استفاده از مدل ریاضی گمپرتز برای تخمین پارامترهای رشد جوجه های گوشتی تغذیه شده با مقادیر مختلف دانه شاهدانه (cannabis sativa l.) و مقایسه آن با شبکه عصبی مصنوعی

مقدمه و هدف: این آزمایش به منظور بررسی اثر مصرف سطوح مختلف جیره‌ای دانه شاهدانه (cannabis sativa l.) بر پارامتر های رشد جوجه های گوشتی برآورد شده توسط مدل ریاضی گمپرتز و شبکه عصبی مصنوعی انجام گرفت.مواد و روش‌ها: در این پژوهش از 192 قطعه جوجه خروس یک روزه (ross 308) با چهار تیمار جیره‌ای شاهد (فاقد شاهدانه)، 2/5 درصد، 5 درصد و 7/5 درصد شاهدانه در چهار تکرار (هرتکرار شامل 12 قطعه جوجه) در قالب طرح کاملاً تصادفی استفاده شد. در طول دوره پرورش جوجه‌ها به آب و خوراک دسترسی آزاد داشتند. برای ارزیابی پارامترهای رشد، وزن تجمعی بدن پرندگان با مدل گمپرتز برازش شد.یافته‌ها: نتایج نشان داد که سطوح مختلف دانه شاهدانه اثر معنی داری بر پارامترهای رشد در جوجه های گوشتی نداشت. نرخ رشد در هفته های اول تا پنجم دوره پرورش جوجه های گوشتی به طور معنی داری تحت تاثیر افزودن جیره ای دانه شاهدانه قرار گرفت. نتایج مقایسه شاخص های نکوئی مدل ها نشان داد که مدل غیرخطی گمپرتز با داشتن ضریب تعیین بالاتر و میانگین مربعات خطا، میانگین انحراف مطلق، میانگین درصد خطای مطلق و اریبی کمتر در مقایسه با شبکه عصبی مصنوعی، برآورد بهتری از وزن جوجه های گوشتی دارد.نتیجه‌گیری: نتایج این پژوهش نشان داد که سطوح مختلف جیره ای دانه شاهدانه اثر معنی داری بر فراسنجه های رشد جوجه های گوشتی شامل ضریب رشد نسبی، وزن زنده در زمان بلوغ، نقطه عطف منحنی رشد و وزن بدن در زمان نقطه عطف منحنی رشد نداشت. نرخ رشد در هفته های اول تا پنجم دوره پرورش جوجه های گوشتی به طور معنی داری تحت تاثیر افزودن جیره ای دانه شاهدانه قرار گرفت. از طرفی نتایج این تحقیق حاکی از این بود که مدل گمپرتز توانست وزن 42 روزگی جوجه های گوشتی را با دقت بیشتری در مقایسه با مدل شبکه عصبی مصنوعی برآورد کند.

Evaluation of Growth Parameters of Broiler Chickens Fed with Different Dietary Levels of Hemp Seed (Cannabis sativa L.) using Gompertz Model Compare with Artificial Neural Network

Extended AbstractIntroduction and Objective: This study was conducted to evaluate the effects of different dietary levels of Hemp seed (HS) (Cannabis sativaL.) on growth parameters of broiler chickens was estimated using Gompertz and Artificial neural network models.Material and Methods: In this study, 192 male broiler chicks (1 d oldRoss 308) were randomly assigned to a completely randomized design with 4 dietary treatments: control (without HS), 2.5, 5 and 7.5% HS in 4 replications (12 birds/pen). The chickens had freely accessed to drinking water and fed adlibitum. To estimate growth parameters, cumulative body weight of birds was fitted to Gompertz model.Results: The results showed that different dietary levels of Hemp seed had no significant effect on growth parameters of broiler chickens (p>0.05). But growth rate at first to fifth weeks affected by different dietary levels of Hemp Seed (p<0.05). Results of comparison of models showed that nonlinear Gompertz model had higher R2, and lower MSE, MAD, MAPE and bias compared with artificial neural network, that had better estimate of weight of broiler chickens. Conclusion: The results of this study showed that different levels of Hemp seed diets had a significant effect on growth parameters of broilers including relative growth rate, live weight at maturity, turning point of growth curve and body weight at turning point of growth curve. Growth rate in the first to fifth weeks of broiler breeding period was significantly affected by the addition of hemp seed diets. On the other hand, the results of this study showed that the Gampertz model was able to estimate the 42dayold weight of broilers more accurately than the artificial neural network model.