Yumurta tavuğu kümesinde amonyak emisyonlarının yapay sinir ağları kullanılarak tahmin edilmesi

Abstract

Bu çalışmada Bursa Uludağ Üniversitesi Veterinerlik Fakültesi Hayvan Sağlığı ve Hayvansal Üretim, Araştırma ve Uygulama Merkezinde bulunan toplam 5000 hayvan kapasitesine sahip bir yumurta tavuğu kümesinden kaynaklanan amonyak emisyonunun yapay sinir ağları ile tahminlenmesi amaçlanmaktadır. Kümeste bir yıl süreyle gerçekleştirilen sıcaklık, bağıl nem, havalandırma, hava hızı, hayvan sayısı, amonyak konsantrasyonu ölçümleri İlkbahar, Yaz, Sonbahar, Kış ve tüm yıllık veriler olmak üzere beş veri setine ayrılmıştır. Beş veri seti için yapay sinir ağlarında amonyak emisyonu çıktı ölçümü gerçekleştirilen diğer parametreler ise girdi olarak kullanılarak 4 farklı eğitim algoritmasında tahminlemeler gerçekleştirilmiş ve karşılaştırılmaları yapılmıştır. Çalışmada, Levenberg Marquardt eğitim algoritması ile İlkbahar, Yaz, Sonbahar, Kış ve tüm yılı kapsayan veriler için sırasıyla (0,99107), (0,99026), (0,98613), (0,99223) ve (0,98699) regresyon katsayısı ile en yüksek başarıya sahip tahminlemeler gerçekleştirilmiştir. Tahminleme gerçekleştirilen diğer üç eğitim algoritması da düşük hata oranına sahip olsa da performans olarak Levenberg Marquardt eğitim algoritmasının gerisinde kalmıştır Çalışmada ayrıca tahminlemede kullanılan girdi parametrelerinden çıktı performansını ençok etkileyeni bulmak amacıyla girdi parametrelerinden her biri bir kez çıkartılmak koşuluyla 5 girdi ve 1 çıktı olacak şekilde 6 farklı tahminleme gerçekleştirilmiştir. Sinir ağının performansını en çok etkileyen girdi parametresinin hayvan sayısı olduğu ve ağın performansını olumsuz olarak büyük oranda etkilediği görülmüştür. Çalışma sonucunda yapay sinir ağlarında Levenberg Marquardt (trainlm) eğitim algoritması ile bir yumurta tavuğu kümesinden kaynaklanan amonyak emisyonun yüksek bir başarı oranı ile tahminlenebileceği sonucuna varılmıştır.

This study aims to estimate the ammonia emission from a chicken coop with a total capacity of 5000 animals located at the Animal Health and Animal Production, Research and Application Center of the Faculty of Veterinary Medicine of Bursa Uludag University with artificial neural networks. Temperature, relative humidity, ventilation, air velocity, number of animals, ammonia concentration, and ammonia emission measurements performed in the hen house for a year were divided into five data sets Spring, Summer, Autumn, Winter, and all annual data. For five data sets, ammonia emission in artificial neural networks was used as output, and other measurement parameters were used as input; estimations were made in 4 different training algorithms, and comparisons were made.In the study, the Levenberg Marquardt education algorithm for Spring, Summer, Autumn, winter, and all-year data, respectively (0,99107), (0,99026), (0,98613), (0,99223) (0,98699) has the highest value with the regression rate. Although the other three training algorithms for which the estimation was performed had low error rates, they lagged behind the Levenberg Marquardt training algorithm in performance. In addition, six different estimations were made as five inputs and one output, provided that each input parameter is removed once, to find the one that affects the output performance the most among the input parameters used in the estimation. It has been seen that the input parameter that most affects the neural network's performance is the number of animals, and it affects the network's performance negatively. As a result of the study, it was concluded that ammonia emission from a layer hen could be predicted with a high success rate with the Levenberg Marquardt (trainlm) training algorithm in artificial neural networks.