ESTUDO DA INFLUÊNCIA DE FATORES AMBIENTAIS EM VARIÁVEIS FISIOLÓGICAS DE FRANGOS DE CORTE COM REDES NEURAIS ARTIFICIAIS

Resumen

Este trabalho investiga o uso de Redes Neurais Artificiais (RNAs) na análise da influência de fatores ambientais em diversos parâmetros fisiológicos em frangos de corte. Os dados deste trabalho foram obtidos em câmara climática do Núcleo de Pesquisa em Ambiência - NUPEA/ESALQ/USP. Machos e fêmeas de frangos de corte da linhagem Ross com 21, 28, 35, 42 e 49 dias de idade foram submetidos a quatro combinações de temperatura e umidade relativas. As RNAs foram utilizadas para avaliação da influência e relação de variáveis tais como temperatura, umidade relativa, frequência respiratória, temperatura retal, idade, ganho de peso, tempo de permanência no comedouro e tempo de permanência no bebedouro. Os resultados mostraram que é difícil predizer a condição ambiental a qual o animal foi submetido pelo conjunto de dados. O menor erro foi obtido com a variável ganho de peso como saída, sugerindo que esta seja a mais fortemente correlacionada com as outras variáveis.

PALAVRAS-CHAVE: Redes Neurais Artificiais, avicultura, ambiência.

STUDY OF THE INFLUENCE OF ENVIRONMENTAL FACTORS IN BROILER USING ARTIFICIAL NEURAL NETWORKS

ABSTRACT: This work investigates the use of Artificial Neural Networks to analyse the influence of ambiental variables in broilers. Data was obtained in the climatic chamber of Nucleous of Bioclimatology Research (NUPEA/ESALQ/USP). Broilers (males and females) of Ross genetic with 21, 28, 35, 42 e 49 day-old were submited to four combinations of temperature and relative humidity. Artificial Neural Networks were applied to evaluation of the influence and correlation of variables such as temperature, relative humidity, respiratory frequency, retal temperature and age in the weight gain of broilers. The results showed that it is difficult to predict the environmental conditions that  the animal was subjected by the data set. The smallest error was obtained with the variable weight gain as output, suggesting that this one is the most strongly correlated with the other variables.

KEYWORDS: Artificial Neural Networks, poultry production, bioclimatology.