مدل‌سازی انرژی ستانده واحدهای پرورش مرغ گوشتی با استفاده از روش شبکه عصبی مصنوعی (مطالعه موردی: استان مازندران)

صنعت مرغداری به لحاظ تامین بخش عمده‌ای از نیازهای غذایی و پروتئینی کشور از اهمیت قابل توجهی برخوردار است. در این تحقیق به بررسی مدل‌سازی مصرف انرژی تولید مرغ گوشتی پرداخته شده است. به این منظور اطلاعات مورد بررسی از 45 تولیدکننده مرغ گوشتی به طور تصادفی در استان مازندران جمع‌آوری گردید. ابتدا میزان انرژی مصرفی و شاخص‌های انرژی محاسبه و سپس با استفاده از شبکه عصبی مصنوعی به مدل‌سازی انرژی ستانده به عنوان عملکرد پرداخته شده است. نتایج نشان داد که میزان کل انرژی نهاده و ستانده در تولید مرغ گوشتی به ترتیب در حدود 153.79 و 27.45 گیگاژول به ازای 1000 قطعه مرغ می‌باشد. نهاده سوخت با میزان 61.48 درصد بیشترین سهم مصرف انرژی در بین نهاده‌های تولید مرغ گوشتی را دارد و شاخص نسبت انرژی در تولید این محصول 0.18 محاسبه شد. نتایج این مطالعه نشان داد مدل ساخته شده با استفاده از شبکه عصبی مصنوعی با ضریب تشخیص 0.99 و با ساختار 1125 دارای بیشترین دقت و بهترین عملکرد می‌باشد. بنابراین، این مدل به عنوان بهترین روش برای برآورد انرژی‌ ستانده بر اساس انرژی‌های ورودی در منطقه مورد مطالعه پیشنهاد می‌گردد. در ارزیابی تاثیرپذیری خروجی از نهاده‌های ورودی، سوخت فسیلی بالاترین حساسیت را در بین نهاده‌های تولیدی از خود نشان داد که لزوم بازنگری در منابع انرژی را بیش از پیش آشکار می‌سازد.

Output Energy Modilling of Broiler Chicken Breeding Units by Artificial Neural Network (Case Study: Mazandaran Province)

The poultry industry is very important in terms of supplying a significant portion of the country’s food and protein needs. In this research, the energy consumption of broiler chickens has been evaluated. For this purpose, information was collected from 45 broiler chicken producers randomly collected in Mazandaran province. In this study, energy consumption and energy indices were calculated first and then, using artificial neural network, output energy modeling was considered as a function. The results of this study showed that total input and output energy in broiler chicken meat production was 153.79 and 27.45 GJ per 1000, respectively. In broiler chickens, the highest inputs were consumed with 61.48%. The energy ratio in the production of this product was also calculated to be 0.18. The artificial neural network results showed that the best structure for estimating the energy consumption of broiler chicken meat was estimated to be 5121. The coefficient of explanation for the best structure for broiler chicken production was 0.99 for training data. Therefore, this model was selected as the best method for estimating the output energy based on input energy in the study area. In assessing the effectiveness of inputs on the outputs, the fossil fuel showed the highest sensitivity among the production inputs that reveals the needs for revision of the energy resources more than ever.