Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/26552
Título: Avaliação dos impactos dos fatores de pré-abate no dripping test de frango utilizando redes neurais artificiais
Título(s) alternativo(s): Evaluation of the impacts of pre-slilling factors on the dripping test of chicken using artificial neural networks
Autor(es): Silva, Thiago Flores
Orientador(es): Alfaro, Alexandre da Trindade
Palavras-chave: Indústria avícola
Frango de corte
Água - Absorção e adsorção
Redes neurais (Computação)
Poultry industry
Broilers (Chickens)
Water - Absorption and adsorption
Neural networks (Computer science)
Data do documento: 4-Ago-2021
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Londrina
Citação: SILVA, Thiago Flores. Avaliação dos impactos dos fatores de pré-abate no dripping test de frango utilizando redes neurais artificiais. 2021. Dissertação (Mestrado em Tecnologia de Alimentos) - Universidade Tecnológica Federal do Paraná, Londrina, 2021.
Resumo: O crescente aumento no consumo mundial de carne de frango tem por consequência um aumento na produção e na exigência do consumidor por qualidade atendendo os atributos sensoriais. A qualidade da carne é controlada por parâmetros físico-químicos de aparência, textura, pH e suculência e é diretamente ligada as reações bioquímicas pós mortem da ave. Com o aumento da demanda, as empresas necessitam se manter competitivas. Dentro do processo de abate de aves, durante o resfriamento em imersão em água, cada carcaça pode ganhar até 8% em absorção em água e o parâmetro de controle é a perda por gotejamento (dripping test) não podendo ultrapassar 6%, conforme legislação do MAPA. Um problema recorrente na indústria, é o não atendimento do dripping test, extrapolando os 6%, gerando elevada perda econômica. O presente trabalho teve por objetivo avaliar os impactos e identificar os fatores pré-abate que apresentam influência na absorção de água de carcaças de frango, utilizando redes neurais artificiais. Para o desenvolvimento, foi utilizado o algoritmo Multilayer Perceptron que compõe o programa Weka versão 3.8.3 para identificar as variáveis de pré-abate. Com o estudo verificou-se que o método de Percentage Split apresentou melhores resultados que o Cross Validation, uma vez que utiliza 70% dos dados para treinamento da RNA, ao contrário do Cross Validation que utiliza 100% para validação, não exercendo o treinamento da rede. A melhor estrutura de rede encontrada foi com duas camadas ocultas com 20 e 10 neurônios por camada com 500 épocas, resultando em correlação (R) de 0,6138 e RMSE 0,1064. As variáveis com maior impacto foram o coeficiente de absorção, temperatura de galpão, temperatura ambiente externo, tempo de espera no galpão e distância de transporte, desse modo, demonstrando que o estresse térmico das aves tem influência direta na absorção de água de carcaças de frango.
Abstract: The growing increase in the world consumption of chicken meat has, as a consequence, an increase in production and consumer demand for quality, taking into account sensory attributes. Meat quality is controlled by physical-chemical parameters of appearance, texture, pH and succulence and is directly linked to the bird's post mortem biochemical reactions. With the increase in demand, companies need to remain competitive. Within the poultry slaughter process, during cooling in water immersion, each carcass can gain up to 8% in water absorption and the control parameter is the loss by dripping test, not exceeding 6%, according to the legislation of the MAP. A recurrent problem in the industry is the non-compliance with the dripping test, exceeding 6%, generating a high economic loss. The present work aimed to evaluate the impacts and identify the pre-slaughter factors that influence the water absorption of chicken carcasses, using artificial neural networks. For the development, the Multilayer Perceptron algorithm that composes the program Weka version 3.8.3 was used to identify the pre-slaughter variables. With the study it was found that the Percentage Split method presented better results than the Cross Validation, since it uses 70% of the data for ANN training, unlike the Cross Validation which uses 100% for validation, not exercising the training of the network. The best network structure found was with two hidden layers with 20 and 10 neurons per layer with 500 epochs, resulting in correlation (R) of 0.6138 and RMSE 0.1064. The variables with the greatest impact were absorption coefficient, house temperature, outdoor temperature, house waiting time, transport distance, demonstrating that the thermal stress of birds has a direct influence on the water absorption of chicken carcasses.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/26552
Aparece nas coleções:LD - Programa de Pós-Graduação em Tecnologia de Alimentos

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
drippingtestredesneurais.pdf2,71 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons