| |
| Acadêmico(a): Eduardo Ferrari Ott |
| Título: Predição de peso na criação de frango de corte utilizando redes neurais artificiais |
| |
| Introdução: |
| O Brasil está hoje entre os maiores produtores de carne de frango no mundo, junto com os Estados Unidos e a China. De acordo com a Associação Brasileira de Proteína Animal (2018), o Brasil produziu cerca de 13 milhões de toneladas de carne de frango em 2017, e exportou cerca de 4,45 milhões de toneladas, representando 36% da exportação mundial do produto. Oliveira et al. (2012) apontam que a eficiência e dinamismo dessa atividade no país se deve ao constante ganho produtivo, alcançado através de avanços em pesquisa genética, aumento na automação da produção de aves e aperfeiçoamento de pessoal em relação ao manejo dos animais, além do sistema de produção integrado. Segundo Carvalho-Curi e Moura (2017 apud NAZARENO et al., 2009), estas melhorias estão relacionadas ao fato de que a avicultura de corte tem sempre buscado o progresso através de pesquisas em áreas como genética, instalações, manejo e conforto ambiental. Também mencionam que estes estudos objetivam compreender melhor os fatores que influenciam o desenvolvimento e o desempenho de frangos de corte para se obter a máxima produção de carne com o menor custo de produção considerando o bem-estar das aves. Amaral et al. (2011) apontam que, dentre os diversos fatores que influenciam a produção de frangos de corte, os fatores ambientais, como a temperatura e a umidade relativa, são de grande importância durante o processo de criação, pois afetam diretamente a função vital mais importante das aves, a homeotermia. Aves mantidas em condições ambientais desfavoráveis, como excesso de calor, reduzem a sua ingestão de alimentos, o que prejudica o seu crescimento e a qualidade da carne, além de fazer com que a ave gaste mais energia para promover a perda desse calor (DOZIER et al. 2006; LU et al. 2007). Pereira e Nääs (2005) apontam que nos diversos estudos sobre a termoneutralidade de aves, observa-se uma grande variação entre os valores limítrofes atualmente indicados para a criação. Essa variação ocorre devido às diferenças genéticas, climáticas e adaptativas das aves em diferentes cenários. Levando em conta estes aspectos, a necessidade do controle e entendimento do ambiente interno nas instalações avícolas é a principal razão do uso de diferentes métodos matemáticos e computacionais, tais como a lógica fuzzy e redes neurais artificiais (RNAs) (CARVALHO-CURI; MOURA, 2017). Dentro desses métodos, as RNAs têm sido utilizadas amplamente para a identificação de padrões para a predição de dados em séries temporais (FERRAZ et al., 2014). Entretanto, as RNAs convencionais, quando utilizadas em cenários com intervalos de tempo extensos provocam o desaparecimento de gradiente, limitando a capacidade de treinamento do modelo de RNA desenvolvido. Como solução para este problema, Hochreiter e Schmidhuber sugerem a utilização do modelo Long Short Term Memory (LSTM), que cria ‘pontes’ entre as séries temporais para impedir a perda de gradiente e ineficácia da rede (HOCHREITER; SCHMIDHUBER, 1997). Considerando o exposto, este trabalho tem como objetivo desenvolver e treinar um protótipo para a predição de peso de frango de corte utilizando o modelo de rede neural recorrente LSTM. O trabalho tem como base para o treinamento da rede fatores ambientais na criação das aves, como a temperatura e a umidade relativa, a fim de compreender a influência desses fatores sobre o crescimento dos animais. Desta forma, este trabalho visa contribuir com o processo de criação avícola, validando a aplicabilidade do modelo LSTM na predição de peso das aves com a finalidade de auxiliar o produtor no que se refere a decisões estratégicas, que dependam do peso das aves. Com isso, este protótipo tem potencial para ser utilizado como ferramenta para avaliar a eficiência do controle de ambiência das granjas, assim como, pode ser integrado a sistemas de controle de microclima, para otimizar o controle da ambiência das aves. |
| |
|
