| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,021 |
| تعداد مقالات | 33,767 |
| تعداد مشاهده مقاله | 45,084,020 |
| تعداد دریافت فایل اصل مقاله | 50,311,670 |
مدل‌سازی انرژی ستانده واحدهای پرورش مرغ گوشتی با استفاده از روش شبکه عصبی مصنوعی (مطالعه موردی: استان مازندران) | ||
| علوم دامی | ||
| مقاله 14، دوره 32، شماره 124، آذر 1398، صفحه 183-196 اصل مقاله (2.04 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/asj.2018.123153.1762 | ||
| نویسندگان | ||
| رسول لقمانپور زرینی* 1؛ حسن نبی پور افروزی2؛ پیروز شاکری3 | ||
| 1عضو هیات علمی، گروه ماشین های کشاورزی، آموزشکده کشاورزی ساری، دانشگاه فنی و حرفه ای، مازندران، ایران | ||
| 2عضو هیات علمی، گروه علوم دامی، آموزشکده کشاورزی ساری، دانشگاه فنی و حرفه ای، مازندران، ایران | ||
| 3دانشیار بخش تحقیقات علوم دامی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمان، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمان، ایران | ||
| چکیده | ||
| صنعت مرغداری به لحاظ تأمین بخش عمده‌ای از نیازهای غذایی و پروتئینی کشور از اهمیت قابل توجهی برخوردار است. در این تحقیق به بررسی مدل‌سازی مصرف انرژی تولید مرغ گوشتی پرداخته شده است. به این منظور اطلاعات مورد بررسی از 45 تولیدکننده مرغ گوشتی به طور تصادفی در استان مازندران جمع‌آوری گردید. ابتدا میزان انرژی مصرفی و شاخص‌های انرژی محاسبه و سپس با استفاده از شبکه عصبی مصنوعی به مدل‌سازی انرژی ستانده به عنوان عملکرد پرداخته شده است. نتایج نشان داد که میزان کل انرژی نهاده و ستانده در تولید مرغ گوشتی به ترتیب در حدود 79/153 و 45/27 گیگاژول به ازای 1000 قطعه مرغ می‌باشد. نهاده سوخت با میزان 48/61 درصد بیشترین سهم مصرف انرژی در بین نهاده‌های تولید مرغ گوشتی را دارد و شاخص نسبت انرژی در تولید این محصول 18/0 محاسبه شد. نتایج این مطالعه نشان داد مدل ساخته شده با استفاده از شبکه عصبی مصنوعی با ضریب تشخیص 99/0 و با ساختار 1-12-5 دارای بیشترین دقت و بهترین عملکرد می‌باشد. بنابراین، این مدل به عنوان بهترین روش برای برآورد انرژی ستانده بر اساس انرژی‌های ورودی در منطقه مورد مطالعه پیشنهاد می‌گردد. در ارزیابی تاثیرپذیری خروجی از نهاده‌های ورودی، سوخت فسیلی بالاترین حساسیت را در بین نهاده‌های تولیدی از خود نشان داد که لزوم بازنگری در منابع انرژی را بیش از پیش آشکار می‌سازد. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ مرغ گوشتی؛ بهره‌وری انرژی؛ نهاده؛ ستانده | ||
| عنوان مقاله [English] | ||
| Output Energy Modilling of Broiler Chicken Breeding Units by Artificial Neural Network (Case Study: Mazandaran Province) | ||
| نویسندگان [English] | ||
| Rasoul Loghmanpour zarini1؛ Hassan Nabipour afrouzi2؛ Pirouz Shakeri3 | ||
| 1Sari Agricultural College, Mazandaran Technical University, Iran | ||
| 2Animal and Poultry Nutrition Faculty, Animal Science Faculty, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Golestan, Iran | ||
| 3Kerman | ||
| چکیده [English] | ||
| The poultry industry is very important in terms of supplying a significant portion of the country's food and protein needs. In this research, the energy consumption of broiler chickens has been evaluated. For this purpose, information was collected from 45 broiler chicken producers randomly collected in Mazandaran province. In this study, energy consumption and energy indices were calculated first and then, using artificial neural network, output energy modeling was considered as a function. The results of this study showed that total input and output energy in broiler chicken meat production was 153.79 and 27.45 GJ per 1000, respectively. In broiler chickens, the highest inputs were consumed with 61.48%. The energy ratio in the production of this product was also calculated to be 0.18. The artificial neural network results showed that the best structure for estimating the energy consumption of broiler chicken meat was estimated to be 5-12-1. The coefficient of explanation for the best structure for broiler chicken production was 0.99 for training data. Therefore, this model was selected as the best method for estimating the output energy based on input energy in the study area. In assessing the effectiveness of inputs on the outputs, the fossil fuel showed the highest sensitivity among the production inputs that reveals the needs for revision of the energy resources more than ever. | ||
