>
Fa   |   Ar   |   En
   مقایسه عملکرد شبکه عصبی مصنوعی با برخی مدل‌های غیرخطی در پیش‌بینی کینتیک تولید گاز  
   
نویسنده میرمعینی فرزانه ,زابلی خلیل ,بیات حسن
منبع سومين همايش ملي پژوهش هاي نوين در علوم دامي - 1401 - دوره : 3 - سومین همایش ملی پژوهش های نوین در علوم دامی - کد همایش: 01220-76320 - صفحه:0 -0
چکیده    مقدمه: یکی از رایج‌ترین و شناخته‌ترین روش‌ها به‌منظور پیش‌بینی کینتیک تخمیر شکمبه‌ای مواد خوراکی، آزمون تولید گاز می‌باشد. در آزمون تولید گاز، جهت توصیف کینتیک تولید گاز، از یک مدل غیرخطی استفاده می‌شود. اما نوع مدل به‌کاررفته و شرایط آزمایشگاهی، سبب کاهش دقت نتایج پیش‌بینی‌شده می‌گردد. بنابراین انتخاب یک روش جایگزین و دارای قدرت پردازش بالا دارای اهمیت زیادی می‌باشد. امروزه استفاده از شبکه عصبی مصنوعی (ann) به‌عنوان یک تکنیک داده‌کاوی در پیش‌بینی نتایج در علوم مختلف به‌طور فزاینده‌ای رو به توسعه می‌باشد. به نظر می‌رسد که ann قابلیت و توانایی پیش‌بینی کینتیک تخمیر شکمبه‌ای مواد خوراکی را داشته باشد. از آنجائی که بین کینتیک تولید گاز در شکمبه و ترکیبات شیمیایی موجود در مواد خوراکی ارتباط وجود دارد، لذا ann بایست بتواند با استفاده از ترکیبات شیمیایی، کینتیک تولید گاز را پیش‌بینی نماید. لذا پژوهش حاضر به‌منظور مقایسه دقت ann و برخی مدل‌های غیرخطی در پیش‌بینی کینتیک تولید گاز در شکمبه انجام شد. مواد و روش‌ها: برای انجام این آزمایش از تعداد 25 ماده خوراکی مختلف در قالب آزمون تولید گاز استفاده شد. ابتدا، حجم گاز تولیدشده در زمان‌های 2، 4، 6، 8، 10، 12، 16، 20، 24، 36، 48، 72 و 96 ساعت پس از انکوباسیون ثبت گردید. سپس، نتایج به‌دست‌آمده (حجم گاز تولیدشده در زمان‌های مختلف انکوباسیون) به مدل‌های اکسپونانشیال (exp) و فرانس (frc) برازش داده شدند. در ساخت ann از ترکیبات شیمیایی (شامل درصد ماده آلی، پروتئین خام، چربی‌ خام، دیواره سلولی، دیواره سلولی بدون همی سلولز و کربوهیدرات غیر فیبری) به‌عنوان ورودی ann و حجم گاز تولیدشده در زمان‌های مختلف انکوباسیون (میلی‌لیتر بر 200 میلی‌گرم ماده خشک) به‌عنوان خروجی ann استفاده شد. به‌منظور بررسی نکویی برازش مدل‌ها از آماره‌های ریشه دوم میانگین مربعات خطا(rmse) ، ضریب تعیین (r2) و معیار اطالعات آکائیک (aic) استفاده شد.نتایج و بحث: بهترین ساختار ann با استفاده از 6 نورون در لایه ورودی، 5 نورون در لایه پنهان و 1 نورون در لایه خروجی به دست آمد. شبکه ساخته‌شده، به‌صورت پرسپترون چندلایه (mlp) با الگوریتم آموزشی برویدن-فلچر-گلدفارپ-شانو (bfgs) با تابع انتقال لجستیک در لایه پنهانی و تابع تانژانتی در لایه خروجی بود. مقدار rmse (53/1) در مدل frc به‌طور معنی‌داری کمتر از مدل‌های exp (10/5) و ann (72/4) بود (05/0p<). همچنین مقدار r2 در مدل exp (971/0) به‌طور معنی‌داری کمتر از مدل‌های frc (998/0) و ann (995/0) بود (05/0p<). مقدار aic هم در مدل‌های frc، exp و ann به ترتیب 96/24، 97/48 و 02/45 بود که نشان‌دهنده دقت بالاتر مدل frc و دقت کمتر مدل exp بود.نتیجه‌گیری کلی: به‌طورکلی مدلann ایجادشده نسبت به مدل exp از دقت برازش بالاتری برخوردار بود، اما نسبت به مدل frc دارای دقت کمتری بود. به نظر می‌رسد که از ann می‌توان جهت پیش‌بینی کینتیک تولید گاز در شکمبه با دقت نسبتاً خوبی استفاده نمود.
کلیدواژه آزمون تولید گاز، ترکیبات شیمیایی، شبکه عصبی مصنوعی، مدل‌های غیرخطی
آدرس , Iran, , Iran, , Iran
 
     
   
Authors
  
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved