مدل‌سازی انرژی ستانده واحدهای پرورش مرغ گوشتی با استفاده از روش شبکه عصبی مصنوعی (مطالعه موردی: استان مازندران)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی، گروه ماشین های کشاورزی، آموزشکده کشاورزی ساری، دانشگاه فنی و حرفه ای، مازندران، ایران

2 عضو هیات علمی، گروه علوم دامی، آموزشکده کشاورزی ساری، دانشگاه فنی و حرفه ای، مازندران، ایران

3 دانشیار 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


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.