SciELO - Scientific Electronic Library Online

 
vol.3 issue3Hygienic and Sanitary Quality and Chlorine Demand of The Water From Nipple and Cup Drinkers of Layung HensMorphological Evaluation of Japanese Quail Submitted to Forced Moulting author indexsubject indexarticles search
Home Pagealphabetic serial listing  

Services on Demand

Journal

Article

Indicators

Related links

Share


Brazilian Journal of Poultry Science

Print version ISSN 1516-635XOn-line version ISSN 1806-9061

Rev. Bras. Cienc. Avic. vol.3 no.3 Campinas Sept./Dec. 2001

https://doi.org/10.1590/S1516-635X2001000300008 

Uso de Redes Neurais Artificiais para Estimar Parâmetros de Produção de Galinhas Reprodutoras Pesadas em Recria

Use of Artificial Neural Networks to Estimate Production Parameters of Broiler Breeders in the Breeding Phase

 

 


Autor(es) / Author(s)

Salle CTP1
Guahyba AS2
Wald VB3
Silva AB1
Salle FO4
Fallavena LCB5

1- Médico Veterinário, Ph.D. Prof º Adjunto do CDPA - Faculdade de Veterinária/UFRGS

2- Médico Veterinário. Estudante de Doutorado do  CDPA/UFRGS, bolsista do CNPq

3- Médica Veterinária, Ph.D. Prof ª da Faculdade de Veterinária/UFRGS

4- Estudante de Biologia na UNISINOS

5- Médico Veterinário, M.Sc. Estudante de Doutorado do CDPA/UFRGS, bolsista do CNPq

 

Correspondência / Mail Address

Prof º Carlos Tadeu Pippi Salle

CDPA- Faculdade de Veterinária / UFRGS 
Av. Bento Gonçalves, 8824 (Agronomia) 
91540-000 - Porto Alegre – RS - Brasil

E-mail: ctps@ufrgs.br

 

Unitermos / Keywords

avicultura,  gerenciamento, recria, reprodutoras pesadas, redes neurais artificiais, inteligência artificial.

poultry, management, breeding, broiler breeders, artificial neural networks, artificial intelligence.

 

Observações / Notes:

Copies in English are available.

RESUMO

Uma atividade com a magnitude da avicultura, que usa equipamentos de última geração e serviços atualizados, é levada, na maioria dos casos, a tomar decisões que envolvem todos aspectos de produção, apoiada em critérios subjetivos. O presente trabalho objetiva estudar a utilização das redes neurais artificiais para serem usadas na predição dos parâmetros de desempenho das aves em recria, pertencentes a uma integração avícola sul-brasileira. Foram utilizados os registros de 11 lotes de reprodutoras pesadas para a análise por redes neurais artificiais, no período compreendido entre 09/11/97 a 10/01/99. Os dados utilizados corresponderam a 273 linhas de registros semanais. Os modelos de redes neurais artificiais foram comparados e selecionados como melhores, baseados no coeficiente de determinação múltipla (R2), Quadrado Médio do Erro (QME), bem como pela análise de gráficos, plotando a predição da rede versus a predição menos o real. Os autores concluem que é possível explicar os parâmetros de desempenho das aves em recria, através da utilização de redes neurais artificiais. A técnica permite a tomada de decisões por parte do corpo técnico, baseadas em critérios objetivos obtidos cientificamente. Além disso, esse método permite simulações das conseqüências de tais decisões e fornece a percentagem de contribuição de cada variável no fenômeno em estudo.

 

ABSTRACT

An economic activity with the magnitude of the poultry industry, which uses top line equipment, generally is lead to make decisions involving all production parameters, based in subjective criteria. The aim of this paper is to study the use of artificial neural networks to predict performance parameters in breeding birds, belonging to a South Brazilian poultry farm. Data from 11 broiler breeder flocks was recorded between November, 11th 1997 and October, 1st 1999. These data were processed by artificial neural networks. They corresponded to 273 data lines related to weekly recordings. The artificial neural networks models were compared and the best was selected, based on its determination coefficient, (R2), Mean Squared Error (QME), and by graphical analysis of the plot of network predictions versus the predictions minus the actual data. The authors conclude that it is possible to explain the performance parameters of breeding birds with the use of Artificial Neural Networks. The method allows decision making by the technical staff, based on objective criteria, scientifically obtained. Besides that, this method allows the simulation of consequences of these decisions and estimates the contribution of each variable used in the phenomena under study.


