تعداد نشریات | 31 |
تعداد شمارهها | 748 |
تعداد مقالات | 7,112 |
تعداد مشاهده مقاله | 10,245,901 |
تعداد دریافت فایل اصل مقاله | 6,899,588 |
مدلسازی انرژی ستانده در واحدهای پرورش گاو شیری و گاو پرواری با استفاده از روشهای شبکه عصبی مصنوعی و انفیس (مطالعه موردی: استان مازندران، ایران) | ||
تحقیقات تولیدات دامی | ||
مقاله 3، دوره 8، شماره 1، خرداد 1398، صفحه 17-28 اصل مقاله (1.39 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22124/ar.2019.10377.1313 | ||
نویسندگان | ||
رسول لقمانپور زرینی* 1؛ نوید قوی حسین زاده2؛ حسن نبیپور افروزی3 | ||
1عضو هیات علمی، گروه ماشین های کشاورزی، آموزشکده کشاورزی ساری، دانشگاه فنی و حرفهای، مازندران، ایران | ||
2دانشیار گروه علوم دامی، دانشکده علوم کشاورزی، دانشگاه گیلان | ||
3عضو هیات علمی، گروه علوم دامی، آموزشکده کشاورزی ساری، دانشگاه فنی و حرفهای، مازندران، ایران | ||
چکیده | ||
در این پژوهش شبکه عصبی مصنوعی و سامانه استنتاج عصبی-فازی تطبیقی چندلایه (انفیس)، برای مدلسازی انرژی خروجی در واحدهای پرورش گاو شیری و گاو پرواری مورد مطالعه قرار گرفتند. برای این منظور، مطابق رابطه کوکران، تعداد 105 واحد پرورش گاو پرواری و گاو شیری به طور تصادفی از پنج شهرستانی که عمدهترین تولیدکننده این بخش در استان مازندران بودند، در سالهای 1395 تا 1396 انتخاب شدند. با استفاده از تراز انرژی نهادهها و ستاندهها، میانگین انرژی نهاده و ستانده برای هر رأس گاو در واحدهای پرورش گاو پرواری به ترتیب برابر 76/16994 و 85/3449 مگاژول و برای واحدهای پرورش گاو شیری به ترتیب برابر 100100 و 58277 مگاژول محاسبه شد. همچنین شاخصهای نسبت انرژی، بهرهوری انرژی، انرژی ویژه و افزوده خالص انرژی برای هر رأس گاو در واحدهای گاو شیری به ترتیب برابر 58/0، 08/0 کیلوگرم بر مگاژول، 5/12 مگاژول بر کیلوگرم و 93/41825- مگاژول و برای واحدهای گاو پرواری به ترتیب برابر 2/0، 02/0 کیلوگرم بر مگاژول، 50 مگاژول بر کیلوگرم و 91/13544- مگاژول بود. با استفاده از نتایج تحلیل آماری دادهها، مدلسازی میزان انرژی خروجی به ازای انرژی ورودی با استفاده از روشهای هوش مصنوعی و استنتاج عصبی-فازی انجام گرفت. نتایج نشان داد مدل سامانه استنتاج عصبی-فازی تطبیقی چندلایه با ضریب تشخیص 9899/0 برای واحدهای پرورش گاو پرواری و 9933/0 برای واحدهای پرورش گاو شیری نسبت به مدل ساخته شده با استفاده از شبکه عصبی مصنوعی با ضریب تشخیص 8118/0 و ساختار 1-16-6 برای واحدهای پرورش گاو پرواری و ضریب تشخیص 9837/0 و ساختار 1-12-5 برای واحدهای پرورش گاو شیری دارای عملکرد و دقت بهتری بودند. | ||
کلیدواژهها | ||
انرژی؛ سامانه استنتاج عصبی فازی تطبیقی؛ شبکه عصبی مصنوعی؛ گاو شیری؛ مدل سازی | ||
مراجع | ||
بی نام. 1396. چکیده نتایج آمارگیری از گاوداری صنعتی کشور. مرکز آمار ایران. معاونت برنامه ریزی و نظارت راهبردی ریاست جمهوری. سلطانعلی ح.، عمادی ب.، روحانی ع. و خجستهپور م. 1393. مدلسازی روند انرژی مصرفی و انتشار گازهای گلخانهای در واحدهای صنعتی پرورش گاو شیری مطالعه موردی: استان گیلان. پژوهش در نشخوارکنندگان، 2(4): 193-175. صیادی الف. 1387. آشنایی مقدماتی با شبکههای عصبی مصنوعی.انتشارات دانشگاه صنعتی شریف. عمید س. و مصری گندشمین ت. 1395. مدلسازی راندمان انرژی در تولید مرغ گوشتی به کمک رویکرد شبکههای عصبی مصنوعی پرسپترون (مطالعه موردی: استان اردبیل). تحقیقات تولیدات دامی، 5(2): 85-73. لقمانپور زرینی ر. و اکرم الف. 1396. بررسی بهرهوری انرژی در فرآیند تولید خیار گلخانهای (مطالعه موردی: استان مازندران). کنفرانس ملی تولیدات زراعی و باغی، 5 بهمن، دانشگاه گنبد کاووس، گنبد گاووس، گلستان، ایران. نبیپور افروزی ح.، عابدی فیروزجایی ر. و لقمانپور زرینی ر. 1395. محاسبه شاخصهای مصرف انرژی و انتشار گازهای گلخانهای در سالن های پرورش گاو شیری (مطالعه موردی: استان اصفهان). اولین همایش ملی یافته های نوین در علوم کشاورزی محیط زیست و منابع طبیعی پایدار، 15 و 16 مهر، تهران، ایران. Basarir A. 2003. Goals of Beef Cattle and Dairy Producers: A Comparison of the Fuzzy Pair -Wise Method and Simple Ranking Procedure.Annual Meeting Mobile.Agricultural Economics Association. Cochran W. 1977. Sampling techniques. 