Movimiento de una partícula en una piscina de acuicultura mediante una ecuación diferencial estocástica de Langevin basada en MCMC

Autores/as

  • Jonathan Proao Universidad T´ecnica de Manabí Ecuador
  • Luis Sánchez Universidad T´ecnica de Manabí Ecuador
  • Osvaldo Fosado Universidad T´ecnica de Manabí Ecuador

DOI:

https://doi.org/10.24310/recta.22.1.2021.19871

Palabras clave:

Tecnolog´ıa Biofloc, Producci´on Acu´ıcola, Modelo Langevin, Algoritmo Metropolis-Hastings

Resumen

Conocer el movimiento que desarrolla una partícula en el agua dentro de una piscina de producción acuícola con tecnología biofloc, resulta de vital importancia por su incidencia en los costos totales de estos sistemas productivos, además del efecto ambiental por concepto del uso del agua que ello refleja. En este trabajo se propone un modelo de Langevin para describir dicho movimiento cuando estas partículas son impulsadas por corrientes de aire. Un algoritmo de técnicas Monte Carlo por Cadenas de Markov, específicamente el Metropolis-Hasting es desarrollado para reconstruir los estados del sistema dinámico no lineal sensitivo a las condiciones iniciales. Se utilizaron datos obtenidos de un experimento a escala y, a partir de ello, se demuestra que la metodología propuesta describe de manera idónea estos movimientos, presentándose patrones cíclicos en períodos cortos de tiempo. La eficiencia de predicción del modelo es comprobada reproduciendo los estados estimados con los reales. Finalmente, una medida de bondad de ajuste es propuesta para valorar la calidad de la estimación, obteniéndose errores insignificantes en la misma.

Descargas

Los datos de descargas todavía no están disponibles.

Publicación Facts

Metric
Este artículo
Otros artículos
Revisión pares 
2.4 promedio

Perfil de revisores  N/D

Información adicional autores

Información adicional autores
Este artículo
Otros artículos
Datos de investigación disponibles 
##plugins.generic.pfl.dataAvailability.unsupported##
##plugins.generic.pfl.averagePercentYes##
Financiación 
N/D
32% con financiadores
Conflicto de intereses 
N/D
##plugins.generic.pfl.averagePercentYes##
Metric
Para esta revista
Otras revistas
Artículos aceptados 
Artículos aceptados: 4%
33% aceptado
Días hasta la publicación 
Días hasta la publicación
145

Indexado: {$indexList}

    Indexado en
Perfil de director y equipo editorial
##plugins.generic.pfl.profiles##
Sociedad Académica/Grupo 
N/D
Editora: 
UMA Editorial. Universidad de Málaga

Citas

Andrew, C. (1990). Forecasting structural time series models and the kalman filter. Cambridge University Press.

Azim, M. and Little, D. (2008). The biofloc technology (bft) in indoor tanks: Water quality biofloc composition and growth and welfare of nile tilapia (oreochromis niloticus). Aquaculture, 283(4):29-35.

https://doi.org/10.1016/j.aquaculture.2008.06.036

Bittanti, S. and Savaresi, S. (2000). On the parameterization and design of an extended kalman fillter. IEEE Transactions on Automatic Control., 45:1718-1724.

https://doi.org/10.1109/9.880631

Bossier, P. and Ekasari, J. (2017). Biofloc technology application in aquaculture to support sustainable development goals. Microbial Biotechnology., 10(5):1012-1016.

https://doi.org/10.1111/1751-7915.12836

Botha, I., Kohn, R., and Drovandi, C. (2021). Particle methods for stochastic differential equation mixed effects models. Bayesian Analysis, 16(2):575-609.

https://doi.org/10.1214/20-BA1216

Browdy, C., Bratvold, D., Stokes, A., and McIntosh, R. (2001). Perspectives on the application of closed shrimp culture systems in: The rising tide. Proceedings of the Special Session on Sustainable Shrimp. Farming World Aquaculture Society., 1:20-34.

Brown, D. (2008). Sharing video experiments with tracker digital libraries. AAPT 2008 Summer Meeting. Edmonton Poster PST3-15.

Chaverra, S., Garc'ıa, J., and Pardo, S. (2017). Efectos del biofloc sobre los par'ametros de crecimiento de juveniles de cachama blanca piaractus brachypomus. Rev. CES Med Zootec., 12(3):170-180.

https://doi.org/10.21615/cesmvz.12.3.1

Chen, Z., Wong, A., Cheng, T., Koon, A., and Chan, H. (2019). Fipoq/fbxo33, a cullin-1-based ubiquitin ligase complex component modulates ubiquitination and solubility of polyglutamine disease protein. J. Neurochem., pages 781-798.

https://doi.org/10.1111/jnc.14669

Chib, S., Pitt, M., and Shephard, N. (2006). Likelihood based inference for difusion driven state space models. Working paper. Oxford: Nudeld College.

Chopin, N. and Papaspiliopoulos, O. (2020). An introduction to sequential monte carlo. Springer Series in Statistics. ISBN 978-3-030-47844-5. Switzerland.

https://doi.org/10.1007/978-3-030-47845-2_13

Chui, C. and Chen, G. (2009). Kalman filtering with real-time applications. Springer Ser. Info.Sci. Fourth Edition. Springer. Berlin. Heidelberg.