 

 

INTRODUÇÃO

O uso da modelagem matemática, através de estatística convencional, para explicar o comportamento sorológico das aves e, assim, obter critérios objetivos para interpretar as monitorizações (Salle et al., 1998a, 1998b 1999b, 1999c), bem como para medir a correlação entre níveis de aflatoxina e ocratoxina com os parâmetros de produção (Salle et al.,1999a) tem sido investigado. Salle & Silva (2000) expõem a necessidade da geração de critérios objetivos para a interpretação dos resultados das monitorizações, sem os quais o processo decisório e as medidas corretivas associadas à decisão tomada ficam seriamente comprometidos. Após esses trabalhos, resolveu-se estudar a utilização de redes neurais artificiais, uma das técnicas de inteligência artificial, para a modelagem de dados na avicultura.

Em 1996, Roush et al. estudaram a predição de ascite em frangos através das redes neurais artificiais, realizando comparação entre resultados de diagnósticos de laboratório e a incidência predita pela rede neural. Segundo eles, a rede neural identificou corretamente a presença ou ausência de ascite. Esta é uma outra alternativa para analisar dados binários, além da regressão logística proposta posteriormente por Kirby et al., em 1997.

Roush et al., em 1997, tornaram a utilizar a rede neural como uma predição probabilística de ascite em frangos de corte, agora sem necessitar de intervenções cirúrgicas e outros procedimentos utilizados em 1996. A conclusão foi que o uso dos modelos desenvolvidos pode melhorar o diagnóstico de ascite em frangos de corte.

Segundo North & Bell (1990), as matrizes pesadas devem estar sexualmente maduras (produzindo ovos) quando atingirem uma idade específica. Uma das medidas para antecipar essa idade é o controle do peso corporal durante o crescimento. Os mesmos autores afirmaram que fêmeas matrizes de corte possuem a habilidade inerente de crescer rápido. Quando alimentadas ad libitum durante o período de crescimento, elas ganham peso excessivo e depositam muita gordura interna. O processo de controle do peso deve ser feito em todo o período de recria e não somente poucas semanas antes do início da postura. Eles também ressaltaram a importância de se alimentar os galos de forma correta, pois, caso fiquem obesos, poderão desenvolver problemas de pés e pernas, que os tornarão menos aptos à reprodução. A maioria dos técnicos brasileiros se baseia em tabelas de arraçoamento, adquiridas através dos fornecedores das linhagens. Isso, em nossa opinião, deveria ser feito com parcimônia, já que as linhagens de corte são selecionadas e testadas fora de nosso país, portanto, fora da nossa realidade climática, sanitária e de manejo. O curioso é que os mesmos técnicos que utilizam estas tabelas concordam que elas devem sofrer adaptações, pois as quantidades de ração fornecidas por eles diferem muito daquelas recomendadas nas tabelas de arraçoamento.

O presente trabalho objetiva demonstrar a possibilidade de uso da metodologia de redes neurais artificiais na estimação de parâmetros de produção de galinhas reprodutoras pesadas em recria, usando como exemplo um conjunto de dados de uma integração avícola sul-brasileira.

 

MATERIAL E MÉTODOS

Os dados utilizados para a análise matemática foram obtidos dos registros de lotes de reprodutoras pesadas já terminados de uma empresa avícola integradora do sul do Brasil, produtora de frangos de corte de uma mesma linhagem, no período compreendido entre 09/11/97 a 10/01/99.

Dos vinte lotes de recria disponíveis para a análise, foram eliminados nove deles antes da digitação, restando onze em condições de serem estudados.

Os dados utilizados corresponderam a 273 linhas de registros semanais (219 utilizadas para o treinamento e 54 para o teste da rede) das seguintes variáveis: lote; galpão; idade (1 – 25 semanas); estação do ano (1 – 21/06 a 20/09: inverno; 2 – 21/03 a 20/06: outono; 3 – 21/09 a 20/12: primavera; 4 – 21/12 a 20/03: verão); temperatura (ºC), umidade relativa do ar (URA); número de fêmeas vivas e mortas; percentual de mortalidade; percentual de mortalidade acumulada das fêmeas; número de fêmeas descartadas; quantidade de ração fornecida ao lote; quantidade de ração acumulada; quantidade de ração por fêmea/dia; quantidade de ração por fêmea/dia/padrão (manual da linhagem); período do ano em que nasceram (1 – 16/07 a 14/02: fora de estação; 2 – 15/02 a 15/07: estação), peso das fêmeas; peso padrão das fêmeas (manual da linhagem) e uniformidade dos lotes. A temperatura e umidade relativa do ar não eram mensuradas nos galpões. Para utilizar tais variáveis na análise, as mesmas foram obtidas no 8º Distrito de Meteorologia, do Ministério da Agricultura e do Abastecimento (8º DISME - MAA).