3rd ed. New York: John Wiley and Sons. Coley D. A., Goodliffe E. and Macdiarmid J. 1998. The embodied energy of food: the role of diet. Energy Policy, 26(6): 455-465. Frorip J., Kokin E., Praks J., Poikalainen V., Ruus A., Veermäe I. and Ahokas J. 2012. Energy consumption in animal production-case farm study. Agronomy Research Biosystem Engineering, 1: 39-48. 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(2): 69-83. Heidari M. D., Omid M. and Akram A. 2011. Energy efficiency and econometric analysis of broiler production farms. Energy, 36(11): 6536-6541. Hosoz M., Ertunc H. M., Karabektas M. and Ergen G. 2013. ANFIS modelling of the performance and emissions of a diesel engine using diesel fuel and biodiesel blends. Applied Thermal Engineering, 60(1): 24-32. Kiefer L. R., Menzel F. and Bahrs E. 2015. Integration of ecosystem services into the carbon footprint of milk of South German dairy farms. Journal of Environmental Management, 152: 11-18. Kitani O. 1999. CIGR Handbook of Agricultural Engineering. Energy and Biomass Engineering, Vol. 5. ASAE publication, St Joseph. Loghmanpour zarini R., Ghasemi H. and Mahdavi darvari S. H. 2014. Energy consumption and economic analysis of mustard production in Iran. International Journal of Life Sciences, 8(6): 345-354. Meul M., Nevens F., Reheul D. and Hofman G. 2007. Energy use efficiency of specialised dairy, arable and pig farms in Flanders. Agriculture, Ecosystems & Environment, 119(1): 135-144. Moitzi G., Daniela D. A. M. M., Weingartmann H. and Boxberger J. 2010. Analysis of energy intensity in selected Austrian dairy farms with focus on concentrate level in feeding. Bulletin of University of Agricultural Sciences and Veterinary Medicine Cluj-Napoca.Agriculture, 67(1). Ozkan B., Akcaoz H. and Fert C. 2004.Energy input–output analysis in Turkish agriculture. Renewable Energy, 29(1): 39-5. Safa M. and Samarasinghe S. 2011. Determination and modelling of energy consumption in wheat production using neural networks: A case study in Canterbury province, New Zealand. Energy, 36(8): 5140-5147. Sainz R. D. 2003. Livestock-environment initiative fossil fuels component: framework for calculation fossil fuel use in livestock systems. http://www.fao.org/WAIRDOCS/LEAD/X6100E/x6100e00.htm#Contents. Sefeedpari P., Rafiee S. H., Akram A. and Mousavi-Avval S. H. 2012. Application of fuzzy data envelopment analysis for ranking dairy farms in the view of energy efficiency. Journal of Animal Production Advances, 2(6): 284-296. Sefeedpari P., Rafie S., Akram A. and Komleh S. H. 2014. Modeling output energy based on fossil fuels and electricity energy consumption on dairy farms of Iran: Application of adaptive neural-fuzzy inference system technique. Computers and Electronics in Agriculture, 109: 80-85. Singh S. and Mittal J. P. 1992. Energy in production agriculture. Mittal pub. New Delhi. StatSoft Inc. 2004. Electronic Statistics Textbook (Tulsa, OK). Wells D. 2001. Total energy indicators of agricultural sustainability: dairy farming case study. Technical paper. Ministry of Agriculture and Forestry, Wellington. ISBN: 0-478-07968-0. | ||
آمار تعداد مشاهده مقاله: 1,507 تعداد دریافت فایل اصل مقاله: 806 |