پیوندهای مفید
آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 748 |
| تعداد مقالات | 7,108 |
| تعداد مشاهده مقاله | 10,240,518 |
| تعداد دریافت فایل اصل مقاله | 6,898,083 |
مدل‌سازی راندمان انرژی در تولید مرغ گوشتی به کمک رویکرد شبکه‌های عصبی مصنوعی پرسپترون (مطالعه موردی: استان اردبیل) | ||
| تحقیقات تولیدات دامی | ||
| مقاله 7، دوره 5، شماره 2، شهریور 1395، صفحه 73-85 اصل مقاله (458.24 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سماء عمید* 1؛ ترحم مصری گندشمین2 | ||
| 1دانش‌آموخته کارشناسی ارشد مکانیزاسیون کشاورزی، گروه مهندسی بیوسیستم، دانشکده فناوری کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی | ||
| 2دانشیار گروه مهندسی بیوسیستم، دانشکده فناوری کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی | ||
| چکیده | ||
| سامانه‌های تولیدی در صنایع زیستی بر مدیریت منابع و تبدیل صور مختلف انرژی استوار است. این پژوهش به بررسی و مدل‌سازی غیرپارامتریک انرژی تولید مرغ گوشتی پرداخته است. نمونه‌های مورد بررسی، مشتمل بر 70 تولیدکننده مرغ گوشتی استان اردبیل بود که به‌طور تصادفی از جامعه آماری منطقه انتخاب شدند. در این مطالعه، معادل انرژی مصرفی در صنعت مذکور برآورد شد و سپس شاخص‌های انرژی محاسبه شد. سپس با استفاده از مدل‌های شبکه عصبی مصنوعی میزان معادل انرژی ستانده و عملکرد سیستم، مدل‌سازی و برآورد شد. بر اساس نتایج حاصل از پژوهش، میزان کل انرژی معادل نهاده و ستانده در تولید مرغ گوشتی به ترتیب در حدود 79/153 و 45/27 گیگاژول بر 1000 قطعه مرغ محاسبه شد. بیشترین انرژی نهاده مصرفی در تولید مرغ گوشتی منطقه متعلق به سوخت فسیلی با 48/61 درصد از کل معادل انرژی بود. بر اساس نتایج شبکه عصبی مصنوعی بهترین ساختار برای مدل‌سازی انرژی مصرفی تولید مرغ گوشتی ساختار 2-14-5 با 5 ورودی، یک لایه مخفی با 14 نرون و یک لایه خروجی با دو پارامتر خروجی تخمین زده شد. ضرایب تبیین مناسب‌ترین ترکیب وزن برای تخمین معادل انرژی تولید گوشت مرغ و کود بستر به ترتیب 93 و 91 درصد برای داده‌های آزمون و 98 و 95 درصد برای داده‌های اعتبارسنجی به‌دست آمد. 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 | ||
| انرژی؛ شبکه‌های عصبی مصنوعی؛ مدل‌سازی؛ مرغ گوشتی | ||
| مراجع | ||
|
بی‌نام، 1391. چکیده نتایج سرشماری از مرغداری‌های پرورش مرغ گوشتی. سازمان مدیریت و برنامه‌ریزی کشور، مرکز آمار ایران. www.amar.org.ir. بی‌نام، 1392. آمار و اطلاعات سازمان جهاد کشاورزی استان اردبیل. واحد تولیدات دامی. حیدری م. د.، امید م. و اکرم الف. 1391. بررسی انرژی مصرفی و اثرات تعداد جوجه و نوع سیستم تهویه بر بازده مصرف انرژی واحدهای مرغ گوشتی استان یزد. مجله فناوری ماشین های کشاورزی، 1(1): 39-33. دشتی ق.، یاوری س.، پیش‌بهار الف و حیاتی ب. 1390. عوامل مؤثر بر کارایی تکنیکی واحدهای مرغداری گوشتی شهرستان سقز و کلیایی. نشریه پژوهش‌های علوم دامی، 21(3): 95-83. عمید س. 1393. ارزیابی کارایی مصرف انرژی در واحدهای تولید مرغ گوشتی به کمک روش‌های فازی، مطالعه موردی: استان اردبیل. پایان‌نامه کارشناسی ارشد، دانشگاه محقق اردبیلی. مصری‌گُندشمین ت. 1388. بهینه‌سازی افت کمباین با استفاده از سیستم‌های هوشمند. رساله دکتری دانشگاه تبریز. نجفی‌اناری س.، خادم‌الحسینی ن.، جزایری ک.، میرزاده خ. 1387. بررسی کارایی انرژی در پرورش گوشت مرغی منطقه اهواز. پنجمین کنگره ملی مهندسی ماشین‌های کشاورزی و مکانیزاسیون، 6 و 7 شهریور، مشهد، ایران. نقیب‌زاده ش.، جوادی الف.، رحمتی م. و مهران‌زاده م. 1389. بررسی چگونگی سیر مصرف انرژی برای پرورش مرغ گوشتی در منطقه شمال خوزستان. ششمین کنگره ملی مهندسی ماشین‌های کشاورزی و مکانیزاسیون، 24 و 25 شهریور، کرج، ایران. Alrwis K. N. and Francis E. 2003. Technical efficiency of broiler farms in the central region of Saudi Arabia. Research Bulletin, 116: 5–34.
