Resumo
Many varied empiric mathematical models have already been developed to predict broiler chicken growth. However, newly developed tools, such as fuzzy modeling, may facilitate resolutions of problems. The objective of this research is to develop a computational mathematical model based on fuzzy logic to predict the daily weight gain (GPD) of broiler chickens, and to compare it to statistical models from the literature. Our results showed that a standard deviation of 0.9 g.day-1 was estimated using fuzzy model compared to 2.02 g.day-1 from the empirical model. However, the standard deviation was 8.6 g.day-1 when field data was used in the fuzzy model, and 9.8 g.day-1 for the empirical model. The proposed fuzzy modeling showed better precision compared to the empiric model. However, the results were not as good when experimental field data was used (R² = 0.5677).(AU)
Diversos modelos matemáticos empíricos já foram desenvolvidos para predizer o crescimento das aves. Todavia, novas ferramentas surgem na produção animal como facilitadoras para melhorias e solução de problemas, como a modelagem fuzzy. Portanto, objetivou-se com este trabalho o desenvolvimento de um modelo matemático computacional, com base na teoria dos conjuntos fuzzy, para predizer o ganho de peso diário (GPD) de frangos de corte; e, posteriormente, compará-lo com modelo estatístico pertencente à literatura. Obteve-se com o modelo fuzzy proposto um desvio-padrão de 0,90 g.dia-1 comparado a 2,02 g.dia-1 do modelo empírico. Porém, ao analisar o modelo fuzzy com dados de experimento a campo, o desvio-padrão foi de 8,6 g.dia-1 e 9,8 g.dia-1 para a equação empírica. O modelo fuzzy proposto demonstrou maior precisão comparada à equação empírica. Todavia, com o uso de dados experimentais, o modelo apresentou baixa precisão nas simulações resultados (R² = 0,5667).(AU)
Assuntos
Animais , Crescimento , Galinhas , Modelos Estatísticos , Aumento de PesoResumo
Many varied empiric mathematical models have already been developed to predict broiler chicken growth. However, newly developed tools, such as fuzzy modeling, may facilitate resolutions of problems. The objective of this research is to develop a computational mathematical model based on fuzzy logic to predict the daily weight gain (GPD) of broiler chickens, and to compare it to statistical models from the literature. Our results showed that a standard deviation of 0.9 g.day-1 was estimated using fuzzy model compared to 2.02 g.day-1 from the empirical model. However, the standard deviation was 8.6 g.day-1 when field data was used in the fuzzy model, and 9.8 g.day-1 for the empirical model. The proposed fuzzy modeling showed better precision compared to the empiric model. However, the results were not as good when experimental field data was used (R² = 0.5677).
Diversos modelos matemáticos empíricos já foram desenvolvidos para predizer o crescimento das aves. Todavia, novas ferramentas surgem na produção animal como facilitadoras para melhorias e solução de problemas, como a modelagem fuzzy. Portanto, objetivou-se com este trabalho o desenvolvimento de um modelo matemático computacional, com base na teoria dos conjuntos fuzzy, para predizer o ganho de peso diário (GPD) de frangos de corte; e, posteriormente, compará-lo com modelo estatístico pertencente à literatura. Obteve-se com o modelo fuzzy proposto um desvio-padrão de 0,90 g.dia-1 comparado a 2,02 g.dia-1 do modelo empírico. Porém, ao analisar o modelo fuzzy com dados de experimento a campo, o desvio-padrão foi de 8,6 g.dia-1 e 9,8 g.dia-1 para a equação empírica. O modelo fuzzy proposto demonstrou maior precisão comparada à equação empírica. Todavia, com o uso de dados experimentais, o modelo apresentou baixa precisão nas simulações resultados (R² = 0,5667).
Assuntos
Animais , Aumento de Peso , Crescimento , Galinhas , Modelos EstatísticosResumo
Para estabelecer o nível de conforto são necessárias diversas variáveis climáticas. Dessa forma, o uso de sistemas inteligentes pode auxiliar na obtenção de um único valor que expresse a condição que o animal se encontra. Objetivou-se por este trabalho o desenvolvimento de um sistema fuzzy para obtenção de um índice de conforto térmico para raças zebuínas e, posteriormente, a elaboração do zoneamento bioclimático para bovinos de corte. O modelo foi desenvolvido em ambiente MATLAB® 8.5 por meio do toolbox fuzzy para predição do nível de conforto térmico (ICTZ) a partir das variáveis de entrada: entalpia específica (H, kJ.kgar seco-1) e velocidade do vento (Vv, m.s-1). Foram utilizados uma série histórica de 30 anos com dados médios mensais de 156 estações. Os valores obtidos de ICTZ para cada estação foram interpolados pelo método da krigagem ordinária e classificados em quatro condições: perigo, alerta, desconforto e conforto. A região norte apresentou áreas de alerta em todos os meses do ano, sendo que em todo país a condição predominante foi de desconforto, exceto no inverno. Portanto, o uso de sistemas inteligentes se apresentou como ferramenta vantajosa para obtenção do ICTZ e posterior zoneamento bioclimático.
A diversity of climate variable is necessary to establish the comfort level. Hence, the use of intelligent systems can assist to obtain a unique value that expresses the condition the animal is in. This paper develops a fuzzy system for obtaining a comfort index for zebu and elaborating bioclimatic zones for beef cattle. The model was developed under a MATLAB® 8.5 environment thru the fuzzy toolbox for predicting the thermic comfort index (ICTZ) from the entry variables: specific enthalpy (H, kJ.kgdry air -1) and wind speed (Vv, m.s-1). A 30-year history data from 156 stations with monthly average data was used. The ICTZ values obtained for each station were interpolated by ordinary kriging and then classified in four conditions: danger, alert, discomfort and comfort. The North region presented alert areas throughout the whole year. The entire country presented the discomfort condition except for winter. Therefore, the use of intelligent systems became a great tool for obtaining ICTZ and for elaborating bioclimatic zones.