مدل‌سازی و بهینه‌سازی اثر متوازن‌کردن جیره جوجه‌های گوشتی و دمای حالت‌دهنده بر کیفیت فیزیکی پلت و بازدهی تولید کارخانه خوراک طیور

هدف از این پژوهش بررسی اثرات چربی افزوده شده در مخلوط‌کن، پروتئین خام جیره و دمای حالت دهنده بر شاخص ماندگاری پلت، انرژی الکتریکی مصرفی هنگام تولید خوراک با استفاده از ابزارهای مدل‌سازی محاسباتی بود که از 192 نمونه خوراک جوجه‌های گوشتی با سطوح مختلف چربی افزوده شده در مخلوط‌کن (چهار سطح) و پروتئین خام (چهار سطح) در اجزای خوراک و دماهای مختلف حالت دهنده (سه سطح) برای تعیین شاخص ماندگاری پلت، شاخص تصحیح ‌شده ماندگاری پلت و انرژی الکتریکی مصرفی هنگام تولید خوراک استفاده شد. برای تحلیل این داده‌ها مدل‎های تابعیت خطی چندگانه و شبکه‌ی عصبی مصنوعی مورد استفاده قرار گرفت. هر دو مدل ذکر شده توانایی پیش‌بینی مقدار شاخص ماندگاری پلت، شاخص تصحیح ‌شده ماندگاری پلت و انرژی الکتریکی مصرفی هنگام تولید خوراک را داشتند؛ اما دقت پیش‌بینی مدل شبکه‌ی عصبی مصنوعی نسبت به مدل تابعیت خطی چندگانه برای هر سه خروجی بیشتر بود. با استفاده از مدل شبکه‌ی عصبی مصنوعی بهینه‌سازی انجام شد که در این محاسبات برای رسیدن به بیشترین میزان ممکن کیفیت فیزیکی پلت و کمترین میزان ممکن انرژی الکتریکی مصرفی مقدار پروتئین خام، 20-20/5 درصد و دمای حالت دهنده، 85 درجه سلسیوس پیش‌بینی شد، اما میزان چربی برای بیشترین مقدار کیفیت فیزیکی پلت، یک درصد و برای کمترین مقدار انرژی الکتریکی مصرفی هنگام تولید، چهار درصد پیش‌بینی شد. بر اساس نتایج حاصل، مدل شبکه‌ی عصبی مصنوعی می‌تواند در شرایط کاربردی در پیش‌بینی دقیق‌تر مصرف برق و کیفیت خوراک تولید شده به منظور دستیابی به وضعیت مطلوب در کارخانه‌های تولید خوراک کمک کند.

modeling and optimization of the effect of broiler diet formulation and conditioning temperature on the physical quality of pellet and production efficiency of poultry feed factory

this study was conducted to investigate the effects of mixer added fat, crude protein and conditioning temperature on the pellet durability index, and electrical energy consumption during feed production using computational modeling tools. a total of 192 broiler feed samples with different levels of mixer added fat and crude protein in feed components and different conditioning temperatures to determine the pellet durability index, modified pellet durability index and electrical energy consumption during feed production were used. multiple linear regression and artificial neural network were used to analyze data. both models had the ability to predict the value of the pellet durability index, modified pellet durability index and the electrical energy consumption during feed production; but the prediction accuracy of the artificial neural network model was higher than that of the multiple linear regression model for all three outputs. optimization was done using the artificial neural network model, and in these calculations, in order to achieve the highest possible level of pellet physical quality and the lowest possible level of electrical energy consumption, the crude protein amount was 20-20.5% and the conditioning temperature was predicted to be 85 c. however, the amount of fat was predicted to be 1% for the highest amount of pellet physical quality and 4% for the lowest amount of electrical energy consumption during production. in practical conditions, this model can help in more accurate prediction of electricity consumption and the quality of produced feed in order to achieve the optimal situation in feed production factories.