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

Detalhes bibliográficos
Autor(a) principal: Camilotti, Elisar
Data de Publicação: 2023
Outros Autores: Furian, Thales Quedi, Borges, Karen Apellanis, Rocha, Daniela Tonini da, Nascimento, Vladimir Pinheiro do, Moraes, Hamilton Luiz de Souza, Salle, Carlos Tadeu Pippi
Tipo de documento: Artigo
Idioma: por
Título da fonte: Repositório Institucional da UFRGS
Texto Completo: http://hdl.handle.net/10183/263662
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.
id UFRGS-2_2ca54ab49b3342f8ddd4b2e8a0c065e5
oai_identifier_str oai:www.lume.ufrgs.br:10183/263662
network_acronym_str UFRGS-2
network_name_str Repositório Institucional da UFRGS
repository_id_str
spelling Camilotti, ElisarFurian, Thales QuediBorges, Karen ApellanisRocha, Daniela Tonini daNascimento, Vladimir Pinheiro doMoraes, Hamilton Luiz de SouzaSalle, Carlos Tadeu Pippi2023-08-16T03:33:51Z20231809-6891http://hdl.handle.net/10183/263662001171988O 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.The aim of this study was to predict production indicators and to determine their potential economic impact on a poultry integration system using artificial neural networks (ANN) models. Forty zootechnical and production parameters from broiler breeder farms, one hatchery, broiler production flocks, and one slaughterhouse were selected as variables. The ANN models were established for four output variables: “saleable hatching”, “weight at the end of week 5,” “partial condemnation,” and “total condemnation” and were analyzed in relation to the coefficient of multiple determination (R2), correlation coefficient (R), mean error (E), mean squared error (MSE), and root mean square error (RMSE). The production scenarios were simulated and the economic impacts were estimated. The ANN models were suitable for simulating production scenarios after validation. For “saleable hatching”, incubator and egg storage period are likely to increase the financial gains. For “weight at the end of the week 5” the lineage (A) is important to increase revenues. However, broiler weight at the end of the first week may not have a significant influence. Flock sex (female) may influence the “partial condemnation” rates, while chick weight at first day may not. For “total condemnation”, flock sex and type of chick may not influence condemnation rates, but mortality rates and broiler weight may have a significant impact.application/pdfporCiência animal brasileira. Goiânia. Vol. 24 (2023), e-75400P, 12 p.Redes neurais artificiaisModelos matemáticosDesempenho produtivoFrangos de corteArtificial intelligenceData managementEconomic impactPoultry productionRedes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corteArtificial neural networks for the management of poultry industry : a simulation based on the broiler production chaininfo:eu-repo/semantics/articleinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001171988.pdf.txt001171988.pdf.txtExtracted Texttext/plain47411http://www.lume.ufrgs.br/bitstream/10183/263662/3/001171988.pdf.txt0b874db8cf9fb83daf1d0fd713f73956MD53001171988-02.pdf.txt001171988-02.pdf.txtExtracted Texttext/plain44560http://www.lume.ufrgs.br/bitstream/10183/263662/4/001171988-02.pdf.txt2b9649ef392eba23bb5ea488a99e7c19MD54ORIGINAL001171988.pdfTexto completoapplication/pdf979704http://www.lume.ufrgs.br/bitstream/10183/263662/1/001171988.pdf5c4c1b4b1cc043ec443649d28811da11MD51001171988-02.pdfTexto completo (inglês)application/pdf1019138http://www.lume.ufrgs.br/bitstream/10183/263662/2/001171988-02.pdf303da53e5750722a6ab6d4def422860aMD5210183/2636622023-08-17 03:36:52.771118oai:www.lume.ufrgs.br:10183/263662Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2023-08-17T06:36:52Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Redes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corte
dc.title.alternative.en.fl_str_mv Artificial neural networks for the management of poultry industry : a simulation based on the broiler production chain
title Redes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corte
spellingShingle Redes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corte
Camilotti, Elisar
Redes neurais artificiais
Modelos matemáticos
Desempenho produtivo
Frangos de corte
Artificial intelligence
Data management
Economic impact
Poultry production
title_short Redes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corte
title_full Redes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corte
title_fullStr Redes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corte
title_full_unstemmed Redes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corte
title_sort Redes neurais artificiais para o gerenciamento da indústria avícola : uma simulação baseada na cadeia de produção de frangos de corte
author Camilotti, Elisar
author_facet Camilotti, Elisar
Furian, Thales Quedi
Borges, Karen Apellanis
Rocha, Daniela Tonini da
Nascimento, Vladimir Pinheiro do
Moraes, Hamilton Luiz de Souza
Salle, Carlos Tadeu Pippi
author_role author
author2 Furian, Thales Quedi
Borges, Karen Apellanis
Rocha, Daniela Tonini da
Nascimento, Vladimir Pinheiro do
Moraes, Hamilton Luiz de Souza
Salle, Carlos Tadeu Pippi
author2_role author
author
author
author
author
author
dc.contributor.author.fl_str_mv Camilotti, Elisar
Furian, Thales Quedi
Borges, Karen Apellanis
Rocha, Daniela Tonini da
Nascimento, Vladimir Pinheiro do
Moraes, Hamilton Luiz de Souza
Salle, Carlos Tadeu Pippi
dc.subject.por.fl_str_mv Redes neurais artificiais
Modelos matemáticos
Desempenho produtivo
Frangos de corte
topic Redes neurais artificiais
Modelos matemáticos
Desempenho produtivo
Frangos de corte
Artificial intelligence
Data management
Economic impact
Poultry production
dc.subject.eng.fl_str_mv Artificial intelligence
Data management
Economic impact
Poultry production
description 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.
publishDate 2023
dc.date.accessioned.fl_str_mv 2023-08-16T03:33:51Z
dc.date.issued.fl_str_mv 2023
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/other
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/263662
dc.identifier.issn.pt_BR.fl_str_mv 1809-6891
dc.identifier.nrb.pt_BR.fl_str_mv 001171988
identifier_str_mv 1809-6891
001171988
url http://hdl.handle.net/10183/263662
dc.language.iso.fl_str_mv por
language por
dc.relation.ispartof.pt_BR.fl_str_mv Ciência animal brasileira. Goiânia. Vol. 24 (2023), e-75400P, 12 p.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Repositório Institucional da UFRGS
collection Repositório Institucional da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/263662/3/001171988.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/263662/4/001171988-02.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/263662/1/001171988.pdf
http://www.lume.ufrgs.br/bitstream/10183/263662/2/001171988-02.pdf
bitstream.checksum.fl_str_mv 0b874db8cf9fb83daf1d0fd713f73956
2b9649ef392eba23bb5ea488a99e7c19
5c4c1b4b1cc043ec443649d28811da11
303da53e5750722a6ab6d4def422860a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv
_version_ 1801225096544649216