Para a confecção das redes neurais artificiais, utilizou-se uma arquitetura de retropropagação (representada na Figura 1), com redes recorrentes supervisionadas e 3 grupos de neurônios ocultos e diferentes funções de ativação. A camada de entrada (grupo de neurônios número 1) utilizou uma função de escala linear [-1,1]. O primeiro grupo de neurônios da camada oculta, grupo 2, utilizou função Gaussiana. O segundo grupo oculto, grupo 3, utilizou função tangente hiperbólica, e o terceiro grupo oculto, grupo 4, utilizou a função de complemento da Gaussiana. A camada de saída (grupo 5) utilizou uma função de ativação logística (logística sigmóide). As ligações entre neurônios foram ajustadas para taxa de aprendizagem e momento, em 0,1 e os pesos iniciais entre +0,3 e -0,3.

 

 

Nesse trabalho, a palavra "entrada" é utilizada para identificar as variáveis disponíveis, ou escolhidas, que foram utilizadas no cálculo do modelo preditivo (contidas no grupo1 de neurônios). O termo "saída" significa a(s) variável(is) a ser(em) predita(s) (contidas no grupo de neurônios número 5).

Após haverem sido apresentados os padrões de entrada, esses foram propagados através de cada camada, sucessivamente, até que fossem geradas as saídas. A intervalos de 200 eventos, a rede parou o treinamento e comparou as saídas desejadas, contidas nos dados de teste da rede e um sinal de erro foi calculado para cada uma. Este sinal de erro foi transmitido de volta através da rede (retropropagação). Os pesos das conexões foram, desse modo, atualizados com o objetivo de se diminuir o erro entre a entrada e a saída. Dessa forma, o erro diminuía e a rede neural aprendia o padrão dos dados analisados. A rede (modelo) que alcançou o menor erro nos dados de teste da rede (há 20.000 eventos de treinamento sem o erro diminuir) foi salva como um arquivo que pode ser acessado através de uma biblioteca de vinculação dinâmica (DLL: dynamic link library), a partir de uma planilha do programa Excel versão 97 para Windows 98â (ou outras versões).

Os modelos de redes neurais artificiais foram comparados e selecionados como melhores, baseados no coeficiente de determinação múltipla (R2), Quadrado Médio do Erro (QME), bem como pela análise de gráficos, plotando a predição da rede versus a predição menos o real. A fórmula utilizada para calcular o R2 foi R2= 1-(SSE/SSyy), onde SSE = S (valor real - valor predito)2 e SSyy = S (valor real - média dos valores)2. O QME foi calculado como sendo a média dos valores reais menos os valores preditos, elevados à potência 2 [QME = média (valores reais - preditos)2].

É importante que se entenda que os modelos gerados só têm utilidade para a empresa onde foi realizado o estudo.

 

RESULTADOS E DISCUSSÃO

Dos vinte lotes disponíveis para serem estudados, nove foram eliminados poconterem erros nos registros. Se, por um lado, foi lastimável essa perda, por outro, deixou a evidência de que os responsáveis pela análise dos dados não voltaram à própria história na busca de orientações para futuras decisões.

Vale ressaltar que alguns dados importantes para a modelagem não foram sistematicamente registrados pela empresa em nenhum dos lotes em estudo, tais como: tratamentos medicamentosos, formulação da ração, informações referentes aos galos e temperatura interna dos galpões. Por essa razão, esses elementos não puderam ser agregados aos modelos.

Tanto os erros de registro como a falta de anotação de dados importantes sobre os lotes sugerem que, na forma atual de gerenciamento das matrizes em recria, tais elementos não costumam ser analisados com rigor científico.

Com os dados dos demais lotes foi possível construir e testar modelos para mortalidade, quantidade de ração a ser fornecida, peso das aves na semana atual e peso das aves na semana seguinte, como está expresso na Tabela 1.

 

 

Na Figura 2, estão mostrados os gráficos nos quais foi plotada a predição da rede versus a predição menos o real (resíduo) das variáveis de saída selecionadas como melhores, bem como os coeficientes de determinação múltipla (R2) e o Quadrado Médio do Erro (QME) de tais modelos.

 

 

Como exemplo de todo o procedimento empregado nesse trabalho, na Tabela 2 é apresentado o resultado da construção dos 16 modelos da saída "Peso das aves na semana seguinte". O modelo escolhido foi o calculado pela rede 15, que tem o menor QME e o maior R2, além de ter apresentado distribuição uniforme na imagem gráfica dos dados, ao plotar a predição da rede versus a predição menos o real. A rede 15 teve como variáveis de entrada: idade, temperatura, URA, mortalidade acumulada, ração fornecida, período e uniformidade.

