estimation and prediction of metabolizable energy contents of wheat bran for poultry

The biological procedure used to determine the nitrogen corrected true metabolizable energy (tmen) value of feed ingredient is costly and time consuming. therefore, it is necessary to find an alternative method to accurately estimate the tmen content. in this study, 2 methods of multiple linear regression (mlr) and artificial neural network (ann) were developed to describe the tmen (kcal kg1 dm) value on a dry matter (dm) basis of wheat bran (wb) samples given their chemical composition of ether extract (ee), ash, crude protein (cp) and crude fiber (cf) contents (all used as % of dm). a data set containing 100 wb samples were used to determine chemical composition and tmen. accuracy and precision of the developed models were evaluated given their produced prediction values. the results revealed that the developed ann model [r2= 0.90; root mean square error (rmse)= 64.07 kcal kg1 dm for training set; and r2= 0.89; rmse= 82.69 kcal kg1 dm for testing set] produced relatively better prediction values of tmen in wb than those produced by conventional mlr [r2= 0.81; rmse= 86.76 kcal kg1 dm for training set; and r2= 0.84; rmse= 86.61 kcal kg1 dm for testing set]. the developed ann model may be considered as a promising tool for modeling the relationship between chemical composition and energy of wb samples. to provide the users with an easy and rapid tool, an excel reg; calculator, namely, ann_wb_me_poultry, was created to predict the tmen values in wb sample given its chemical composition and using the developed ann model.

برآورد و پیش‌بینی انرژی قابل متابولیسم سبوس گندم برای طیور

روش بیولوژیکی مورد استفاده برای تعیین انرژی قابل متابولیسم حقیقی تصحیح شده برای ازت (TMEn) در مواد اولیه خوراکِ طیور پر هزینه و وقت گیر است. بنابراین یافتن یک روش جایگزین برای محاسبه دقیق میزان TMEnدر مواد اولیه خوراک ضروری به نظر می رسد. در این مطالعه 2 مدل رگرسیون خطی چندگانه و مدل شبکه عصبی مصنوعی برای پیش بینی مقدار TMEn (کیلو کالری/کیلوگرم ماده خشک) در نمونه های سبوس گندم با توجه به ترکیب شیمیایی آن (شامل: عصاره اتری، خاکستر، پروتئین خام و فیبر خام) به کار گرفته شد. برای تعیین ترکیب شیمیایی و TMEn ، یک مجموعه داده حاوی 100 نمونه سبوس گندم مورد استفاده قرار گرفت. دقت پیش بینی هر یک از مدل ها در این آزمایش مورد بررسی قرار گرفت. نتایج این آزمایش نشان داد که مدل شبکه عصبی مصنوعی (ضریب تعیین: 0.90 و جذر میانگین مربعات خطا: 64.07 کیلو کالری/کیلوگرم برای داده های آموزش و ضریب تعیین: 0.89 و جذر میانگین مربعات خطا: 82.69 کیلو کالری/کیلوگرم برای داده های تست) توانسته است مقدار TMEn خوراک را با دقت بالاتری نسبت به مدل رگرسیون خطی چندگانه (ضریب تعیین: 0.81 و جذر میانگین مربعات خطا: 87.76 کیلو کالری/کیلوگرم برای داده های آموزش و ضریب تعیین: 0.84 و جذر میانگین مربعات خطا: 86.61 کیلو کالری/کیلوگرم برای داده های تست) پیش بینی نماید. به همین علت مدل شبکه عصبی معرفی شده می تواند به عنوان یک ابزار مفید برای مدل سازی رابطه بین ترکیب شیمیایی و انرژی نمونه های سبوس گندم مورد استفاده قرار گیرد. برای فراهم آوردن یک ابزار کاربردی و سریع برای کاربران یک فایل اکسل با نام ANN_WB_ME_Poultry، برای پیش بینی مقدار TMEn در نمونه های سبوس گندم با توجه به ترکیب شیمیایی آن تهیه و معرفی گردید.