Coffey, W., Kalmykov, Y., and Waldron, J. (2004). The langevin equation: with applications to stochastic problems in physics chemistry and electrical engineering. World Scientific., 14.

https://doi.org/10.1142/5343

Crisan, D. and Doucet, A. (2002). A survey of convergence results on particle filtering methods for practitioners. IEEE Transactions on Signal Processing., 50:736-746.

https://doi.org/10.1109/78.984773

Doucet, A., Freitas, J. D., and Gordon, N. (2000). Sequential monte carlo in practice. Springer Verlag. New York.

https://doi.org/10.1007/978-1-4757-3437-9

Fleckenstein, L., Tierney, T., and Ray, A. (2018). Comparing biofloc clear-water and hybrid recirculating nursery systems (part ii): Tilapia (oreochromis niloticus) production and water quality dynamics. Aquac Eng., 82:80-85.

https://doi.org/10.1016/j.aquaeng.2018.06.006

Hastings, W. (1970). Monte carlo sampling methods using markov chains and their applications. Biometrika, 57:97-109.

https://doi.org/10.1093/biomet/57.1.97

Ibarra, E., Carratal'a, S., and Proao, J. (2015). Determinacin del 'Indice de importancia relativa en oreochromis sp. cultivadas con biofloc y alimento balanceado. La T'ecnica, 14(2):62-71.

https://doi.org/10.33936/la_tecnica.v0i14.583

Ibarra, E., Llanes, J., Jij'on, A., and Rodr'ıguez, B. (2020). Incremento de la densidad poblacional en el engorde de camarn (litopenaeus vannamei) con tecnologa biofloc y baja proteína dietética. Rev. AquaCUBA., 20(2):30-40.

Infante, S., Hern'andez, A., Ordonez, A., and S'anchez, L. (2017). Inference for stochastic differential equations models using filtering algorithms. Revista Ingenieria UC., 24(3):383-399.

Ionides, E. (2003). Inference and filtering for partially observed diffusion processes via sequential monte carlo. Tech. report. Univ. of Michigan Dept. of Statistics., (402).

Ito, K. and Xiong, K. (2000). Gaussian filters for nonlinear filtering problems. IEEE Transactions on Automatic Control., 45(5):910-927.

https://doi.org/10.1109/9.855552

Kong, A., Liu, S., and Wong, H. (1994). Sequential imputations and bayesian missing data problems. Journal of the American Statistical Association., 89:278-288.

https://doi.org/10.1080/01621459.1994.10476469

Krummenauer, D., Peixoto, S., Cavalli, R., Poersch, L., and Wasielesky, W. (2011). Superintensive culture of white shrimp litopenaeus vannamei in a biofloc technology system in southern brazil at different stocking. J. World Aquac Soc., 42(5):726-733.

https://doi.org/10.1111/j.1749-7345.2011.00507.x

Lazkano, E., Sierra, B., Astigarraga, A., and Martínez, J. (2007). On the use of bayesian networks to develop behaviours for mobile robots. Robotics and Autonomous Systems., 53(3):253265.

https://doi.org/10.1016/j.robot.2006.08.003

Martínez, L., Martínez, M., Emerenciano, M., Miranda, B., and Gollas-Galván, T. (2016). From microbes to fish the next revolution in food production. Crit Rev Biotechnol., 37(3):87-295.

https://doi.org/10.3109/07388551.2016.1144043

Metropolis, N., Rosenbluth, A., Rosenbluth, M., Teller, A., and Teller, E. (1953). Equations of state calculations by fast computing machines. J. Chem. Phys., 21:1087-1091.

https://doi.org/10.2172/4390578

Ming, Z., Shi, R., Guo, Y., Han, D., and Liu, H. (2016). Applications of computational fluid dynamics to modeling hydrodynamics in tilapia rearing tank of recirculating biofloc technology system. Aquacultural Engineering., 74:120-130.

https://doi.org/10.1016/j.aquaeng.2016.07.005

Mustafa, G., Ibrahim, A., and Elahwany, A. (2009). Modeling of activated sludge floc characteristics. American Journal of Environmental Sciences., 5:69-79.

https://doi.org/10.3844/ajes.2009.69.79

Nuñez-Torres, O. (2017). Los costos de la alimentaci'on en la producci'on pecuaria. J.Selva Andina Anim. Sci., 4(2):93-94.

https://doi.org/10.36610/j.jsaas.2017.040200093

Proao, J. (2020). Validaci'on del modelo a escala para observar el movimiento del agua de una piscina de produccin acu'ıcola con biofloc. Techinal report. Facultad de Ciencias Veterinarias. Universidad Técnica de Manabí.

Sánchez, L., Infante, S., Grifien, V., and Rey, D. (2016). Spatio temporal dynamic model and parallelized ensemble kalman filter for precipitation data. Brazilian Journal of Probability and Statistics., 30(4):63-675.

https://doi.org/10.1214/15-BJPS297

Säkkä, S. and Solin, A. (2014). Lecture notes on applied stochastic differential equations. Version as of December., (4).

Souza, R., Lima, E., Melo, F., Ferreira, M., and Correia, E. (2019). The culture of nile tilapia at different salinities using a biofloc system. Revista Ciencia Agronómica., 50.

https://doi.org/10.5935/1806-6690.20190031

Stefano, M. (2008). Simulation and inference for stochastic differential equations. With R examples. Springer-Verlag. New York.

Tong, D. (2012). Kinetic theory. Preprint typeset in JHEP style - HYPER VERSION. Department of Applied Mathematics and Theoretical Physics. Centre for Mathematical Sciences. Cambridge. UK,.

Descargas

Publicado

2021-06-30

Cómo citar

Proao, J., Sánchez, L., & Fosado, O. (2021). Movimiento de una partícula en una piscina de acuicultura mediante una ecuación diferencial estocástica de Langevin basada en MCMC. Revista Electrónica De Comunicaciones Y Trabajos De ASEPUMA, 22(1), 21–33. https://doi.org/10.24310/recta.22.1.2021.19871