Comparação entre uso de modelo estatístico e modelagem fuzzy para predição do desempenho de frangos de corte

Transcrição

1 Comparação entre uso de modelo estatístico e modelagem fuzzy para predição do desempenho de frangos de corte Guilherme F. Tavares¹, Leonardo Schiassi², Ícaro P. de Souza¹, Nathaly S. Melo¹ ¹ Discente do curso de Engenharia Agrícola e Ambiental UFMT. Sinop, MT ² Professor Assistente no Instituto de Ciências Agrárias e Ambientais da Universidade Federal de Mato Grosso (UFMT), campus Sinop. (guitavares@live.co.uk, leoschiassi@yahoo.com.br, icaro.p.souza@hotmail.com, nathaly.melo@hotmail.com) Resumo. O presente trabalho propôs desenvolver um modelo matemático, baseado na teoria fuzzy, para predizer as respostas produtivas de frangos e, ainda, comparar os resultados com aqueles obtidos através de modelagem estatística. Para o desenvolvimento do sistema fuzzy foram definidas como variáveis de entrada a temperatura do ar (ºC), umidade relativa (%) e velocidade do ar (m.s -1 ) e como variáveis de saída consumo de ração diária (CDR, g.dias -1 ), ganho de peso diário (GPD, g.dias -1 ) e conversão alimentar (CA, g.g -1 ). Os resultados mostram que o modelo proposto é uma ferramenta promissora para a predição do desempenho das aves, auxiliando na tomada de decisões referente à produção de frangos de corte. Abstract. The present research propounded to develop a mathematical model, based on the theory of fuzzy, to predict production responses of broilers and compare the results with those obtained by statistical modeling. To develop the fuzzy system were defined as input variables air temperature (º C), relative humidity (%) and air velocity (m.s -1 ) and as output variables daily feed intake (DFI, g.dias -1 ), daily weight gain (ADG, g.dias-1) and feed conversion (FC, g.g -1 ). The results show that the proposed model is a promising tool for the prediction of broiler performance, assisting in decision making on production of broilers chickens.

2 INTRODUÇÃO No Brasil, terceiro maior produtor e maior exportador de carne de frango, foram produzidas 13,058 milhões de toneladas de carne de frango em 2011, das quais 69,8% foram destinadas para o consumo interno, totalizando um crescimento de 6,8% em relação a 2010 [UBABEF, 2012]. A carne de frango é o quinto maior produto nacional de exportação, liderando o mercado mundial com 40% das exportações totais [Franco et al. 2011]. Por serem animais homeotermos, as aves possuem um centro termorregulador, localizado no hipotálamo, que controla a temperatura corporal através de respostas comportamentais e mecanismos fisiológicos, por meio de produção e perda de calor, mantendo assim sua temperatura corporal constante [Macari et al. 1994]. Para que a homeotermia seja mantida, garantindo maior conversão alimentar e, consequentemente, maior peso final, as aves devem ser mantidas em ambientes termoneutros. Amaral et al. (2011), citam que os fatores ambientais que mais afetam os animais por comprometerem o processo da homeotermia são os térmicos, representados por temperatura, umidade, velocidade do ar e radiação. Segundo Medeiros (2001), em experiência com frangos de corte, observou que o maior desempenho das aves fora atingido quando a temperatura do ar está entre 21 e 27ºC, umidade relativa entre 50 e 70% e velocidade do ar entre 0,5 e 1,5 m.s -1.Para medir o desempenho de frangos de corte da marca comercial Avian Farm, Medeiros (2001) propôs modelos estatísticos, utilizando diferentes combinações das variáveis (temperatura, umidade relativa e velocidade do ar), para obtenção do resultado de ganho de peso diário (GPD), consumo de ração diária (CRD) e conversão alimentar (CA). Tendo como ponto de partida as variáveis ambientais, a estimativa do desempenho das aves pode ser realizada, também, através da lógica fuzzy. Para Schiassi et al (2008), a lógica fuzzy permite uma generalização de informações, associadas ao gerenciamento de incertezas. Sendo uma extensão da lógica clássica, a lógica fuzzy foi estudada, inicialmente, por Lofti Zadeh [Zadeh, 1965]. O presente trabalho tem por objetivo desenvolver um modelo matemático, com base na teoria dos conjuntos fuzzy, para predizer as respostas produtivas de frangos de corte. Além de, comparar a utilização de modelos estatísticos e lógica fuzzy para a obtenção do desempenho de frangos de corte. MATERIAL E MÉTODOS Os dados apresentados das variáveis ambientais e desempenho das aves foram obtidos por Medeiros (2001) em pesquisa com frangos de corte da marca comercial Avian Farm, realizada nos meses de maio, junho e julho do ano de 2000, no Laboratório de Bioclimatologia Animal do Departamento de Zootecnia da Universidade Federal de Viçosa. Foram utilizados 20 tratamentos (Tabela 1), combinando as variáveis ambientais de temperatura do ar, umidade relativa e velocidade do ar, verificando o desempenho das aves, a partir dos 22 dias até o período de abate, 42 dias. As aves foram alojadas em câmaras climatizadas, com água e comida à vontade.

