11.7 Herramientas de modelado

En acuapónica, los diagramas de flujo o los diagramas de flujo y stock (SFD) y los diagramas de bucle causal (CLD) se utilizan comúnmente para ilustrar la funcionalidad del sistema aquapónico. A continuación, se describirán el diagrama de flujo y los CLDs.

Gráficos de flujo ## 11.7.1

Para obtener una comprensión sistémica de la acuapónica, los diagramas de flujo con los componentes más importantes de la acuapónica son una buena herramienta para mostrar cómo fluye el material en el sistema. Esto puede ayudar, por ejemplo, a encontrar componentes faltantes y flujos desequilibrados e influir principalmente en los determinantes de los subprocesos. La figura 11.18 muestra un diagrama de flujo simple en acuapónica. En el diagrama de flujo, se añaden alimentos para peces y agua a la pecera, donde el alimento es tomado por los peces para el crecimiento, el agua se enriquece con los residuos de peces y el agua enriquecida con nutrientes se agrega al sistema hidropónico para producir biomasa vegetal. A partir del diagrama de flujo, se puede construir fácilmente un CLD que se muestra en la Fig. 11.19.

Fig. 11.18 Ejemplo de un diagrama de flujo en acuapónica (solo intercambio RAS y HP)

Fig. 11.19 Diagrama de bucle causal (CLD) que ilustra ejemplos de un refuerzo y un bucle equilibrado dentro de los sistemas aquapónicos. El bucle de refuerzo (R) es aquel en el que una acción produce un resultado que influye más de la misma acción y consecuentemente resulta en crecimiento o disminución, donde como un bucle de equilibrio (B) intenta llevar las cosas a un estado deseado y mantenerlas allí (por ejemplo, regulación de la temperatura en la casa)

11.7.2 Diagramas de bucle causal

Los diagramas de bucle causal (CLDs) son una herramienta para mostrar la estructura de retroalimentación de un sistema (Sterman 2000). Estos diagramas pueden crear una base para comprender sistemas complejos mediante la visualización de la interconexión de diferentes variables dentro de un sistema. Al dibujar un CLD, las variables se muestran como nodos. Estos nodos están conectados por aristas, que forman una conexión entre dos variables en consecuencia. La figura 11.19 muestra que dichos bordes se pueden marcar como positivos o negativos. Esto depende de la relación de las variables entre sí. Cuando ambas variables cambian en la misma dirección, entonces uno puede hablar de un vínculo causal positivo. Por lo tanto, un vínculo causal negativo provoca un cambio en direcciones opuestas. Al conectar dos nodos desde ambos lados, se crea un ciclo cerrado que puede tener dos características: (1) un bucle refuerzo que describe una relación causal, creando crecimiento exponencial o colapso dentro del bucle o (2) un bucle de _balanceo en el que las influencias causales mantienen al sistema en equilibrio . La figura 11.19 muestra un ejemplo de ambos tipos de bucles.

Vamos a ilustrar esto (Fig. 11.20) para el diagrama de flujo de la Fig. 11.18.

Es obvio que CLD y SFD son muy útiles para la comprensión del sistema, cuando el modelo no requiere precisión numérica. Si se requiere precisión numérica, el proceso debe estudiarse más a fondo con un diagrama de herramientas dinámicas del sistema (SDTD) y modelarse en un software de simulación dinámica del sistema. Por ejemplo, el CLD en la Fig. 11.20 se puede aumentar con ecuaciones diferenciales a un SDTD (Fig. 11.21).

Fig. 11.20 Ejemplo CLD para intercambio RAS y HP

Desde el SDTD, ahora podemos ver cómo se ven las ecuaciones diferenciales para el equilibrio de nutrientes en el tanque. Sabemos que el flujo de nutrientes fuera de la pecera (MsubXFout/sub) debe ser el flujo de agua (QSubfout/sub) veces la concentración en la corriente de salida (CSubXF/sub):

$M_ {xfout} == C_ {xf} Q_ {fout} $

Suponiendo que un tanque agitado da la concentración de nutrientes del tanque de fink a:

$C_ {xf} = M_ {xf} /v_f$

Las ecuaciones diferenciales de la parte RAS se pueden derivar a:

$xv_f/dt=Q_ {fin} -Q_ {fout} $

$dm_ {xf} /dt=M_ {xfin} -M_ {xfout} $,

Fig. 11.21 Ejemplo de SDTD para intercambio RAS y HP

y para la concentración

$dc/dt= (Q_ {fin} C_ {xfin} -Q_ {fout} C_ {xf} /v_F) $

Software ## 11.7.3

Además de los lenguajes informáticos básicos, como Fortran, C++ y Python, para un cálculo rápido e implementación totalmente específica del usuario, están disponibles todo tipo de herramientas de software avanzadas. Estas herramientas avanzadas de software ofrecen una variedad de entornos, conceptos y opciones. Podemos modelar variables de estado, ecuaciones diferenciales, conexiones y bucles. Además, podemos utilizar el modelo para simulaciones, análisis de estabilidad, optimización y control.