| کلیدواژه‌ها [English] | ||
| Artificial Intelligence, Broiler Chicken, Energy Productivity, Input, Output | ||
| مراجع | ||
|
صداقت حسینی، م.، الماسی، م.، مینایی، س.، برقعی، م. (1387). طراحی سیستم بازیافت انرژی در مجتمع صنعتی تلید تخم مرغ. مجموعه مقالات پنجمین کنگره ملی مهندسی ماشین‌های کشاورزی. دانشگاه فردوسی مشهد. لقمانپور زرینی ر. و اکرم ا. (1396). بررسی بهره‌وری انرژی در فرآیند تولید خیار گلخانه‌ای (مطالعه موردی: استان مازندران). کنفرانس ملی تولیدات زراعی و باغی. دانشگاه گنبد کاووس. لقمانپور زرینی، ر. و نبی‌پور افروزی، ح. (1395). محاسبه و ارزیابی شاخص‌های انرژی و اقتصادی تولید کنجد در ایران (مطالعه موردی: استان مازندران). نشریه انرژی ایران. جلد 19، شماره 2، 102-93. نقیب زاده، س.، جوادی، ا.، رحمتی، م.، مهران‌زاده، م. (1389). بررسی چگونگی سیر مصرف انرژی برای پرورش مرغ گوشتی در منطقه شمال خوزستان. ششمین کنگره ملی مهندسی ماشین‌های کشاورزی و مکانیزاسیون. پردیس کشاورزی و منابع طبیعی دانشگاه تهران (کرج). Cochran, W. (1977). Sampling techniques. 3rd ed. New York: John Wiley and Sons. Esengun, K. Erdal, G. Gunduz O. and Erdal, H. (2007). An economic analysis and energy use in stake-tomato production in Tokat province of Turkey. Renewable Energy. 32: 1873–1881. Grzesiak, W. Błaszczyk, P. and Lacroix, R. (2006). Methods of predicting milk yield in dairy cows predictive capabilities of Wood’s lactation curve and artificial neural networks (ANNs). Computers and Electronics in Agriculture. 54: 69–83. Hatirli, S. A. Ozkan, B. and Fert, C. (2005). An econometric analysis of energy input-output in Turkish agriculture. Renewable and Sustainable Energy Reviews. 9: 608–623. Heidari, M. D. Omid, M. and Akram, A. (2011). Energy efficiency and econometric analysis of broiler production farms. Energy. 36: 6536–6541. Kittle, A. P. (1993). Alternate Daily Cover Materials and Subtitle-the Selection Technique. Rusmar Incorporated West Chester, PA. Kizilaslan, H. (2009). Input-output energy analysis of cherries production in Tokat province of Turkey. Applied Energy. 86: 1354–1358. Loghmanpour zarini, R., Yaghoubi, H. and Akram, A. (2013). Energy use in citrus production of Mazandaran Province in Iran, African Crop Science Journal. 21(1): 61-65. Mesri-Gundoshmian, T. Ghassemzadeh, H. R. Abdollahpour, S. and Navid, H. (2010). Application of artificial neural network in prediction of the combine harvester performance. Journal of Food, Agriculture & Environment. 8(2): 721–724. Nabavi-Pelesaraei, A. Fallah, A. and Hematian, A. (2013). Relation between energy inputs and yield of broiler production in Guilan province of Iran. The Second International Conference on Agriculture and Natural Resources. Kermanshah, Iran, 109–117. Naderloo, L. Alimardani, R. Omid, M. Sarmadian, F. Jvadikia, P. Torabi, M. Y. and Alimardani, F. (2012). Application of ANFIS to predict crop yield based on different energy inputs. Measurement. 45: 1406–1413. Pahlavan, R. Omid, M. and Akram, A. (2012). Energy input-output analysis and application of artificial neural networks for predicting greenhouse basil production. Energy. 37: 171–176. Safa, M. and Samarasinghe, S. (2011). Determination and modelling of energy consumption in wheat production using neural networks: A case study in canterbury province, Newzealand. Energy. 36: 5140–5147. Sefeedpari, P. (2012). Assessment and optimization of energy consumption in Dairy farm: Energy efficiency. Iranica Journal of Energy & Environment. 3(3): 213–224. Zhao, Z. Chow, T. L. Rees, H. W. Yang, Q. Xing, Z. and Meng, F. R. (2009). Predict soil texture distributions using an artificial neural network model. Computers and Electronics in Agriculture. 65(1): 36–48. | ||
|
آمار تعداد مشاهده مقاله: 580 تعداد دریافت فایل اصل مقاله: 398 |
||