پیش‌بینی حجم تولید گاز در شکمبه با استفاده از شبکه عصبی مصنوعی

مقدمه: آگاهی از کینتیک هضم خوراک در شکمبه، اطلاعات مفیدی در خصوص ارزش غذایی مواد خوراکی ارائه می دهد. برای این منظور از روش های مختلفی استفاده می شود که یکی از کاربردی ترین آن‌ها آزمون تولید گاز می باشد. گزارش‌شده است که حجم گاز تولیدشده در شکمبه، ارتباط مستقیمی با ترکیب شیمیایی مواد خوراکی دارد. لذا هدف از این مطالعه بهره‌گیری از مدل شبکه عصبی مصنوعی (ann) جهت پیش‌بینی حجم گاز تولید شده در شکمبه بر اساس ترکیبات شیمیایی برخی مواد خوراکی مورد استفاده در تغذیه نشخوارکنندگان می‌باشد.مواد و روش‌ها: برای انجام این آزمایش از تعداد 25 ماده خوراکی مختلف استفاده شد. ابتدا ترکیبات شیمیایی این مواد خوراکی با استفاده از روش های استاندارد تعیین شد. سپس، حجم گاز تولیدشده در آن‌ها در 3 تکرار و 3 دوره جداگانه 96 ساعته در قالب آزمون تولید گاز اندازه گیری گردید. ترکیبات شیمیایی مواد خوراکی (شامل درصد ماده آلی، پروتئین خام، چربی خام، دیواره سلولی، دیواره سلولی بدون همی سلولز و کربوهیدرات های غیر فیبری) به‌عنوان لایه ورودی و حجم گاز تولیدشده (در ساعت های 2، 4، 6، 8، 10، 12، 16، 20، 24، 36، 48، 72 و 96 بعد از انکوباسیون) به‌عنوان لایه خروجی در ann در نظر گرفته شد. به‌منظور تعیین بهترین ساختار ann از آماره‌های ریشه دوم میانگین مربعات خطا (rmse) و ضریب تعیین r2)) در بخش آموزش و آزمون ann استفاده گردید.نتایج و بحث: مطابق نتایج به‌دست‌آمده، بهترین ساختار شبکه با الگوریتم آموزشی برویدن-فلچر- گلدفارب و شانو(bfgs) و شبکه پرسپترون چندلایه (mlp) و با در نظر گرفتن 6 نورون در لایه ورودی، 5 نورون در لایه پنهان و 1 نورون در لایه خروجی بود. با افزایش زمان انکوباسیون، دقت مدل شبکه عصبی مصنوعی به‌منظور پیش‌بینی حجم گاز تولید شده افزایش یافت. بر اساس مقادیر rmse و r2 به‌دست‌آمده، دقیق‌ترین حجم گاز پیش‌بینی‌شده در زمان 36 ساعت انکوباسیون به دست آمد. کمترین دقت شبکه عصبی مصنوعی نیز در زمان 10 ساعت بعد از انکوباسیون مشاهده شد.نتیجه‌گیری کلی: نتایج این تحقیق نشان داد، مدل شبکه عصبی مصنوعی می‌تواند به‌عنوان یک ابزار مفید و کاربردی جهت پیش بینی حجم گاز تولیدشده در شکمبه بر اساس ترکیبات شیمیایی برخی از مواد خوراکی مورد استفاده قرار گیرد.