حسین بیات

امروزه استفاده از شبکه عصبی مصنوعی (ANN) به عنوان یک تکنیک داده کاوی در پیش بینی نتایج علوم مختلف به طور فزاینده ای رو به توسعه می باشد. به نظر می رسد که شبکه عصبی مصنوعی قابلیت و توانایی پیش بینی کینتیک تخمیر شکمبه ای مواد خوراکی را داشته باشد. از آنجائیکه بین ترکیبات شیمیایی مواد خوراکی و کینتیک تولید گاز در شکمبه ارتباط وجود دارد لذا شبکه عصبی مصنوعیباید بتواند با استفاده از ترکیبات شیمیایی، کینتیک تولید گاز را پیش بینی کند.لذا پژوهش حاضر با بهره گیری از شبکه عصبی مصنوعی به منظور پیش بینی گاز تولید شده در شکمبه بر اساس ترکیبات شیمیایی برخی مواد خوراکی و مقایسه دقت بهترین مدل شبکه عصبی مصنوعی با برخی مدل های غیرخطی انجام شد. برای انجام این آزمایش از نتایج آزمون تولید گاز که قبلا با استفاده از 25 نوع مواد خوراکی مختلف شامل خوراک های علوفه ای (علوفه یونجه، سیلاژ ذرت، کاه گندم، اسپرس و کاه جو)، مواد کنسانتره ای (دانه جو، دانه ذرت، سبوس گندم، کنجالهسویا و گلوتن ذرت)، محصولات جانبی کشاورزی(کنجاله کنجد، کنجالهکلزا، ضایعات نان، تفاله چغندرقند، تفاله انگور، تفاله لیموترش، گل زعفران و تفاله گوجه فرنگی) و 5 جیره غذایی با سطوح مختلف علوفه به کنسانتره (70-30، 40-60، 60-50، 60-40، 30-70) انجام شده بود، استفاده شد.به منظور تعیین ساختار مطلوب شبکه عصبی مصنوعی از نرم افزارSTATISTICA 12.5 استفاده شد.بهترین ساختار بدست آمده از مدل های ANNاز نوع پرسپترون چندلایه (MLP) با الگوریتم آموزشی برویدن-فلچر-گلدفارب- شانو (BFGS) با در نظر گرفتن تابع انتقال مناسب مدل از بین توابع انتقال همانی، لجستیک، تانژانت، تابع نمایی و تابع سینوسی در لایه های پنهان و خروجی بود. از آماره های ضریب تعیین (R2)، ریشه دوم میانگین مربعات خطا (RMSE) و میانگین خطا (ME) به دست آمده در هر مدل، به عنوان شاخصی از دقت شبکه عصبی مصنوعی در پیش بینی حجم تولید گاز در شکمبه استفاده شد.همچنین به منظور مقایسه دقت برازش مدل های بدست آمده از شبکه عصبی مصنوعی و مقایسه بهترین مدل شبکه عصبی مصنوعی با دو مدل غیرخطی اکسپونانشیال (EXP) و فرانس (FRC) در مواد خوراکی مختلف از آماره های میانگین مربعات خطا (MSE)، ضریب تعیین (R2)، انحراف مطلق میانگین باقی مانده (RMAD) و میانگین درصد خطا (MPE) و آزمون های اطلاعات آکائیک (AIC)، نسبت تایید (ER