Repositório Digital

A- A A+

Gerenciamento através de redes neurais artificiais das atividades de produção de reprodutoras pesadas e do frango de corte, de um incubatório e de um abatedouro avícola

.

Gerenciamento através de redes neurais artificiais das atividades de produção de reprodutoras pesadas e do frango de corte, de um incubatório e de um abatedouro avícola

Mostrar registro completo

Estatísticas

Título Gerenciamento através de redes neurais artificiais das atividades de produção de reprodutoras pesadas e do frango de corte, de um incubatório e de um abatedouro avícola
Autor Spohr, Augusto
Orientador Salle, Carlos Tadeu Pippi
Data 2011
Nível Mestrado
Instituição Universidade Federal do Rio Grande do Sul. Faculdade de Veterinária. Programa de Pós-Graduação em Ciências Veterinárias.
Assunto Abatedouro
Avicultura
Frango de corte
Gerenciamento
Redes neurais artificiais
[en] Arrays of broilers
[en] Artificial neural network
[en] Broilers
[en] Hatchery
[en] Slaughterhouse
Resumo Este estudo utilizou uma série histórica de dados de quatro etapas de uma produção avícola: reprodutoras pesadas, um incubatório, produção de frangos de corte e um abatedouro de frangos de corte pertencente a uma integração avícola do Rio Grande do Sul, no período de junho de 2009 a janeiro de 2010. As linhagens utilizadas foram COBB, ROSS e AVIAN. A diferença entre as médias das variáveis dos dados iniciais e a estatística descritiva foram calculadas com o programa computacional SigmaStat® Statistical Software para Windows 2.03. Foram analizados dados de 27 produtores de matrizes de frango de corte, um incubatório, 147 produtores de frango de corte e um abatedouro onde continham registro de: origem do nascedouro no incubatório, origem da incubadoura no incubatório, quantificação da contaminação por Salmonella sp., Aspergillus sp., Escherichia Coli, Pseudomonas sp. nos nascedouros, número de aviários por incubadoura, ovo de cama/ninho, percentual de linhagem, ovo trincado, minutos de incubação, minutos de nascedouro, horas de estoque, eclosão total, eclosão vendável, ovos incubáveis, aproveitamento de ovos, idade da matriz, perda de peso de ovo, peso de pinto, peso de ovo, contaminação na transferência, tipo de pinto, fertilidade, tipo de máquina, produtor, extensionista, peso do frango de primeira semana, peso do frango de segunda semana, peso do frango de terceira semana, peso do frango de quarta semana, peso do frango de quinta semana, mortalidade do frango na primeira semana, mortalidade do frango na segunda semana, mortalidade do frango na terceira semana, mortalidade do frango na quarta semana, mortalidade do frango na quinta semana, linhagem, condenação total, condenação parcial. As redes neurais foram construídas através do programa computacional NeuroShell®Predictor e NeuroShell®Classifier, desenvolvido pela Ward Systems Group. O programa identificou as variáveis escolhidas como “entradas” para o cálculo do modelo preditivo e variável de “saída” aquela a ser predita. Na primeira parte foram apresentados o treinamento das redes neurais artificiais onde foram utilizadas 50% das linhas de registro de junho de 2009 a janeiro de 2010, utilizou-se todas as variáveis de entrada que antecedem as seguintes variáveis de saída para cada rede: eclosão total, eclosão vendável, fertilidade, mortalidade de 1 semana, mortalidade de 5 semanas, perda de peso de ovo, peso de 5 semanas, tipo de pinto, condenação parcial e condenação total. A segunda parte destinou-se à validação dos modelos, onde se utilizou os outros 50% das linhas de registro com todas as variáveis de entrada que antecedem as mesmas variáveis de saída. Pode-se concluir que as redes neurais artificiais foram capazes de explicar os fenômenos envolvidos entre as quatro etapas da cadeia avícola, matrizes de frango de corte, incubatório, produção de frangos de corte e abatedouro. Esta técnica demonstra cientificamente que se podem criar critérios objetivos, onde estes se tornam uma importante ferramenta nas decisões que serão tomadas pelos gestores destes importantes setores da cadeia avícola.
Abstract This study used a historic series of four stages of poultry production: breeders, hatchery, production of broilers and broiler chicken slaughterhouse owned by a poultry integration of Rio Grande do Sul in the period from June 2009 to January 2010. The strains used were COBB, ROSS and AVIAN. The difference between the averages of the initial data and descriptive statistics were calculated with the computer program SigmaStat ® Statistical Software for Windows 2.03. We analyzed data from 27 breeders, 1 hatchery, 147 broiler producers and a slaughterhouse where contained the records of: origin of the hatcher in the hatchery, the origin of incubator in the hatchery, and quantification of Salmonella sp., Aspergillus sp., E. coli, Pseudomonas sp. contamination in hatcher, number of poultry per incubator, egg floor / nest, percentage of lineage, cracked egg, minutes of incubation, the birthplace of minutes, hours in inventory, total hatch, hatching salable, hatching eggs, usable eggs, breeder age, egg weight loss, chick weight, egg weight, contamination in the transfer, type of chick, fertility, machine type, producer, extension workers, the chicken weight of the first week, chicken weight of the second week, chicken weight of the third week, chicken weight of the fourth week, chicken weight of the fifth week, mortality of the chicken in the first week, mortality of chickens in the second week, mortality of the chicken in the third week, mortality of the chicken in the fourth week, mortality of the chicken in the fifth week, lineage, total condemnation, partial condemnation. The neural networks have been built through the computer program NeuroShell Predictor ® and NeuroShell®Classifier, developed by Ward Systems Group. The program identified the variables selected entries as “inputs” for the calculation of the predictive model and the variable “output” those to be predicted. In the first part were presented the training of artificial neural networks were used 50% of the lines of record from June 2009 to January 2010, was used all the input variables that precedes the following output variables for each network: total hatching , salable hatch, fertility, mortality of one week, mortality of five week , egg weight loss, weight of five weeks, type of chick, partial-condemnation and total condemnation. The second part was intended to validate the models, where were used the other 50% of the records lines with all input variables s that precedes the same output variables. It can be concluded that artificial neural networks were able to explain the phenomena involved between the four stages of poultry production, breeders, hatchery, broiler production and slaughterhouse. This technique proves scientifically that we can create objective criteria, and this methodology become an important tool in making decisions taken by managers of these important sectors of the poultry chain.
Tipo Dissertação
URI http://hdl.handle.net/10183/36860
Arquivos Descrição Formato
000819182.pdf (759.8Kb) Texto completo Adobe PDF Visualizar/abrir

Este item está licenciado na Creative Commons License

Este item aparece na(s) seguinte(s) coleção(ões)


Mostrar registro completo

Percorrer



  • O autor é titular dos direitos autorais dos documentos disponíveis neste repositório e é vedada, nos termos da lei, a comercialização de qualquer espécie sem sua autorização prévia.
    Projeto gráfico elaborado pelo Caixola - Clube de Criação Fabico/UFRGS Powered by DSpace software, Version 1.8.1.