خلیل زابلی

مقدمه: آگاهی از کینتیک هضم خوراک در شکمبه، اطلاعات مفیدی در خصوص ارزش غذایی مواد خوراکی ارائه می دهد. برای این منظور از روش های مختلفی استفاده می شود که یکی از کاربردی ترین آن ها آزمون تولید گاز می باشد. گزارش شده است که حجم گاز تولیدشده در شکمبه، ارتباط مستقیمی با ترکیب شیمیایی مواد خوراکی دارد. لذا هدف از این مطالعه بهره گیری از مدل شبکه عصبی مصنوعی (ANN) جهت پیش بینی حجم گاز تولید شده در شکمبه بر اساس ترکیبات شیمیایی برخی مواد خوراکی مورد استفاده در تغذیه نشخوارکنندگان می باشد. مواد و روش ها: برای انجام این آزمایش از تعداد 25 ماده خوراکی مختلف استفاده شد. ابتدا ترکیبات شیمیایی این مواد خوراکی با استفاده از روش های استاندارد تعیین شد. سپس، حجم گاز تولیدشده در آن ها در 3 تکرار و 3 دوره جداگانه 96 ساعته در قالب آزمون تولید گاز اندازه گیری گردید. ترکیبات شیمیایی مواد خوراکی (شامل درصد ماده آلی، پروتئین خام، چربی خام، دیواره سلولی، دیواره سلولی بدون همی سلولز و کربوهیدرات های غیر فیبری) به عنوان لایه ورودی و حجم گاز تولیدشده (در ساعت های 2، 4، 6، 8، 10، 12، 16، 20، 24، 36، 48، 72 و 96 بعد از انکوباسیون) به عنوان لایه خروجی در ANN در نظر گرفته شد. به منظور تعیین بهترین ساختار ANN از آماره های ریشه دوم میانگین مربعات خطا (RMSE) و ضریب تعیین R2)) در بخش آموزش و آزمون ANN استفاده گردید. نتایج و بحث: مطابق نتایج به دست آمده، بهترین ساختار شبکه با الگوریتم آموزشی برویدن-فلچر- گلدفارب و شانو(BFGS) و شبکه پرسپترون چندلایه (MLP) و با در نظر گرفتن 6 نورون در لایه ورودی، 5 نورون در لایه پنهان و 1 نورون در لایه خروجی بود. با افزایش زمان انکوباسیون، دقت مدل شبکه عصبی مصنوعی به منظور پیش بینی حجم گاز تولید شده افزایش یافت. بر اساس مقادیر RMSE و R2 به دست آمده، دقیق ترین حجم گاز پیش بینی شده در زمان 36 ساعت انکوباسیون به دست آمد. کمترین دقت شبکه عصبی مصنوعی نیز در زمان 10 ساعت بعد از انکوباسیون مشاهده شد. نتیجه گیری کلی: نتایج این تحقیق نشان داد، مدل شبکه عصبی مصنوعی می تواند به عنوان یک ابزار مفید و کاربردی جهت پیش بینی حجم گاز تولیدشده در شکمبه بر اساس ترکیبات شیمیایی برخی از مواد خوراکی مورد استفاده قرار گیرد.