3 Tabela 1. Tratamentos experimentais utilizados no modelo fuzzy (Adaptado Medeiros, 2001). VÁRIAVEIS AMBIENTAIS DESEMPENHO ANIMAL Tratamentos T (ºC) U (%) V CRD GPD (m.s -1 ) (g.dia -1 ) (g.dia -1 ) CA T ,6 145,35 74,00 1,96 T ,4 143,81 69,77 2,06 T ,6 145,10 76,53 1,91 T ,4 146,77 74,66 1,96 T ,6 123,15 65,10 1,90 T ,4 132,10 70,15 1,89 T ,6 121,05 62,42 1,95 T ,4 122,90 63,97 1,92 T ,5 144,64 66,05 2,19 T ,5 79,78 25,00 3,19 T ,5 146,08 76,75 1,90 T ,5 135,45 76,13 1,84 T ,48 74,50 1,89 T ,78 79,00 1,82 T ,5 140,56 77,97 1,80 T ,5 140,98 78,52 1,78 T ,5 142,81 77,14 1,84 T ,5 140,55 77,04 1,82 T ,5 136,18 75,76 1,80 T ,5 140,00 76,12 1,84 Os modelos estatísticos foram desenvolvidos por Medeiros (2001) e para o cálculo, levam em consideração as variáveis ambientais: temperatura do ar (T, ºC), umidade relativa (U, %) e velocidade do vento (V, m.s -1 ). Para estimar o desempenho das aves, foram utilizados os modelos estatísticos para obtenção do ganho de peso diário (GPD, g.dia -1 ), consumo de ração diária (CRD, g.dia -1 ) e conversão alimentar (CA, g.g -1 ). Dessa maneira, para o cálculo do desempenho, tem-se: CRD = 28, ,306258T + 0,03095U 6,89328V 0,25476T² + 0,002513U² + 1,3084V² - 0,01389TU + 0,24676TV 0,02579UV GPD = - 92, ,292936T + 0,253649U 9,515579V 0,290314T² + 0,001538U² + 0,974936V² - 0,016171TU + 0,294444TV 0,007407UV CA = 6, ,379572T -0,00151U + 0,268889V + 0,00748T² -0, U² - 0,049766V² + 0,000258TU 0,003704TV 0,000265UV Para o desenvolvimento do sistema fuzzy foram definidas como variáveis de entrada a temperatura do ar (T, ºC), umidade relativa (U, %) e velocidade do ar (V, m.s - 1 ) e, com base nas variáveis de entrada, o sistema fuzzy prediz as variáveis de saída: consumo de ração diária (CRD, gramas.dia -1 ), ganho de peso diário (GPD, gramas.dia -1 ) e conversão alimentar (CA, gramas.gramas -1 ). O modelo foi desenvolvido em ambiente MATLAB 7.1 através do toolbox Fuzzy. Na análise, o método de inferência utilizado foi o Método de Mandami, o qual combina os graus de pertinência referentes a cada um dos valores de entrada através do operador mínimo e agrega as regras através do operador máximo [Leite et al., 2010]. Sendo a defuzzificação, realizada através do método de centro de gravidade.

4 Foram definidas 125 regras, de acordo com as combinações dos dados de entrada. Sendo que, para cada regra, atribuiu-se um fator de ponderação igual a 1, já que este se adequa ao modelo proposto com base nos dados obtidos pelas simulações. Além disso, em diversos modelos fuzzy este valor tem sido adotado [Oliveira et al., 2005; Romanini et al., 2010]. RESULTADOS E DISCUSSÕES A partir do banco de regras, o sistema de inferência foi desenvolvido utilizando o método de Mamdani, conforme proposto por Yanagi Junior et al. (2012). Por serem as que melhor se adaptaram aos dados utilizados, funções de pertinência triangulares foram definidas para as variáveis de entrada e trapezoidais para as variáveis de saída (Figura 1). (A) (D) (B) (E) (C) Figura 1. Curvas de pertinência para as variáveis de entrada: (A) temperatura ( C), (B) umidade relativa (%), e (C) velocidade do ar (m.s -1 ). E para as variáveis de saída: (D) Consumo de ração diária (g.dia -1 ), (E) ganho de peso diário (g.dia - 1 ), e (F) conversão alimentar (g.g -1 ). A Tabela 2 mostra os valores de saída para as variáveis de CRD, GPD e CA, simulados pelo modelo fuzzy proposto e calculado utilizando equação empírica proposta por Medeiros (2001). (F)

