero=1 hora*************************************
[w_n_f] = w_n(w_n_ini,DGR);
End
A3. Modelo del sistema para la simulación
function [doix,massix,horast]=sim_model8(aireator,X)
do_INI=X(1,1);%oxígeno disuelto inicial.gr/m3
w_n_ini=X(1,2);%masa inicial de simulación
horaini=X(1,3);%hora de simulación
doix=[];
massix=[];
horast=[];
do_plot=[];
w_n_f_plot=[];
lst=0;
%% DATA
%% Main data
100
% Contiene la información correspondiente a constantes numéricas necesarias

% para la calculación
alfa=0.0081;
%initial slope, Smith,1936 and Talling, 1957
p_max=0.72;
%Smith,1936 and Talling, 1957
%% parámetros solares
lsm=20;
psi=0;
sigma=0;
%surface tilt angle from the horizontal plane, horizontal=0°
cn=0.1;
%clearness number: indice desconocido
%% parámetros no asociados
k=0.86;
%pertenece al modelo de producción fotosintética y es 0.86
w_s=8/3600;
%viento en la superficie del agua m/seg
%Para volver DINAMICO
n_f=4;%numero de pescados%%LANGOSTINO************************350000
vol=0.07;%volumen del estanque%%LANGOSTINO*************10000
s_d=n_f*w_n_ini*0.001/vol;
%stocking density corresponde a la masa de peces por
%volumen-------------PARA VOLVER DINAMICO
%% parámetros conocidos: Caudales
q_in=100;
q_out=100;
%% parámetros de este estudio
lon=30;
%longitud
latitude=28.4;
%latitude
pg=0.2;
%refelctividad del suelo en moshtohor es 0.2
elev=16;%elevación
do_surf=6;%concentración do en la superficie del agua%gr/m3
%w_n_ini=0.2;%peso inicial de cada pescado%%LANGOSTINO
w_n_ini=X(1,2);
sdd=0.37;%distancia en metros del Secchi disk
k_om=1.08;%constante
theta1=1.047;
theta2=1.065;
t_m=20;%temperatura medio ambiental de referencia???
k_sed=0.005;%constante
%% parámetros usados en el modelo de Yang Yi
do_inf=8;%%concentración do en la entrada del agua%gr/m3
tao=1;%factor de temperatura Cuenco et al., 1985, Bolte et al.,1995, Yang Yi, 1998
fi=1;%factor de amonio no ionizado Colt and Armstrong, 1981 Cuenco et al., 1985, Bolte et
al.,1995,Abdalla, 1989
f=0.37;%nivel relativo de alimentación Rakocy, 1989
ki=1;%factor de fotoperiodo Caulton,1982
z=1;%profundidad en metros, Depende de las pozas.
%% Bucle principal
n=horaini;
%% Minuciosidad
nn=n;%siempre en cuando sean horas
horas_hoo=round(horas_ho(n));
%
temps=[24;23.7;23.5;23.3;23.2;23.1;23;22;23.5;25;26;27;28;30;30;29.5;29;28.75;28.5;28;27;26;25;
24.5];%aproximacion
101
temps=[22.606 22.258 21.954 21.694 21.482 21.304 21.14 21.232 22.148

23.626 25.484 27.336 28.992 30.284 31.208 31.466 30.72 29.272 27.436 25.76 24.618
23.834 23.334 22.962]';
%basado en el promedio horario (Inicio 0hrs) de
%Noviembre Marzo 2010-2014-Temperatura ambiental
%Fuente: Estación meteorológica UDEP, Piura, Basado en
%información de Renzo Bedregal
%probable reacción retrasada en el tiempo debido a la
%temperatura externa respecto a la
%interna--------------------------------------------------------------------[No es determinante para
la simulación]
t_w=temps(horas_hoo+1,1);
temp=t_w;
[maxdo]=saturationxxyy(temp);
% if do_INI<=0
% do_INI=0;
% end
%
if do_INI>=maxdo
do_INI=maxdo;
end
[do,w_n_f,e_t,e_z,do_ph,do_s,do_fr,do_pr,do_nr,do_om,do_sed,do_in,do_out,DGR,deriv] =
sim_model_mark(p_max,alfa,do_INI,nn,lst,lsm,lon,latitude,sigma,psi,cn,pg,k,z,w_s,elev,t_w,do_sur
f,w_n_ini,s_d,sdd,n_f,vol,k_om,theta1,theta2,t_m,k_sed,q_in,do_inf,q_out,tao,fi,f,temp,ki,horas_ho
o,aireator);
horast=n+1;%actualiza nueva hora