Las principales razones para modelar un sistema son entenderlo y controlarlo. Por lo tanto, el modelo ayuda a predecir la dinámica del sistema o el comportamiento. Las aplicaciones de software podrían permitirnos realizar tres tareas consecuentes: (a) el modelado en sí, (b) las simulaciones del modelo (s) y (c) la optimización del modelo y/o simulación.

El software Mathematica es para el análisis funcional de los problemas descritos matemáticamente (Wolfram 1991). El concepto se basa en el enfoque LISP (McCarthy y Levin 1965.), un lenguaje de programación funcional muy eficaz. La sintaxis es razonablemente simple, y este software es popular en matemáticas, física y biología de sistemas. Especialmente, el módulo Ndsolve ayuda a resolver ecuaciones diferenciales ordinarias, trazar la solución y encontrar valores específicos.

El Maple ofrece herramientas muy similares para resolver ODE. Este software es muy potente; entre sus características pertenecen solución de problemas límite, soluciones exactas y aproximaciones matemáticas. Copasi (simulador de ruta compleja) es una herramienta de software para la simulación y el análisis de redes bioquímicas a través de ecuaciones diferenciales ordinarias.

sageMath es un sistema de software libre de matemáticas de código abierto. El software está basado en Python y facilita la simulación de modelos de ODE. El software Data2Dynamics es una colección de métodos numéricos para el modelado dinámico cuantitativo y es un lenguaje completo de descripción de datos y modelos. El software permite el análisis de predicciones de ruido, calibración e incertidumbre y cuenta con bibliotecas de modelos biológicos.

Probablemente el mejor lenguaje de simulación es Simula (probablemente ya no esté en uso) y Simula 67, considerado al principio como un paquete para Algol 60. Estos fueron los primeros lenguajes totalmente orientados a objetos, introduciendo clases, herencia, subclases, recolector de basura y otros. A principios del siglo XXI, los creadores Ole-Johan Dahl y Kristen Nygaard fueron galardonados con la Medalla IEEE John von Neumann y el Premio A. M. Turing (Dahl y Nygaard 1966).

La idea detrás de Simula era que los objetos tienen vida; comienzan a existir, hacen su ser y cesan. Los objetos se definen como clases generales (código de plantilla), y cada instancia de dicho objeto tiene una ‘vida’ en la simulación. El idioma era bastante difícil de aprender. Sin embargo, ofrecía la posibilidad de modelar procesos objeto por objeto y ejecutar la simulación de sus vidas. La simulación se ejecuta sobre la base de eventos discretos, y es posible simular objetos en co-rutina. Se pueden iniciar, ejecutar, desconectar, reanudar y completar más tareas en periodos de tiempo superpuestos en procesos cuasiparalelos. El hardware actual nos permite modelar y simular en hilos totalmente paralelos. Sin embargo, muchos de los conceptos de Simula ya se usaron para el desarrollo de otros lenguajes, a saber, Java, C/C++/C\ # y bibliotecas de objetos persistentes como DOL (Soukup y Machacek 2014). El sucesor actual de Simula es BETA, extendiendo y presentando las posibilidades de herencia en conceptos de clases anidadas (sub) (con hora local anidada) y patrones (Madsen et al. 1993).

Siempre es una opción para utilizar cualquiera de los lenguajes orientados a objetos y bibliotecas específicas y programar todo el código necesario para un modelo específico. Por otro lado, los entornos de programación gráfica ya existentes permiten diseñar y vincular la estructura del sistema modelado desde bibliotecas de objetos (generador de señales, suma, integrador, etc.), parametrizar y ejecutar la simulación en tiempo virtual.

