حسین بیات

مقدمه: یکی از رایج ترین و شناخته ترینروش هابه منظورپیش بینی کینتیک تخمیر شکمبه ای مواد خوراکی، آزمون تولید گاز می باشد. در آزمون تولید گاز، جهت توصیف کینتیک تولید گاز، از یک مدل غیرخطی استفاده می شود. اما نوع مدل به کاررفته و شرایط آزمایشگاهی، سبب کاهش دقت نتایج پیش بینی شدهمی گردد. بنابراین انتخاب یک روش جایگزین و دارای قدرت پردازش بالا دارای اهمیت زیادی می باشد. امروزه استفاده از شبکه عصبی مصنوعی (ANN)به عنوان یک تکنیک داده کاوی در پیش بینی نتایج در علوم مختلف به طورفزاینده ای رو به توسعه می باشد. به نظر می رسد که ANN قابلیت و توانایی پیش بینی کینتیک تخمیر شکمبه ای مواد خوراکی را داشته باشد.از آنجائی که بین کینتیک تولید گاز در شکمبه و ترکیبات شیمیایی موجود در مواد خوراکیارتباط وجود دارد، لذا ANN بایست بتواند با استفاده از ترکیبات شیمیایی، کینتیک تولید گاز را پیش بینی نماید. لذا پژوهش حاضر به منظور مقایسه دقت ANN و برخی مدل های غیرخطی در پیش بینی کینتیک تولید گاز در شکمبهانجام شد. مواد و روش ها: برای انجام این آزمایش از تعداد 25 ماده خوراکی مختلف در قالب آزمون تولید گاز استفاده شد. ابتدا، حجم گاز تولیدشده در زمان های 2، 4، 6، 8، 10، 12، 16، 20، 24، 36، 48، 72 و 96 ساعت پس از انکوباسیون ثبت گردید. سپس، نتایج به دست آمده (حجم گاز تولیدشده در زمان های مختلف انکوباسیون) به مدل های اکسپونانشیال (EXP) و فرانس (FRC) برازش داده شدند. در ساخت ANN از ترکیبات شیمیایی (شامل درصد ماده آلی، پروتئین خام، چربی خام، دیواره سلولی، دیواره سلولی بدون همی سلولز و کربوهیدرات غیر فیبری) به عنوان ورودی ANN و حجم گاز تولیدشده در زمان های مختلف انکوباسیون (میلی لیتر بر 200 میلی گرم ماده خشک) به عنوان خروجی ANN استفاده شد. به منظور بررسی نکویی برازش مدل ها از آماره های ریشه دوم میانگین مربعات خطا(RMSE)،ضریب تعیین(R2)و معیار اطالعات آکائیک(AIC) استفاده شد. نتایج و بحث: بهترین ساختار ANN با استفاده از 6 نورون درلایه ورودی، 5 نورون در لایه پنهان و 1 نورون در لایه خروجی به دست آمد. شبکه ساخته شده، به صورت پرسپترون چندلایه (MLP) با الگوریتم آموزشی برویدن-فلچر-گلدفارپ-شانو (BFGS)با تابع انتقال لجستیک در لایه پنهانی و تابع تانژانتی در لایه خروجی بود. مقدار RMSE (53/1) در مدل FRCبه طورمعنی داری کمتر