 

 

O conhecimento da contribuição ou da participação de cada uma das entradas sobre a saída escolhida é de fundamental importância para a compreensão do que está interferindo na variável a ser predita. Com este valor à disposição, o profissional avícola pode avaliar e propor as correções pertinentes, quando possíveis e necessárias. É uma ferramenta de importância muito grande para o gerenciamento do processo, neste caso, da fase de recria. Algumas entradas podem ser modificadas, outras, como idade e mortalidade acumulada, são imutáveis. Porém, é possível alterar a temperatura ambiente, a umidade relativa do ar e a quantidade de ração com o intuito de melhorar o peso das aves na semana seguinte. Dessas alterações, algumas são mais fáceis de realizar do que outras. Em qualquer circunstância, as medidas tomadas para melhorar o processo poderão ter sua eficácia medida ao ser gerado o novo modelo que conterá as modificações efetuadas. Na Tabela 3, são apresentadas as contribuições das entradas que compuseram os modelos das variáveis de saída.

 

 

É possível perceber que, como era de se esperar de aves em recria, a idade tem a maior contribuição sobre o peso das aves na semana seguinte (34,04%). Por outro lado, fica demonstrado qual a participação da temperatura ambiente (14,33%), da umidade relativa do ar (9,67%), da mortalidade acumulada (8,48%), da ração fornecida aos animais (10,70%), do período (10,88%), e da uniformidade dos animais (11,95%) para a saída em estudo.

Os dados da Tabela 3 demonstram que a temperatura ambiental tem praticamente a mesma participação do que a idade sobre a mortalidade acumulada das reprodutoras durante a fase de recria. A estação do ano tem participação intermediária e a menor contribuição é dada pela umidade relativa do ar. Como não é possível alterar a idade dos animais, nem a estação do ano, resta a alternativa de lhes proporcionar o melhor conforto térmico para minorar a mortalidade. No modelo gerado, a mortalidade acumulada das fêmeas é influenciada em 44,27% pelas variáveis passíveis de interferência humana, pelo menos, em parte.

O resultado final da rede neural artificial pode ser expresso numa planilha do programa Excel versão 97 para Windows 98â, ou em versões anteriores, mostrada na Figura 3. Nela, é possível fazer simulações a partir dos modelos de redes neurais artificiais anteriormente calculados e contidos na planilha.

 

 

Suponha-se que o usuário da planilha (Figura 3) realizou o fechamento semanal do lote, quando as aves possuíam 15 semanas de idade. Assim sendo, anota o número 15 na linha "Idade (semanas)", digita o número da estação do ano (1 a 4) na linha "Estação do ano". É necessário informar esse dado, embora "Estação do ano" não faça parte do modelo de predição "Peso das aves na semana seguinte". A estação do ano participa do modelo "Mortalidade acumulada" e, esse último, é necessário aos cálculos simulatórios do peso futuro que se quer predizer. A seguir, é repetida a digitação com os valores correspondentes a cada uma das linhas chegando, finalmente, à "Uniformidade do lote". Todos os valores digitados até aqui não podem ser modificados, pois são a história do lote em questão. Por outro lado, a "Quantidade de ração" a ser oferecida poderá ser modificada simulando o que acontecerá com o peso dos animais na semana seguinte (semana 16). Dessa forma, o usuário digitará a quantidade de ração que pretende oferecer aos animais na linha correspondente a esse campo. Automaticamente, é iniciada a simulação da quantidade de gramas de alimento que ele necessitará fornecer por ave, na semana 15, para que o lote atinja o peso esperado na semana 16.

A planilha é dinâmica, ou seja, à medida que se modificam os valores de entrada (idade, estação do ano, temperatura, URA, mortalidade, período, uniformidade e quantidade de ração a ser fornecida), modifica-se automaticamente a saída (peso que a ave terá na semana seguinte: linha "Peso na próxima semana"). Já, o peso que a ave deveria ter na próxima semana (linha "Peso que deveria ter com": 1.845,83 gramas) é um valor que obedece a um padrão de peso, o qual também foi calculado pela rede neural artificial (a partir da Idade e Período). A linha que expressa a diferença entre o resultado da simulação e o padrão da empresa servirá de orientação na digitação de um valor maior ou menor durante o processo simulatório. Assim, se forem dadas 73,5 gramas de ração, o peso esperado para a próxima semana será de 1.846,39 gramas e estará 0,56 gramas acima do modelo da empresa para a 16ª semana. Se for digitado 72 gramas, o peso esperado será de 1840,72 gramas e estará 5,12 gramas abaixo do padrão da empresa. Por outro lado, se forem oferecidas 75 gramas, o peso será de 1852,14 gramas e ficará acima do padrão em 6,31 gramas. Assim sendo, a quantidade de alimento a ser oferecida aos animais na 15ª semana deve ser de 73,5 gramas, pois essa quantidade levará ao peso mais próximo daquele predito no modelo para a semana seguinte.

