Redes neurais artificiais para o gerenciamento da indústria avícola: uma simulação baseada na cadeia de produção de frangos de corte

Elisar Camilotti; Thales Quedi Furian; Karen Apellanis Borges; Daniela Tonini da Rocha; Vladimir Pinheiro do Nascimento; Hamilton Luiz de Souza Moraes; Carlos Tadeu Pippi Salle

doi:10.1590/1809-6891v24e-75400E

Autores

Elisar Camilotti Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Rio Grande do Sul, Brasil https://orcid.org/0000-0003-3742-1346
Thales Quedi Furian Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Rio Grande do Sul, Brasil https://orcid.org/0000-0003-0376-8616
Karen Apellanis Borges Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Rio Grande do Sul, Brasil https://orcid.org/0000-0001-6649-5833
Daniela Tonini da Rocha Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Rio Grande do Sul, Brasil https://orcid.org/0000-0003-1414-9853
Vladimir Pinheiro do Nascimento Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Rio Grande do Sul, Brasil https://orcid.org/0000-0002-7720-3274
Hamilton Luiz de Souza Moraes Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Rio Grande do Sul, Brasil https://orcid.org/0000-0001-8352-1319
Carlos Tadeu Pippi Salle Universidade Federal do Rio Grande do Sul (UFRGS), Porto Alegre, Rio Grande do Sul, Brasil https://orcid.org/0000-0002-0286-7148

DOI:

https://doi.org/10.1590/1809-6891v24e-75400E

Resumo

O objetivo deste trabalho foi predizer os indicadores de produção e determinar o seu potencial impacto econômico em um sistema de integração utilizando as redes neurais artificiais (RNA). Quarenta parâmetros zootécnicos e de produção de granjas de matrizes e de frango de corte, um incubatório e um abatedouro foram selecionados como variáveis. Os modelos de RNA foram estabelecidos para quatro variáveis de saída (“eclosão vendável”, “peso ao final da quinta semana”, “condenações parciais” e “condenações totais”) e foram analisados em relação ao coeficiente de determinação múltipla (R2), coeficiente de correlação (R), erro médio (E), erro quadrático médio (EQM) e raiz do erro quadrático médio (REQM). Os cenários produtivos foram simulados e os impactos foram estimados. Os modelos de RNA gerados foram adequados para simular diferentes cenários produtivos após o treinamento. Para “eclosão vendável”, o modelo de incubadora e o período de incubação aumentaram os ganhos financeiros. Para “peso ao final da quinta semana”, a linhagem também demonstrou influência no retorno financeiro, o que não aconteceu com o peso ao final da primeira semana. O sexo do lote possui influência nas taxas de “condenação parcial”, ao contrário do peso do frango no primeiro dia. As taxas de mortalidade e o peso do frango apresentaram influência na “condenação total”, mas o sexo do lote e o tipo de pinto não tiveram influência.
Palavras-chave: gerenciamento de dados; impacto econômico; inteligência artificial; produção avícola

Downloads

Não há dados estatísticos.

Referências

Van Limbergen T, Sarrazin S, Chantziaras I, Dewulf J, Ducatelle R, Kyriazakis I, McMullin P, Méndez J, Niemi JK, Papasolomontos S, Szeleszczuk P, Van Erum J, Maes D. Risk factors for poor health and performance in European broiler production systems. BMC Vet Res 2020;16:287. https://doi.org/10.1186/s12917-020-02484-3

Ramírez-Morales I, Fernández-Blanco E, Rivero D, Pazos A. Automated early detection of drops in commercial egg production using neural networks. Brit Poult Sci 2017; 58:739-747. https://doi.org/10.1080/00071668.2017.1379051

Tedeschi LO. Mathematical modeling in ruminant nutrition: approaches and paradigms, extant models, and thoughts for upcoming predictive analytics. J Anim Sci 2019; 97:1921-1944. https://doi.org/10.1093/jas/skz092

Vanneschi L., Castelli M. Multilayer perceptrons. In: Ranganathan S., Nakai K., Schonbach C. Encyclopedia of Bioinformatics and Computational Biology. Amsterdam: Elsevier; 2018. p. 612-620.

Abiodun OI, Jantan A, Omolara AE, Dada KV, Mohamed NAE, Arshad H. State-of-the-art in artificial neural network applications: A survey. Heliyon 2018; 4(11):e00938. https://doi.org/10.1016/j.heliyon.2018.e00938

Safari-Aliqiarloo A, Faghih-Mohammadi F, Zare M, Seidavi A, Laudadio V, Selvaggi M, Tufarelli V. Artificial neural network and non-linear logistic regression models to fit the egg production curve in commercial-type broiler breeders. Eur Poult Sci 2017; 81. http://doi.org/10.1399/eps.2017.212

Salle CTP, Guahyba AS, Wald VB, Silva AB, Salle FO, Nascimento VP. Use of artificial neural networks to estimate production parameters of broiler breeders in the breeding phase. Brit Poult Sci 2003; 44: 211-217. https://doi.org/10.1080/0007166031000088361

Salle CTP, Spohr A, Furian TQ, Borges KA, Rocha DT, Moraes HLS, Nascimento VP. 2018. Inteligência Artificial: o futuro da produção avícola. Avicultura Industrial. Nº 7, ano 109, ed. 1279, p. 38-42

Almeida LGB, Oliveira EB, Furian TQ, Borges KA, Rocha DT, Salle CTP, Moraes HLS. Artificial neural networks on eggs production data management. Acta Scient Vet 2020; 48:1-7. https://doi.org/10.22456/1679-9216.101462