Otro software popular para la simulación es MathWorks Simulink, que se describe a sí mismo como una herramienta de diseño basada en modelos. El entorno permite combinar y parametrizar bloques predefinidos (de una amplia gama de bibliotecas) y diagramas en subsistemas. La programación se realiza utilizando bloques gráficos y sus conexiones en partes funcionales con bucles de retroalimentación. El entorno es ampliamente utilizado para el control, la automatización y el procesamiento de señales. Otra posibilidad es integrar código propio del lenguaje MathWorks Matlab o utilizar varias cajas de herramientas (Jablonsky et al. 2016). Uno de ellos, SenssB, se centra en el análisis de sensibilidad y permite importar otros modelos utilizando el lenguaje de marcado de biología de sistemas. Sólo para la visualización de modelos existentes en Simulink, también es posible utilizar el visor de modelos muy rápido DiffPlug. PottersWheel admite el modelado de sistemas dinámicos dependientes del tiempo, calibración de parámetros, análisis y predicción. Interesante herramienta es el diseño experimental para la verificación del modelo.

Para el modelado y el análisis de la dinámica del sistema, la aplicación de software Stella Architect isee utiliza una estrategia similar, donde el modelo está compuesto por bloques, que están conectados por relaciones. Stella permite el modelado y la simulación de muy diferentes tipos de aplicaciones, desde las necesidades médicas hasta la construcción de edificios hasta los aviones. Stella a veces se comercializa como software IThink. El software Powersim fue diseñado originalmente con fines económicos. Sin embargo, se convirtió en una herramienta más sofisticada, incluyendo simulaciones electrónicas, de energía solar o de tratamiento farmacológico. El ex desarrollador de Powersim está produciendo actualmente un software similar para tareas más complejas Dynaplan Smia. Vensim es un sistema para modelar las relaciones de big data de sistemas reales. El poder de Vensim es que permite el rastreo causal, el análisis de sensibilidad, la calibración y la simulación intensiva. Sin embargo, el software también es capaz de hacer frente a una amplia gama de sistemas reales simples y complejos (Hassan et al. 2016). El software de dinámica de sistema True-World facilita simulaciones dinámicas multicuerpo complejas en tiempo discreto y continuo. El modelado básicamente comienza a partir de las balanzas.

Los enfoques completamente diferentes para el modelado y la simulación son los autómatas celulares o los enfoques basados en agentes, popularizados por Stephen Wolfram (Wolfram 1991) como un nuevo tipo de ciencia. El enfoque a veces también se llama el juego de la vida. La modelización se implementa a través de interacciones de individuos autónomos (Macal y Norte 2005). Las simulaciones muestran un comportamiento emergente y, por lo tanto, son muy populares en la biología de sistemas para la dinámica poblacional. Una herramienta sencilla para modelado y simulación basados en agentes básicos (y avanzados) es el software NetLogo, donde las descripciones simples y la parametrización crean modelos potentes. El software permite visualizar el desarrollo del tiempo y la inducción del ruido (Stys et al. 2015). La aplicación está escrita en Java, lo que a veces limita la memoria disponible. Probablemente el mayor esfuerzo en el modelado multi-agente se realizó mediante el desarrollo del software Wolfram, que es la continuación del popular Mathematica, con herramientas extendidas para modelado y simulación. Ha puesto el modelado similar a Simulink en un traje más atractivo y también crea posibilidades de modelado basado en agentes y muchas más herramientas para otras disciplinas matemáticas (estadísticas multivariantes, minería de datos, optimización global).

AnyLogic es un software muy interesante para problemas de flujo — información, dinero, tráfico, logística y minería. La simulación resuelve el problema del flujo óptimo en el sistema diseñado con un esfuerzo mínimo y una eficiencia máxima. Los conceptos utilizados son la dinámica del sistema y el modelado de eventos discretos y basados en agentes. También ofrece híbridos entre diferentes conceptos de modelado. El software es útil, por ejemplo, en las simulaciones de propagación epidémica (Emrich et al. 2007).

Otra herramienta de modelado basada en agentes es Insight Maker, para la simulación de la interacción de la población en el espacio geográfico o de red. El software admite la construcción de modelos gráficos, el uso de múltiples paradigmas, el scripting integrado y el conjunto de herramientas de optimización (Fortmann-Roe 2014).

Para el modelado en sí, la descripción de las variables de estado, la solución de los ODs, la parametrización y el análisis de dependencia del tiempo, el primer grupo de software, desde Mathematica hasta Matlab, podría ser utilizado sin dudarlo. Representan herramientas poderosas para los propósitos de modelado. En caso de análisis más complejos, como los relacionados con big data, simulación, inducción de ruido, optimización, sensibilidad y estocásticos, se requieren herramientas más avanzadas, con enfoque orientado a objetos, implicando también una mayor inducción en la sintaxis de lenguajes de programación.