w_n_ini=w_n_f;%restart
if do<=0
do=0;
end
doix=do;
massix=w_n_f;
end
A4. Control NEPSAC SISO sin restricciones
clc;clear all;close all;

%% Variables
%%%%%%%%%%%%%%%%%%%%%%%%%% Variables
%%%%%%%%%%%%%%%%%%%%%%%%
Hora_START=0;%tiempo inicial en horas desde día 0(1)
Hora_END=24*7*1;%tiempo final en horas unidades(no h, no min no formato de 24 no formato de
12) %
Nu=5;N1=1;N2=5;%HORIZONTES 10 nu 5
error=1E-3;
limit=50;
% %Tamaños de letras peque
% label=3;%ok
102
% ley=12;
%Tamaños de letras grande
label=2;%ok
ley=18;
axe=18;
limit=50;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%Control%%%%%%%%%
%% Matrices de valores Iniciales
X0 = [4 0.2 Hora_START];
X0_Memory = [];
Y_subbase = [];
U0_Memory=[];
U_evolution=[];
DU_evolution=[];
M_evolution=[];
Y_base_evolution=[];
Y_base=[];for ind=1:N2; Y_base=[Y_base;0];end
SP=[];for ind=0:N2-1; SP=[SP;6];end
U=[];for ind=0:N2-1; U=[U;0.001];end
%% Inicio de Algoritmo de Control Predictivo
%Elaborado por Marcos Sacasqui 2016
for Tm = Hora_START:Hora_END;
U_evolution=[U_evolution,U];
disp('****************')
disp(Tm);
%%%%%%%%%%%%%%%%%%% Calculo de Y_Proceso (Paralelo)
[doi,massi,horast]=proc_model8(U(1,1),X0);%-------------------------------------ESPERA U01
X0_Memory = [X0_Memory;X0];%actual state---------------------------------------[MEMORY]
U0_Memory=[U0_Memory;U(1,1)];%actual control---------------------------------[MEMORY]
X0=[doi massi horast];%Medición actual X1
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%=======---------&-----------&---------=======
%%%%%%%%% Calculo de Y_Base %%%%%%%%%%%%%%%%%%%%%%%%
Y_subbase =X0;%Medicion actual X1
for m=N1:N2
[doi,massi,horast]=sim_model8(U(1,1),Y_subbase);%u sera ubase
Y_subbase=[doi massi horast];
Y_base(m,:)= doi;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%=======---------&-----------&---------=======
G=responses(N1,N2,Nu,U,X0);
deltauc=inv(G'*G)*G'*(SP-Y_base);
mm=0;
while (mm<limit) && (abs(deltauc(1))>error);
%%%%%%%%%%%%%%%%%% Calculo de Y_Base%%%%%%%%%

Y_subbase =X0;
for m=N1:N2
[doi,massi,horast]=sim_model8(U(m,1),Y_subbase);
Y_subbase=[doi massi horast];
Y_base(m,:)= doi;
end
Calculo de U*=deltau ^ G %%%%%%%%%%%%%%%%%%%%%%%

G=responses(N1,N2,Nu,U,X0);
deltauc=inv(G'*G)*G'*(SP-Y_base);
103
[U_final]=built_new_um(U,deltauc);
U=U_final;
mm=mm+1;
if mm>limit
disp('Flag')
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%=======-
--------&-----------&---------=======
end
DU_evolution=[DU_evolution,deltauc];
Y_base_evolution=[Y_base_evolution,Y_base];
end
%% visualiza resultados de control osea y
visor_dias_comportamientom
figure(3)
plot(X0_Memory(:,1), 'DisplayName','Salida DO Set Point=8.0 mgL^-^1','LineWidth',label, 'Color',
'r'),ylim([-1 11]),xlabel('Tiempo(horas)', 'fontsize', ley),ylabel('Oxigeno disuelto(mg/L)', 'fontsize',
ley),legend('show')