Oliveira EB, Almeida LGB, Rocha DT, Furian TQ, Borges KA, Moraes HLS, Nascimento VP, Salle CTP. Artificial neural networks to predict egg production traits in commercial laying breeder hens. Braz J Poult Sci 2022; 24(4):1-10. http://dx.doi.org/10.1590/1806-9061-2021-1578

Carvalho D, Moraes LB, Chitolina GZ, Herpich JI, Osório FS, Fallavena LCB, Moraes HLS, Salle CTP. Evaluation of thymic lymphocyte loss of broiler using Digital Analysis of the Lymphoid Depletion System (ADDL). Pesq Vet Bras 2016; 36(07):652-656. https://doi.org/10.1590/S0100-736X2016000700016

Moraes LB, Osório FS, Salle FO, Souza GF, Moraes HLS, Fallavena LCB, Santos LR, Salle CTP. Evaluation of folicular lymphoid depletion in the Bursa of Fabricius: an alternative methodology using digital image analysis and artificial neural networks. Pesq Vet Bras 2010; 30(4):340-344. https://doi.org/10.1590/S0100-736X2010000400010

Abreu LHP, Yanagi Junior T, Yamid MB, Hernández-Julio YF, Ferraz PFP. Artificial neural networks for prediction of physiological and productive variables of broilers. Eng Agric 2020; 40(1):1-9. https://doi.org/10.1590/1809-4430-Eng.Agric.v40n1p1-9/2020

Lourençoni D, Junior TY, Abreu PG, Campos AT, Yanagi SNM. Productive responses from broiler chickens raised in different commercial production systems – part I: fuzzy modeling. Eng Agric 2019; 39:1-10. https://doi.org/10.1590/1809-4430-Eng.Agric.v39n1p1-10/2019

van der Klein SAS, More-Bayona JA, Barreda DR, Romero LF, Zuidhof MJ. Comparison of mathematical and comparative slaughter methodologies for determination of heat production and energy retention in broilers. Poult Sci 2020; 99:3237-3250. https://doi.org/10.1016/j.psj.2020.02.005

You J, Lou E, Afrouziyeh M, Zukiwsky NM, Zuidhof MJ. Using an artificial neural network to predict the probability of oviposition events of precision-fed broiler breeder hens. Poultry Science, 2021; 100(8):101187. https://doi.org/10.1016/j.psj.2021.101187

Mendes AS, Gudoski DC, Cargnelutti AF, Silva EJ, Carvalho EH, Morello GM. Factors that impact the financial performance of broiler production in southern states of Paraná. Braz J Poult Sci 2014; 16(1):113-120. https://doi.org/10.1590/S1516-635X2014000100016

NeuroShell Predictor. Ward Systems Group, version 4.0 TM. Frederick, MD, USA. (http://www.wardsystems.com/predictor.asp)

Avisite. Estatísticas e preços. Campinas: Mundo Agro Editora Ltda. Available from: https://www.avisite.com.br/estatisticas-precos (accessed: July 20, 2022)

NeuroShell Run-Time Server. Ward Systems Group, version 4.0 TM. Frederick, MD, USA. (http://www.wardsystems.com/predictor.asp)

NeuroShell Run-Time Server. Ward Systems Group, version 4.0 TM. Frederick, MD, USA. (http://www.wardsystems.com/rtserver.asp)

NeuroShell Fire. Ward Systems Group, version 4.0 TM. Frederick, MD, USA. (http://www.wardsystems.com/rtserver.asp)

Tona K, Onagbesan OM, Kamers B, Everaert N, Bruggeman V, Decuypere E. Comparison of Cobb and Ross strains in embryo physiology and chick juvenile growth. Poult Sci 2010; 89(8):1677-1683. https://doi.org/10.3382/ps.2009-00386

Arruda JNT, Mendes AS, Guirro ECBP, Schneider M, Sikorski RR, Sausen L, Dias ER, Bonamigo DV. Live performance, carcass yield, and welfare of broilers of different genetic strains reared at different housing densities. Braz J Poult Sci 2016; 18(1):141-152. https://doi.org/10.1590/18069061-2015-0092

Khalid N, Ali MM, Ali Z, Amin Y, Ayaz M. Comparative productive performance of two broiler strains in open housing system. Advancem Life Sci 2021; 8(2):124-127.

Mendes AS, Paixão SJ, Restelatto R, Reffatti R, Possenti JC, Moura DJ, Morello GMZ, Carvalho TMR. Effects of initial body weight and litter material on broiler production. Braz J Poult Sci 2011; 13(3):165-170. https://doi.org/10.1590/S1516-635X2011000300001

Michalczuk M, Stepinska M, Lukasiewicz M. Effect of the initial body weight of Ross 308 chicken broilers on the rate of growth. Animal Science 2011; 49: 121-125. https://doi.org/10.1590/S1516-635X2011000300001

Jiang RS, Yang N. Effect of day-old body weight on subsequent growth, carcass performances and levels of growth-related hormones in quality meat-type chicken. European Poultry Science 2007; 71(2):93-96.

Yerpes M, Llonch P, Manteca X. Factors associated with cumulative first-week mortality in broiler chicks. Animals 2020; 10(2):310. https://doi.org/10.3390/ani10020310

Santana AP, Murata LS, Freitas CG, Delphino MK, Pimentel CM. Causes of condemnation of carcasses from poultry in slaughterhouses located in State of Goiás, Brazil. Cienc Rur 2008; 38(9):2587-2592. https://doi.org/10.1590/S0103-84782008005000002