Resumo |
Introdução: O grande desenvolvimento no setor avícola brasileiro se deve ao progresso em genética, além do aperfeiçoamento na nutrição, manejo e sanidade, caracterizando o Brasil como um dos maiores complexos industriais na produção de proteína animal. Mesmo com todo o avanço tecnológico, existem muitas falhas no controle do ambiente térmico onde as aves são alojadas. A análise dos índices de conforto térmico em instalações de produção animal possibilita que o produtor utilize as melhores estratégias para o controle do ambiente térmico, de acordo com a exigência do animal e com o microclima da região. Esses índices podem ser obtidos através de equações ou ser estimados por meio de ferramentas de zootecnia de precisão, como as redes neurais. Objetivo: Projetar uma rede neural artificial para estimar o índice de temperatura de globo negro e umidade (ITGU) e entalpia de uma instalação comercial de frangos de corte, com base nas variáveis de entrada temperatura do ar, umidade relativa, temperatura de ponto de orvalho e temperatura de globo negro. Metodologia: Os dados de temperatura, umidade relativa e temperatura de globo negro foram coletados em dezembro de 2013, em uma granja de frangos de corte em Nova Mutum - MT. Posteriormente, a temperatura de ponto de orvalho e os índices reais de ITGU e entalpia foram calculados através de equações propostas pela literatura. A rede neural artificial utilizada foi do tipo Perceptron de Múltiplas Camadas (MLP) com aprendizado supervisionado, e foi elaborada com auxílio do programa computacional MATLAB 7.9®. A rede é constituída por uma capa de entrada com 4 neurônios, uma capa oculta com 8 neurônios e uma capa de saída com dois neurônios. Os índices de conforto foram estimados pela rede por meio de regressão, com base nos seguintes parâmetros de entrada: temperatura do ar, umidade relativa do ar, temperatura de ponto de orvalho e temperatura de globo negro. O grupo de dados foi dividido da seguinte maneira: 50% dos dados serviram para o treinamento da rede, 20% para a validação e 30% para o teste da rede. A eficiência da rede foi avaliada através da análise do erro máximo obtido, da raiz quadrada do erro médio (RSME) e pela correlação entre os dados estimados pela rede e os dados reais. Resultados: Avaliando os resultados obtidos através da Rede Neural Artificial, verifica-se que a mesma apresentou uma boa confiabilidade, visto que os resultados estimados foram bem próximos aos valores reais. Essa confiabilidade dos dados estimados pela rede pode ser comprovada, através da análise do erro máximo encontrado (4,1927 (ITGU); 0,9417(Entalpia)), da Raiz quadrada do erro médio (1,3407(ITGU); 0,4558(Entalpia)) e pela correlação entre os dados reais e estimados (0,8272(ITGU); 0,9902(Entalpia)). Conclusão: A rede neural apresentou estimativas confiáveis, sendo uma importante ferramenta no auxílio de tomadas de decisão para a melhoria do ambiente térmico. |