کاربرد شبکه ی عصبی مصنوعی در پیش‌بینی کینتیک تولید گاز با استفاده از ترکیبات شیمیایی خوراک‌ها در تغذیه ی نشخوارکنندگان

مقدمه: در حال حاضر، از روش‌ها و ابزارهای متفاوتی برای پیش‌بینی نتایج آزمایش‌های علمی استفاده می‌شود. یکی از این ابزارها، استفاده از شبکه عصبی مصنوعی (ann) می‌باشد. گزارش‌شده است که بین نوع و مقدار ترکیب شیمیایی موجود در مواد خوراکی و میزان قابلیت تخمیر آن‌ها در شکمبه (حجم تولید گاز) ارتباط وجود دارد. به نظر می‌رسد که ann بتواند این ارتباط را مشخص کند. لذا، پژوهش حاضر به‌منظور پیش‌بینی حجم تولید گاز در شکمبه، با استفاده از ترکیب شیمیایی مواد خوراکی از طریق ann انجام شد.مواد و روش‌ها: برای انجام این آزمایش از تعداد 25 ماده خوراکی مختلف استفاده شد. ابتدا ترکیب شیمیایی این مواد خوراکی تعیین شد. سپس حجم تولید گاز با استفاده از آزمون تولید گاز مطابق روش ارائه شده توسط منک و استینگاس (1979)در 3 تکرار و 3 دوره جداگانه 96 ساعته (زمان‌های 2، 4، 6، 8، 10، 12، 16، 20، 24، 36، 48، 72 و 96 ساعت پس از انکوباسیون) اندازه‌گیری گردید. ترکیبات شیمیایی اندازه‌گیری شده شامل درصد ماده آلی (om)، پروتئین خام (cp)، چربی خام (ee)، دیواره سلولی (ndf)، دیواره سلولی بدون همی سلولز (adf) و کربوهیدرات غیر فیبری (nfc) بودند. ترکیبات شیمیایی در قالب 6 مدل مختلف (به‌عنوان لایه ورودی) و حجم گاز تولیدشده در هر زمان از انکوباسیون (به‌عنوان لایه خروجی) به ann معرفی شدند. مدل‌های ورودی به ann به ترتیب شامل مدل 1 (om-ee-adf-ndf-nfc)، مدل 2 (cp-ee-adf-ndf-nfc)، مدل 3 (cp-om-adf-ndf-nfc)، مدل 4 (cp-om-ee-ndf-nfc)، مدل 5 (cp-om-ee-adf-nfc) و مدل 6 (cp-om-ee-adf-ndf) بودند. بهترین ساختار بدست آمده ann از نوع پرسپترون چندلایه (mlp) با الگوریتم آموزشی برویدن-فلچر-گلدفارب- شانو با در نظر گرفتن تابع انتقال تانژانت در لایه پنهان و تابع ‌نمایی در لایه خروجی مدل‌ها بود. ساختار کلی تمام مدل‌ها نیز 5 نورون در لایه ورودی، 4 نورون در لایه پنهان و 1 نورون در لایه خروجی داشت. از آماره‌های ضریب تعیین(r2)، ریشه دوم میانگین مربعات خطا (rmse) به‌دست‌آمده در هر مدل، به‌عنوان شاخصی از دقت ann در پیش‌بینی حجم تولید گاز در شکمبه استفاده شد.نتایج و بحث: آماره‌هایr2 و rmse مربوط به مدل‌ها در دو بخش آموزش و صحت سنجی گزارش شدند. بیشترین مقدار r2 در بخش آموزش و صحت سنجی (به ترتیب 8868/0 و 8730/0) در مدل 3 و کمترین آن (به ترتیب 8795/0 و 8626/0) در مدل 2 مشاهده شد. همچنین، کمترین مقدار rmse در بخش آموزش و صحت سنجی نیز (به ترتیب 974/3 و 904/4) در مدل 3 و بیشترین آن نیز (به ترتیب 088/4 و 979/4) در مدل 2 مشاهده شد. بر این اساس، مدل 3 دارای بیشترین دقت و مدل 2 دارای کمترین دقت در پیش‌بینی حجم تولید گاز در شکمبه بودند.نتیجه‌گیری کلی: نتایج نشان داد که ann توانایی پیش‌بینی کینتیک تولید گاز از روی ترکیبات شیمیایی مواد خوراکی را دارد. بهترین پیش‌بینی حجم گاز تولیدشده در شکمبه در مدل 3 مشاهده شد. از بین ترکیبات شیمیایی ورودی به ann، ترکیبات cp، om، adf، ndf و nfc بیشترین اثر را در پیش‌بینی کینتیک تولید گاز داشته و ee عملکرد ضعیف‌تری داشته‌است. به نظر می رسد که اثر منفی چربی ها بر روند تخمیر شکمبه، منجر به کاهش حجم گاز تولیدی در شکمبه شده است.