5 Tabela 2. Comparação de valores de consumo de ração diário (CRD), ganho de peso diário (GPD) e conversão alimentar (CA) obtidos por meio do modelo fuzzy e equação empírica (Calculado). Desempenho animal (Fuzzy) Desvio padrão Erro (%) Desempenho animal (Calculado) Desvio padrão Erro (%) Trat. CRD GPD CA CRD GPD CA CRD GPD CA CRD GPD CA CRD GPD CA CRD GPD CA T ,8 2,00 0,25 1,98 0,03 0,24 3,65 2,0 146,47 74,44 1,93 0,79 0,31 0,02 0,77 0,6 1,6 T ,00 0,84 0,16 0,04 0,82 0,33 3,0 148,43 72,73 1,99 3,27 2,09 0,05 3,21 4,07 3,19 T ,8 2,00 0,07 0,19 0,06 0,07 0,35 4,5 147,06 78,43 1,86 1,39 1,35 0,04 1,35 2,43 2,6 T ,8 2,00 1,25 1,51 0,03 1,22 2,79 2,0 147,07 76,16 1,91 0,21 1,06 0,04 0,21 1,97 2,75 T ,5 2,00 0,11 0,42 0,07 0,12 0,93 5,0 119,28 60,33 2,12 2,74 3,38 0,16 3,14 7,91 11,57 T ,00 0,64 0,11 0,08 0,68 0,21 5,5 126,57 64,97 2,11 3,91 3,66 0,15 4,18 7,97 11,41 T ,5 2,00 1,38 1,47 0,04 1,59 3,22 2,5 112,87 56,16 2,18 5,78 4,42 0,16 6,75 11,14 11,88 T ,5 2,00 0,07 0,37 0,06 0,08 0,82 4,0 118,22 60,25 2,15 3,31 2,63 0,16 3,81 6,18 11,84 T ,5 2,30 0,25 1,1 0,08 0,25 2,4 4,78 138,12 60,4 2,39 4,61 4,00 0,14 4,5 9,36 9,12 T10 82,8 29,6 3,03 2,14 3,25 0,11 3,65 15,54 5,28 91,42 35,37 2,75 8,23 7,34 0,31 14,59 29,33 13,78 T ,8 2,00 0,76 0,04 0,07 0,74 0,07 5,0 146,56 79,11 1,78 0,34 1,67 0,09 0,33 2,98 6,52 T ,8 1,77 1,73 0,47 0,05 1,84 0,87 3,95 140,09 78,5 1,75 3,28 1,67 0,06 3,43 3,01 4,67 T ,8 2,00 2,46 1,63 0,08 2,62 2,99 5,5 140,15 78,12 1,70 2,6 2,56 0,14 2,69 4,64 10,21 T ,8 1,77 0,16 1,56 0,04 0,15 2,86 2,82 146,24 80,1 1,72 1,03 0,78 0,07 1,01 1,37 5,32 T ,8 1,77 0,40 0,83 0,02 0,4 1,52 1,69 140,25 76,92 1,82 0,22 0,74 0,02 0,22 1,37 1,22 T ,8 1,77 0,69 1,22 0,01 0,7 2,24 0,56 140,25 76,92 1,82 0,52 1,13 0,03 0,52 2,08 2,36 T ,8 1,77 1,99 0,24 0,05 2,01 0,44 3,95 140,25 76,92 1,82 1,81 0,16 0,01 1,79 0,29 0,98 T ,8 1,77 0,39 0,17 0,04 0,39 0,31 2,82 140,25 76,92 1,82 0,21 0,09 0 0,21 0,16 0,11 T ,8 1,77 2,70 0,74 0,02 2,73 1,35 1,69 140,25 76,92 1,82 2,88 0,82 0,02 2,99 1,5 1,22 T ,8 1,77 0 0,48 0,05 0 0,89 3,95 140,25 76,92 1,82 0,18 0,56 0,01 0,18 1,04 0,98 MÉDIA 0,91 0,9 0,05 1,01 2,19 3,53 2,36 2,02 0,08 2,79 4,97 5,67 As médias dos desvios-padrão das variáveis CRD, GPD e CA foram de 0,91 g.dia -1 ; 0,90 g.dia -1 e 0,05 g.g -1, respectivamente e erros percentuais de 1,01% para CRD; 2,19% para GPD e 3,53% para CA. Medeiros (2001), ao criar modelos matemáticos para estimar CRD, GPD e CA de frangos adultos em função da temperatura do ar, umidade relativa e velocidade do ar, obteve valores de desviospadrão de 2,36 g.dia -1 ; 2,02 g.dia -1 e 0,08 g.g -1 e erro percentual de 2,79%; 4,97% e 5,67% para as variáveis analisadas. Ponciano et al. (2012), trabalhando com modelagem fuzzy na predição do desempenho de frangos de corte, obtiveram média dos desviospadrão para CRD, GPD e CA de 4,31 g.dia -1 ; 4,76 g.dia -1 e 0,02 g.g -1 e erros médios percentuais de 2,38%; 2,94%; 2,16%, respectivamente. Utilizando métodos de sistemas inteligentes para a predição de desempenho de frangos de corte, Roush et al. (2006), comparando a utilização da função de Gompertz e redes neurais artificiais para a predição de ganho de peso, obtiveram médias de erro médio de 2,295% para a função de Gompertz e 2,983% para redes neurais artificiais. Para Ahmadi et al. (2007), utilizando redes neurais artificiais para predição do ganho de peso de frangos de corte, obtiveram erro de 6,701%. Estes resultados comprovam a eficiência do modelo fuzzy em predizer as respostas produtivas para frangos de corte diante das variáveis ambientais analisadas, pois apresentou menor erro percentual absoluto, caracterizando resultados mais realísticos quando comparados aos obtidos por Medeiros (2001) e outros métodos de predição computacional.

