Fuzzy modeling as a tool for the prediction of daily weight gain in broiler chickens
Guilherme Farias Tavares, Leonardo Schiassi
Abstract
Many varied empiric mathematical models have already been developed to predict broiler chicken growth. However, newly developed tools, such as fuzzy modeling, may facilitate resolutions of problems. The objective of this research is to develop a computational mathematical model based on fuzzy logic to predict the daily weight gain (GPD) of broiler chickens, and to compare it to statistical models from the literature. Our results showed that a standard deviation of 0.9 g.day-1 was estimated using fuzzy model compared to 2.02 g.day-1 from the empirical model. However, the standard deviation was 8.6 g.day-1 when field data was used in the fuzzy model, and 9.8 g.day-1 for the empirical model. The proposed fuzzy modeling showed better precision compared to the empiric model. However, the results were not as good when experimental field data was used (R² = 0.5677).
Keywords
References
Ahmadi H, Mottaghitalab M, Nariman-Zadeh N (2007) Group method of data handling-type neural net work prediction of broiler performance based on dietary metabolizable energy, methionine, and lysine. Journal of Applied Poultry Research, 16:494-501.
Amaral AG, Yanagi Junior T, Lima, RR, Teixeira VH, Schiassi, L (2011) Efeito do ambiente de produção sobre frangos de corte sexados criados em galpão comercial. Arquivo Brasileiro de Medicina Veterinária e Zootecnia, 63:649-658.
Ayyub BM, Klir GJ (2006) Uncertainty modeling and analysis in engineering and the sciences. CRC Press, Boca Raton.
Baêta, FC, Souza CF (2012) Ambiência em Edificações Rurais: Conforto animal. Editora UFV, Viçosa.
Bueno L, Rossi LA (2006) Comparação entre tecnologias de climatização para criação de frangos quanto a energia, ambiência e produtividade. Revista Brasileira de Engenharia Agrícola e Ambiental, 10:497-504.
Cassuce DC, Tinôco IFF, Baêta FC, Zolnier S, Cecon PR, Vieira MFA (2013) Thermal comfort temperature update for broiler chickens up to 21 days of age. Engenharia Agrícola, 33:28-36.
Cornelissen AMG, Van den Berg J, Koops WJ, Kaymak U (2002) Eliciting expert knowledge for fuzzy evaluation of agricultural production systems. Rotterdam: Erasmus Research Institute of Management. http://EconPapers.repec.org/RePEc:ems:eureri:259. Acessado em 17 de Outubro de 2015.
Leite MS, Fileti AMF, Silva FV. da (2010) Desenvolvimento e aplicação experimental de controladores fuzzy e convencional em um bioprocesso. Revista Controle & Automação, 21:147-158.
Macari M et al (1994) Fisiologia aviária aplicada a frangos de corte. Funep, Jaboticabal.
Medeiros CM (2001) Ajuste de modelos e determinação de índice térmico ambiental de produtividade para frangos de corte. Tese, Universidade Federal de Viçosa.
Medeiros CM, Baêta FC, Oliveira RFM, Tinôco IFF, Albino LT, Cecon PR (2005) Efeitos da temperatura, umidade relativa e velocidade do ar em frangos de corte. Engenharia na Agricultura, 13:277-286.
Nascimento G, Pereira DF, Nääs IA, Rodrigues LHA (2011) Índice fuzzy de conforto térmico para frangos de corte. Engenharia Agrícola, 31:219-229.
Oliveira HL, Amendola M, Nääs IA (2005) Estimativa das condições de conforto térmico para avicultura de postura usando a teoria dos conjuntos fuzzy. Engenharia Agrícola, 25:300-307.
Oliveira RFM, Donzele JL, Abreu MLT, Ferreira RA, Vaz R, Gomes MV, Cella OS (2006) Efeitos da temperatura e da umidade relativa sobre o desempenho e o rendimento de cortes nobres de frangos de corte de 1 a 49 dias de idade. Revista Brasileira Zootecnia, 35:797-803.
Ponciano PF, Yanagi Júnior T, Schiassi L, Campos AT, Nascimento JWB (2012) Sistema fuzzy para predição do desempenho produtivo de frangos de corte de 1 a 21 dias de idade. Engenharia Agrícola, 32:446-458.
Romanini CEB, Garcia AP, Alvarado LM, Cappelli L, Umezu C (2010) Desenvolvimento e simulação de um sistema avançado de controle ambiental em cultivo protegido. Revista Brasileira de Engenharia Agrícola e Ambiental, 14:1193-1201.
Rondon EOO, Murakami AE, Sakaguti ES (2002) Modelagem computacional para produção e pesquisa em avicultura. Revista Brasileira de Ciência Avícola, 4:199-207.
Roush WB, Dozier WA, Branton, SL (2006) Comparison of Gompertz and neural network models of broiler growth. Poultry Science, 85:794-797.
Schiassi L, Yanagi Junior T, Ferreira L, Damasceno FA, Yanagi SNM (2008) Metodologia fuzzy aplicada à avaliação do aumento da temperatura corporal em frangos de corte. Engenharia na Agricultura, 16:180-191.
Schiassi L, Yanagi Junior T, Damasceno FA, Saraz JAO, Machado NS (2012) Fuzzy modeling applied to the welfare of poultry farms workers. Revista Dyna, 79:127-135
Shaw IS, Simões MG. Controle e Modelagem Fuzzy (2007) FAPESP, São Paulo.
Taylor J (1988) Delphi method applied to tourism. In: Wittis, M. L. Tourism marketing and management handbook . Prentice Hall, Nova York.
UBPA – União Brasileira de Proteína Animal. Relatório Anual 2014 (2015). http://abpa-br.com.br/setores/avicultura/mercado-interno/frango/producao-brasileira-de-carne-de-frango. Acesso em 23 de Setembro de 2015.
Yanagi Junior T, Schiassi L, Abreu LHP, Barbosa JÁ, Campos AT (2012) Procedimento fuzzy aplicado à avaliação da insalubridade em atividades agrícolas. Engenharia Agrícola, 32:423-434.
Submitted date:
12/17/2015
Reviewed date:
03/16/2016
Accepted date:
03/16/2016
Facebook
Google+
Twitter
LinkedIn
Mendeley
StumbleUpon
CiteULike
Reddit
Email