Estudo: aprendizado de máquina usado em fábricas de ração pode otimizar a qualidade do pellet

Apr 03, 2023

10-jan-2023 - Última atualização em 10-jan-2023 às 15:19 GMT

Tags relacionadas função de fábrica de ração de aprendizado de máquina de qualidade de pelotas higien_gpt_value2(gptValue) { var vOut = ""; var aTags = gptValue.split(','); var reg = new RegExp('\\W+', "g"); para (var i=0; i

Tal modelo pode ser usado dentro da fábrica de ração para prever o índice de qualidade do pellet para um determinado lote de ração, que por sua vez é um indicador-chave de desempenho (KPI) útil para o gerenciamento eficiente da fábrica, disseram os autores, da Universidade de Guelph e Trouw Nutrition, Canadá.

Eles dizem que seu artigo, publicado na edição de novembro de 2022 daCiência e Tecnologia de Alimentos para Animais​, descreve o primeiro uso de modelos de regressão de aprendizado de máquina para prever o índice de durabilidade do pellet, com base em um conjunto de dados multifatorial.

A fabricação de rações peletizadas envolve uma série de processos, incluindo recebimento de alimentos, moagem, dosagem, mistura, condicionamento, conversão de pellets, resfriamento e embalagem. Durante esses processos, vários parâmetros desempenham um papel crucial na determinação da qualidade do pellet, incluindo especificações da matriz, tamanho de partícula do ingrediente, tempo de condicionamento e temperatura.

"Os alimentos peletizados são amplamente utilizados em sistemas de produção de animais monogástricos porque não apenas melhoram o desempenho animal aumentando a digestibilidade e o consumo de ração, mas também são convenientes para armazenar e manusear. No entanto, a qualidade do pelete pode ser afetada por muitos fatores."

O aprendizado de máquina (ML), como um subcampo da inteligência artificial (IA), está posicionado de maneira ideal como uma ferramenta de previsão que pode considerar um grande número de variáveis ​​de direção e interações complexas entre variáveis, disseram os pesquisadores.

Esses modelos de ML são capazes de aprender com os dados, prever e generalizar sem serem explicitamente programados para isso (Samuel, 1959), observaram.

Neste estudo atual, os modelos ML foram usados ​​para prever o índice de durabilidade do pellet (PDI) com base na formulação da ração, processo de fabricação e fatores ambientais específicos associados ao PDI em uma fábrica de ração comercial.

Um conjunto de dados composto por 2.471 observações que descrevem o processo de fabricação de pellets, a formulação da ração e as condições ambientais - temperatura externa - foi coletado de duas linhas de fábrica de ração por oito meses.

Dezesseis recursos foram usados ​​para construir os modelos de regressão, e o resultado foi o índice de durabilidade do pellet (PDI) das rações peletizadas, explicou a equipe.

Doze algoritmos de regressão foram examinados como parte do projeto, enquanto ferramentas analíticas foram usadas para identificar quais recursos eram mais relevantes para cada modelo.

Para a maioria dos algoritmos, a temperatura externa média, a inclusão de subprodutos de panificação, a inclusão de trigo e a linha de produção foram consideradas importantes e tiveram uma importância geral maior do que todas as outras características, de acordo com os autores.

"Curiosamente, e talvez em contraste com as expectativas da indústria, descobriu-se que a gordura adicionada ao misturador era menos importante do que a maioria das características. mixer, pode explicar parcialmente esse resultado."

De uma perspectiva de desempenho relacionada às previsões do índice de durabilidade do pellet, um modelo, o Support Vector Regression, superou todos os outros, disseram eles.

Os pesquisadores enfatizaram, porém, que, embora alguns fatores relacionados à formulação da ração tenham sido incluídos no estudo, outros, como a composição nutricional das dietas, também não estavam disponíveis.

"Esses fatores ausentes podem fornecer mais informações em comparação com os detalhes da formulação da ração, já que a composição de nutrientes da ração pode ser variável e a formulação da ração pode mudar com as estações. Adicionar esses fatores como recursos em modelos futuros pode ajudar a melhorar ainda mais o desempenho da previsão do PDI."​