Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/30687
metadata.teses.dc.title: Utilização de redes neurais artificiais para a aproximação de ganhos de peso de frango de corte
metadata.teses.dc.creator: Sidney, Luiz Henrique Faleiro
metadata.teses.dc.contributor.advisor1: Yanagi Junior, Tadayuki
metadata.teses.dc.contributor.advisor-co: Lacerda, Wilian Soares
Ponciano, Patrícia Ferreira
metadata.teses.dc.contributor.referee1: Castro, Cristiano Leite de
Gomes, Francisco Carlos
metadata.teses.dc.subject: Redes neurais artificiais
Avicultura
Modelagem de sistemas biológicos
metadata.teses.dc.date.issued: 16-Apr-2015
metadata.teses.dc.identifier.citation: SIDNEY, L. H. F. Utilização de redes neurais artificiais para a aproximação de ganhos de peso de frango de corte. 2011. 47 p. Monografia (Graduação em Sistemas de Informação) - Universidade Federal de Lavras, Lavras, 2011.
metadata.teses.dc.description.resumo: Dentre os desafios enfrentados pela avicultura de corte, destaca-se a importância do ambiente de criação. Quando as condições do ambiente interno no galpão avícola não são adequadas e os animais são expostos a condições de estresse térmico, ocorre a diminuição do bem estar, podendo comprometer o seu crescimento e desempenho. Um animal pode demonstrar seu conforto ou desconforto em suas respostas produtivas. Diante do exposto, este trabalho tem como objetivo geral predizer o ganho de peso de frangos de corte durante as primeiras três semanas de vida. Para predizer o desempenho produtivo dos frangos, uma rede neural artificial foi desenvolvida com base em dados da literatura e experimental, tendo como dados de entrada a idade do frango (semanas), a temperatura (°C) e a umidade relativa do ar (%) no ambiente de criação, e, como variável de saída o ganho de peso dos animais (g). Para obtenção da rede neural artificial (RNA), houve necessidade de se fazer um tratamento inicial dos dados. Primeiramente, os dados de temperatura, umidade relativa do ar, temperatura e ganho de peso foram normalizados e posteriormente normalizados novamente, entretanto, em relação a semana de vida da ave. Para a construção da RNA foi utilizado uma topologia composta de duas redes, sendo a saída da primeira RNA uma das entradas da segunda, que além desta entrada também utilizou as mesmas entradas da primeira RNA e todos os dados tratados referentes a temperatura e umidade relativa do ar, sendo sua saída o ganho de peso. A rede neural proposta mostrou-se adequada em aproximar os ganhos de peso de frangos na fase de aquecimento, tendo um R! = 0,8442, um desvio padrão médio de 27,1 gramas e erro percentual médio de 0,14.
metadata.teses.dc.description.abstract: Among the challenges facing the poultry industry, highlights the importance of the authoring environment. When environmental conditions in domestic poultry shed are not adequate and the animals are exposed to conditions of heat stress, there is a decrease of well-being, which could compromise their growth and performance. An animal can demonstrate their comfort or discomfort in their productive responses. Given the above, this study aims to predict the overall weight gain of broilers during the first three weeks of life. To predict the productive performance of chickens, an artificial neural network was developed based on literature data and experimental, taking as input the age of the chicken (weeks), temperature (° C) and relative humidity (%) in the authoring environment, and as output variable weight gain of animals (g). To obtain the artificial neural network (ANN), it was necessary to make an initial treatment of the data. First, the data of temperature, relative humidity, temperature and weight gain were normalized and then normalized again, however, for the week of the bird's life. For the construction of RNA was used a topology composed of two networks, with the output of the first entries in the RNA of a second, that beyond this entrance also used the same inputs of the first RNA and treated all data related to temperature and relative humidity air, and its output weight gain. The proposed neural network was adequate to approximate the weight gains of chickens in the heating phase, with an R ! = 0.8442, an average standard deviation of 27.1 grams and average percentage error of 0.14.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/30687
metadata.teses.dc.language: pt_BR
Appears in Collections:PROGRAD - Sistemas de Informação (Trabalhos de Conclusão de Curso)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.