Amid S., Mesri-Gundoshmian T., Rafiee S. and Shahgoli G. H. 2015. Energy and economic analysis of broiler production under different farm sizes. Elixir Agriculture, 78: 29688-29693.
Atilgan A. and Koknaroglu H. 2006. Cultural energy analysis on broilers reared in different capacity poultry houses. Italian Journal of Animal Science, 5: 393–400.
Bekhet A. H. and Abdullah A. 2010. Energy use in agriculture sector: Input-Output analysis. International Business Research, 3(3): 111–121.
Chauhan N. S., Mohapatra P. K. J. and Pandey K. P. 2006. Improving energy productivity in paddy production through benchmarking: an application of data envelopment analysis. Energy Conversion and Management, 47: 1063–1085.
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.
Erdal G., Esengun K., Erdal H. and Gunduz O. 2007. Energy use and economic analysis of sugar beet production in Tokat province of Turkey. Energy, 32: 35–41.
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.
Hatirli S. A., Ozkan B. and Fert C. 2006. Energy inputs and crop yield relationship in greenhouse tomato production. Renewable Energy, 31: 427–438.
Heidari M. D., Omid M. and Akram A. 2011a. Energy efficiency and econometric analysis of broiler production farms. Energy, 36: 6536–6541.
Heidari M. D., Omid M. and Akram A. 2011b. Application of artificial neural network for modeling benefit to cost ratio of broiler farms in tropical regions of Iran. Research Journal of Applied Science, Engineering and Technology, 3(6): 546–552.
Kitani O. 1999. Energy and biomass engineering. In: CIGR handbook of agricultural engineering, vol. V. St. Joseph, MI: ASAE publication. pp. 330.
Kittle A. P. 1993. Alternate daily cover materials and subtitle, the selection technique Rusmar, Incorporated West Chester, PA. pp. 26.
Mandal K. G., Saha K. P., Ghosh P. K., Hati K. M. and Bandyopadhy K.K. 2002. Bioenergy and economic analysis of soybean-based crop production systems in central India. Biomass and Bioenergy, 23(5): 337–345.
Mesri-Gundoshmian T., Ghassemzadeh H. R., Abdollahpour S. and Navid H. 2010. Application of artificial neural network in prediction of the combine harvester performance. Food, Agriculture and 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. In: The Second International Conference on Agriculture and Natural Resources, 25-26 Dec. Kermanshah, Iran, pp. 109-117.
Ozkan B., Akcaoz H. and Fert C. 2004. Energy input-output analysis in Turkish agriculture. Renewable Energy, 29: 39–51.
Ozkan B., Akcaoz H. and Karadeniz F. 2004. Energy requirement and economic analysis of citrus production in Turkey. Energy Conversion and Management, 45: 1821-1830.
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.
Pishgar-Komleh S. H., Keyhani A., Rafiee S. and Sefeedpari P. 2011. Energy use and economic analysis of corn silage production under three cultivated area levels in Tehran province of Iran. Energy, 36: 3335–3341.
Rafiee S., Mousavi-Avval H. and Mohammadi A. 2010. Modeling and sensitivity analysis of energy inputs for apple production in Iran. Energy, 35: 3301–3306.
Rajabi-Hamedani S., Shabani Z. and Rafiee S. 2011. Energy inputs and crop yield relationship in potato production in Hamadan province of Iran. Energy, 36: 2367-2371.
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.
Saniz R. D. 2003. Livestock-environment initiative fossil fuels component: Framework for calculating fossil fuel use in livestock systems. Available from: www.fao.org.
Sefeedpari P. 2012. Assessment and optimization of energy consumption in dairy farm: Energy efficiency. Iranica Journal of Energy and Environment, 3(3): 213–224.
Sefeedpari P., Rafiee S. and Akram A. 2012. Modeling of energy output in poultry for egg production farms using Artificial Neural networks. Journal of Animal Production Advances, 2(5): 247–253.
Sung A. H. 1998. Ranking importance of input parameters of neural networks. Expert Systems with Applications, 15: 405-411.
Zangeneh M., Omid M. and Akram A. 2010. A comparative study on energy use and cost analysis of potato production under different farming technologies in Hamadan province of Iran. Energy, 35: 2927-2933.
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: 1,650 تعداد دریافت فایل اصل مقاله: 1,498 |
||