6 CONCLUSÃO O modelo fuzzy desenvolvido mostrou-se mais adequado para a predição do desempenho das aves, comparado à modelagem estatística, caracterizando-se como importante ferramenta à tomada de decisões referente à produção de frangos de corte. REFERÊNCIAS BIBLIOGRÁFICAS Ahmadi, H. et al. (2007) Group method of data handling-type neural net work prediction of broiler performance based on dietary metabolizable energy, methionine, and lysine. J. Appl. Poult. Res. 16: Amaral, A.G. et al. (2011) Efeito do ambiente de produção sobre frangos de corte sexados criados em galpão comercial. Arq. Bras. Med. Vet. Zootec., v.63, n.3, p Franco, C. et al. (2011) Análise dos contratos na avicultura de corte em Mato Grosso sob a ótica da nova economia institucional (NEI). Rev. de economia e agronegócio, vol. 9, nº 2. Leite, M. S. et al. (2010) Desenvolvimento e aplicação experimental de controladores fuzzy e convencional em um bioprocesso. Rev. Controle & Automação, Campinas, v.21, n.2, p Macari, M. et al. (1994) Fisiologia aviária aplicada a frangos de corte. Jaboticabal: FUNEP/ UNESP, 246 p. Medeiros, C. M. (2001) Ajuste de modelos e determinação de índice térmico ambiental de produtividade para frangos de corte. UFV, Minas Gerais. Tese Doutorado. Oliveira, H. L. et al. (2005) Estimativa das condições de conforto térmico para avicultura de postura usando a teoria dos conjuntos fuzzy. Engenharia Agrícola, v. 25, n.2, p Ponciano, P. F., et al. (2012) Sistema fuzzy para predição do desempenho produtivo de frangos de corte de 1 a 21 dias de idade. Eng. Agríc., Jaboticabal, v.32, n.3, maio/jun. Romanini, C.E.B. et al. (2010) Desenvolvimento e simulação de um sistema avançado de controle ambiental em cultivo protegido. Rev. de Engenharia Agrícola e Ambiental, v.14, n.11, p Campina Grande PB. Roush, W.B. et al. (2006) Comparison of Gompertz and neural network models of broiler growth. Mississippi State, Poultry Science, 85: Schiassi, Leonardo et al. (2008) Metodologia fuzzy aplicada à avaliação do aumento da temperatura corporal em frangos de corte. Engenharia na Agricultura, Viçosa, MG, v.16, n.2, Abr./Jun. UBABEF - União Brasileira de Avicultura. Relatório Anual (2012), disponível em < Yanagi Junior, T et al. (2012) Procedimento fuzzy aplicado à avaliação da insalubridade em atividades agrícolas. Eng. Agríc., Jaboticabal, v.32, p , maio/jun. Zadeh, L. A. (1965) Fuzzy Sets. Journal Information and Control, n.8, p