Mas Ime Aut 018

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Mas Ime Aut 018

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Mas Ime Aut 018

Cargado por

Copyright:

Formatos disponibles

CONTROL AVANZADO SOBRE UN

SISTEMA DE AIREACIÓN DURANTE

Sacasqui, M. (2017). Control avanzado sobre un sistema de aireación durante el cultivo

Esta obra está bajo una licencia

Repositorio institucional PIRHUA – Universidad de Piura

“Control Avanzado sobre un Sistema de Aireación durante el Cultivo de Langostinos

Tesis para optar el grado de Máster en Ingeniería Mecánico-Eléctrica con mención en

Marcos Rogger Sacasqui Huaito

CO-ASESOR: Dr. Ismael Sánchez Rodríguez-Morcillo

Piura, 18 de Abril de 2017

Capítulo III ...................................................................................................................... 29

Tabla 1. Variables de calidad de agua y ambiente monitoreados ...................................... 8

La presente investigación consiste en la aplicación de un control avanzado sobre un

La acuicultura es entendida como el cultivo de organismos acuáticos incluidos peces,

1.2. Antecedentes de la acuicultura

La acuicultura se desarrolló mucho tiempo después que la agricultura (alrededor de 9500

 Muy baja solubilidad del oxígeno en el agua

El rápido crecimiento de la producción acuícola es llamada Blue Revolution, este

Finalmente, se ha visto que en la actualidad las nuevas especies cultivables como el

1.3. El cultivo de los camarones

1.3.1. Extensivo: Se dan en lugares inter-mareales y su superficie es de geometría

Figura 1. Cultivos Extensivos.

1.3.2. Semi-Intensivo: Con profundidades de 1m en promedio, el agua es cambiada por

1.3.3. Intensivo: El terreno puede incluir membranas de recubrimiento, la profundidad

1.3.4. Intensivo-Laboratorio (Caso experimental): Para la implementación del

rectangular de 70 L, la profundidad es de 30 cm, se requiere de aireación no

Figura 2. Cultivo intensivo en Eco-acuícola Piura.

1.3.5. Súper-Intensivo: Desarrollado por primera vez en Estados Unidos, consiste en el

Figura 3. Cultivos intensivos en Vietnam.

En la actualidad la tendencia es hacia un cultivo de langostinos respetuoso del medio

Durante el cultivo, el parámetro del agua que se monitorea continuamente es el oxígeno

1.4. El Oxígeno Disuelto en el agua

El mantenimiento de un nivel adecuado de oxígeno disuelto en el agua del estanque es muy

Figura 4. Relación crecimiento langostino y demanda de oxígeno disuelto

 La instalación del sistema de aireación.

 En el diseño de la disposición de estanque, es esencial tener en cuenta la máxima

1.5. La calidad del agua

Usado para la oxidación de las proteínas, hidratos de carbono y

Permite la aparición de ciertos procesos químicos, es decir dado su

Variable Ambiental Función

Tabla 2. Métodos de medición de los parámetros físico químicos en estanques

1.5.1. Parámetros importantes para la acuicultura de langostinos

1.5.1.2. pH: El pH del agua del estanque es indicativo de su fertilidad o la productividad

forma de nitrógeno amoniacal es inofensivo, excepto a concentraciones

1.5.1.4. Temperatura: La temperatura del agua juega un papel muy importante en la

1.6. Los aireadores

1.6.1. Aireación natural

La aireación natural o producción de oxígeno disuelto de manera natural en el mundo. Se

1.6.2. Aireación artificial

Para la crianza de los langostinos se necesita mantener concentraciones de DO por encima

1.7.Control Automático y controlador

El desarrollo del control automático empezó con la necesidad de dispositivos capaces de

1.8. Sostenibilidad del cultivo de langostinos

1.8.1. Los efluentes de cultivos de langostinos

Tabla 3. Análisis típico de la agua salina usada en los cultivos

Elemento/Compuesto Valor Unidad Nivel Condición

Fuente: Elaboración propia.

Flujo por gravedad