Dessa forma, ao dispor dos modelos calculados por redes neurais artificiais e ao colocá-los numa planilha eletrônica, o usuário da planilha poderá simular a quantidade de ração necessária por ave, para que a diferença entre o padrão de peso da empresa e o peso real que essas aves irão alcançar seja o menor possível, a fim de que o desempenho das aves não seja prejudicado pelo excesso ou diminuição do peso corporal.

 

CONCLUSÃO

É possível explicar os parâmetros de desempenho das aves em recria de uma integração avícola através da utilização de redes neurais artificiais. A técnica permite a tomada de decisões criteriosas por parte do corpo técnico para os diferentes lotes em recria, alicerçadas em critérios gerados cientificamente. Além disso, esse método permite simulações das conseqüências de tais decisões e fornece a percentagem de contribuição de cada variável no fenômeno em estudo.

 

REFERÊNCIAS BIBLIOGRÁFICAS

Kirby YK, Mcnew RW, Kirby JD, Wideman Jr RF. Evaluation of logistic versus linear regression models for predicting pulmonary hypertension syndrome (Ascites) using cold exposure or pulmonary artery clamp models in broilers. Poultry Science 1997; 76:392-399.        [ Links ]

North MO, Bell DD. Commercial Chicken Production Manual. New York: Chapman & Hall; 1990.        [ Links ]

Roush WB, Kirby YK, Cravener TL, Wideman Jr RF. Artificial neural network prediction of ascites in broilers. Poultry Science 1996; 75:1479-1487.        [ Links ]

Roush WB, Cravener TL, Kirby YK, Wideman Jr RF. Probabilistic neural network prediction of ascites in broilers based on minimally invasive physiological factors. Poultry Science 1997; 76:1513-1516.        [ Links ]

Salle CTP, Cé MC, Lorenzini G, Sfoggia MVB, Guahyba AS, Moraes HLS, Nascimento VP. Correlation between aflatoxin and ocratoxin levels with production parameters in a poultry company. In: Western Poultry Disease Conference; 48. Vancouver - Canadá. Resumos; Vancouver: American Association of Avian Pathologists (AAAP); 1999a; 130p.        [ Links ]

Salle CTP, Cé MC, Santos CHC, Guahyba AS, Nascimento VP, Moraes HLS. Use of statistical techniques on the interpretation of routine serological data produced by a poultry industry. In: Western Poultry Disease Conference; 48. Vancouver - Canadá. Resumos; Vancouver: American Association of Avian Pathologists (AAAP); 1999b; 130p.        [ Links ]

Salle CTP, Cé MC, Wald VB, Santos CHC, Nascimento VP, Canal CW, Moraes HLS, Oliveira SD. Estabelecimento de critérios de interpretação de resultados sorológicos de matrizes de corte através de modelos matemáticos. Revista Brasileira de Ciência Avícola 1999c; 1:61-65.        [ Links ]

Salle CTP & Silva AB. Prevenção de Doenças / Manejo Profilático / Monitorização. Ed. A Berchieri Junior e M Macari, 1ª ed. Campinas – FACTA. In: Doenças das Aves 2000; p.3-12.        [ Links ]

Salle CTP, Soares RCB, Cé MC, Guahyba AS, Moraes HLS, Nascimento VP. Immune response assessment in turkey breeder (Meleagridis gallopavo) under Newcastle vaccine virus by mathematical models. In: Asia-Pacific Poultry Health Conference 4, Melbourne - Austrália. Resumos. Melbourne: Australian Veterinary Poultry Association; 1998a; 148p.        [ Links ]

Salle CTP, Soares RCB, Cé MC, Silva AB, Moraes HLS, Nascimento VP, Guahyba AS. Modelos matemáticos para avaliar a resposta imune de aves à doença de Newcastle. A Hora Veterinária; 1998b; 102:41-44.        [ Links ]

Creative Commons License All the contents of this journal, except where otherwise noted, is licensed under a Creative Commons Attribution License