حسین بیات

مقدمه: در حال حاضر، از روش ها و ابزارهای متفاوتی برای پیش بینی نتایج آزمایش های علمی استفاده می شود. یکی از این ابزارها، استفاده از شبکه عصبی مصنوعی (ANN) می باشد. گزارش شده است که بین نوع و مقدار ترکیب شیمیایی موجود در مواد خوراکی و میزان قابلیت تخمیر آن ها در شکمبه (حجم تولید گاز) ارتباط وجود دارد. به نظر می رسد که ANN بتواند این ارتباط را مشخص کند. لذا، پژوهش حاضر به منظور پیش بینی حجم تولید گاز در شکمبه، با استفاده از ترکیب شیمیایی مواد خوراکی از طریق ANN انجام شد. مواد و روش ها: برای انجام این آزمایش از تعداد 25 ماده خوراکی مختلف استفاده شد. ابتدا ترکیب شیمیایی این مواد خوراکی تعیین شد. سپس حجم تولید گاز با استفاده از آزمون تولید گاز مطابق روش ارائه شده توسط منک و استینگاس (1979)در 3 تکرار و 3 دوره جداگانه 96 ساعته (زمان های 2، 4، 6، 8، 10، 12، 16، 20، 24، 36، 48، 72 و 96 ساعت پس از انکوباسیون) اندازه گیری گردید. ترکیبات شیمیایی اندازه گیری شده شامل درصد ماده آلی (OM)، پروتئین خام (CP)، چربی خام (EE)، دیواره سلولی (NDF)، دیواره سلولی بدون همی سلولز (ADF) و کربوهیدرات غیر فیبری (NFC) بودند. ترکیبات شیمیایی در قالب 6 مدل مختلف (به عنوان لایه ورودی) و حجم گاز تولیدشده در هر زمان از انکوباسیون (به عنوان لایه خروجی) به ANN معرفی شدند. مدل های ورودی به ANN به ترتیب شامل مدل 1 (OM-EE-ADF-NDF-NFC)، مدل 2 (CP-EE-ADF-NDF-NFC)، مدل 3 (CP-OM-ADF-NDF-NFC)، مدل 4 (CP-OM-EE-NDF-NFC)، مدل 5 (CP-OM-EE-ADF-NFC) و مدل 6 (CP-OM-EE-ADF-NDF) بودند. بهترین ساختار بدست آمده ANN از نوع پرسپترون چندلایه (MLP) با الگوریتم آموزشی برویدن-فلچر-گلدفارب- شانو با در نظر گرفتنتابع انتقال تانژانت در لایه پنهان و تابع نمایی در لایه خروجی مدل ها بود. ساختار کلی تمام مدل ها نیز 5 نورون در لایه ورودی، 4 نورون در لایه پنهان و 1 نورون در لایه خروجی داشت.از آماره هایضریب تعیین(R2)، ریشه دوم میانگین مربعات خطا(RMSE) به دست آمده در هر مدل، به عنوان شاخصی از دقت ANN در پیش بینی حجم تولید گاز در شکمبه استفاده شد. نتایج و بحث: آماره هایR2 و RMSE مربوط به مدل ها در دو بخش آموزش و صحت سنجی گزارش شدند. بیشترین مقدار R2 در بخش آموزش و صحت سنجی (به ترتیب 8868/0 و 8730/0) در مدل 3 و کمترین آن (به ترتیب 8795/0 و 8