GESTÃO DA PRODUÇÃO DE FRANGOS DE CORTE POR MEIO DE REDES NEURAIS ARTIFICIAIS

Autores

DOI:

https://doi.org/10.15628/holos.2020.9043

Palavras-chave:

redes neurais artificiais, frangos de corte, agroindústria

Resumo

Atualmente, o ambiente globalizado e altamente competitivo impõe as empresas produtoras de frango dois grandes desafios: a otimização de recursos e a redução dos custos. Neste contexto, este trabalho tem por objetivo implementar modelos de redes neurais artificiais e regressão linear múltipla para análise e previsão de variáveis produtivas de frangos de corte. Analisa-se também, a aplicabilidade de redes neurais recorrentes na previsão do preço do quilo do frango congelado e resfriado. A base de dados disponibilizada pela empresa apresenta um histórico de movimentação de 2 anos, contendo as principais variáveis de produção, para 4500 lotes de aves das linhagens Coob, Coob Fast e Coob Slow. Na análise da aplicabilidade de redes neurais recorrentes utilizou-se um banco de dados de 10 anos fornecido pelo Centro de Estudos Avançado de Economia Aplicada (CEPEA). Os resultados obtidos mostram que os modelos de previsão fornecem estimativas confiáveis para as variáveis de resposta: Peso Médio e Índice de Eficiência Produtiva e demonstram a eficácia das previsões, da rede recorrente LSTM, para o preço do quilo do frango congelado e resfriado, para um horizonte de curto prazo.

Downloads

Não há dados estatísticos.

Métricas

Carregando Métricas ...

Biografia do Autor

Tassio Carneiro Pinheiro, Universidade Tecnológica Federal do Paraná (UTFPR)

Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio (PPGTCA)

José Airton Azevedo dos Santos, Universidade Tecnológica Federal do Paraná (UTFPR)

Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio (PPGTCA)

Leandro Antonio Pasa, Universidade Tecnológica Federal do Paraná (UTFPR)

Departamento de Engenharia Elétrica

Referências

Associação Brasileira de Proteína Animal (ABPA). (2018) Relatório Anual Completo. Disponível em: http://abpa-br.com.br/files/ Relatório Anual_ UBABEF_2015_DIGITAL.pdf. Acesso em: 12 out 2018.

AZARIAS, P.; MATOS S. N.; SCANDELARI, L. (2009) Aplicação de mineração de dados para geração do conhecimento: um experimento prático. In Anais... V Congresso Nacional de Excelência em Gestão. Niterói RJ.

BASTIANI, M.; SANTOS, J. A. A.; SCHMIDT, C. A P.; SEPULVEDA, G. P. L. (2018) Application of data mining algorithms in the management of the broiler production. Geintec. 8(4), 4574-4587.

BRAGA, A. (2019) Aplicando o Algoritmo de Memória de Longo Prazo para Previsualizar a Perda de Capacidade de Termorregulação em Colônias de Abelhas. . In Anais... X Workshop de Computação Aplicada a Gestão do Meio Ambienet e Recursos Naturais. Porto Alegre RS.

CANKURT, S.; SUBASI, A. (2015) Comparasion of linear regression and neural network models forecasting tourist arrivals to turkey. Eurasian Journal of Science & Engineering.

CENTRO DE ESTUDOS AVANÇADOS EM ECONOMIA APLICADA (CEPEA). Preço do frango CEPEA/ESALQ - Estado SP. Disponível em: https://www.cepea.esalq.usp.br/br/indicador/frango.aspx. Acesso em: 19 set 2019.

HAYKIN, S. (2005) Neural networks: a comprehensive foundation. New Delhi: Pearson Prentice Hall.

HEIDARI, A. A. (2019) An efficient hybrid multilayer perceptron neural network with grasshopper optimization. Soft Computing. 23(17), 7941-7958.

JÚNIOR, J. G. G; BENTO, E. F.; SOUZA, A. F. (2009) Diagnóstico da realidade dos criatórios de aves na comunidade base física - Ipanguaçu/RN. Revista Holos. 4(1), 120-126.

KARIM, F. (2017) LSTM Fully Convolutional Networks for Time Series Classification. IEEE Access. 6(1), 1662-1669.

MENEZES, N. N. C. (2014) Introdução a programação com Python. São Paulo: Novatec.

SANTOS, R. B.; RUPP, M., BONZI, S. J.; FILETI, A. M. F. (2013) Comparision between multilayer feedforward neural networks and a radial basis function network to detect and locate leaks in pipeles transporting gás. Chemical Enginering Transactions. 32(1), 1375-1380.

SEBASTIAN, S. (2016) Performance evaluation by artificial neural network using WEKA. International Research Journal of Engineering and Technology, 3(3), 1459-1464.

SING, G. P.; KUMAR, R.; SHARMA, A. (2017) QSAR Studies of breast carcinoma using artificial neural network, bayesian classifier and multiple linear regression. International Research Journal of Engineering and Technology, 4(5), 1443-1447.

SOBRINHO, R. F. (2010) Competitividade na cadeia de valor da avicultura de corte. Dissertação de mestrado. Toledo, PR, UNIOESTE.

UBA, União Brasileira de Avicultura. (2008) Protocolo de Boas Práticas de Produção de Frangos. São Paulo: UBA.

ZAO, Z. (2017) LSTM network: a deep learning approach for short-term traffic forecast. IET Intelligent Transport Systems. 11(2), 68-75.

Downloads

Publicado

01/04/2020

Como Citar

Pinheiro, T. C., Azevedo dos Santos, J. A., & Pasa, L. A. (2020). GESTÃO DA PRODUÇÃO DE FRANGOS DE CORTE POR MEIO DE REDES NEURAIS ARTIFICIAIS. HOLOS, 2, 1–15. https://doi.org/10.15628/holos.2020.9043

Edição

Seção

ARTIGOS