Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/28612| Título: | Otimização do clima avícola para maior produtividade |
| Título(s) alternativo(s): | Optimization of poultry climate for greater productivity |
| Autor(es): | Ceretta, Gean Michel |
| Orientador(es): | Casanova, Dalcimar |
| Palavras-chave: | Aprendizado do computador Estratégias de aprendizagem Aves - Criação Banco de dados Algoritmos genéticos Machine learning Learning strategies Aviculture Data bases Genetic algorithms |
| Data do documento: | 11-Nov-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | CERETTA, Gean Michel. Otimização do clima avícola para maior produtividade. 2021. Trabalho de Conclusão de Curso (Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2021. |
| Resumo: | Métodos de aprendizagem de máquina, busca e mutação foram empregados para encontrar parâmetros de ambiência (também chamados de planos de ação) para controladores de aviários de frango de corte, capazes de proporcionar maiores ganhos de peso por consumo de alimento, com o potencial de aumentar a produtividade. Configurar parâmetros de temperatura e umidade que sejam capazes de trazer o conforto térmico necessário para o bom desenvolvimento dos frangos tradicionalmente depende do conhecimento empírico de um especialista em manejo. O estudo aqui realizado baseia-se em literaturas anteriores de aplicação métodos de aprendizagem de máquina, busca e otimização utilizando algoritmos genéticos, porém empregados a uma base de dados reais de empresa de automação do setor avícola, coletados de forma automática, abordando desde as etapas de engenharia de dados, seleção das características relevantes para aprendizagem, treinamento do modelo de aprendizagem, previsão da produtividade baseado em parâmetros de ambiência, busca e mutação utilizando algoritmos genéticos para obter candidados a planos de ação para maior produtividade. Ao final, a produtividade prevista para o plano de ação proposto é comparada com amostra da base de dados e com a literatura. Também são aprensentados aspectos que poderiam melhorar as previsões para trabalhos futuros na área. |
| Abstract: | Machine learning, search and mutation methods were applied to find ambience parameters (also called action plans) for broiler house controllers, capable of providing greater weight gains by feed consumption, with the potential to increase productivity. Setting temperature and humidity parameters that are capable of providing the necessary thermal comfort for the good development of broilers traditionally depends on the empirical knowledge of a poultry specialist. The study carried out here is based on previous literature on the application of machine learning, search and optimization methods using genetic algorithms, but applied to a real database of an automation company in the poultry sector, collected automatically, covering the stages of data engineering, selection of relevant learning characteristics, learning model training, productivity prediction based on ambience parameters, search and mutation using genetic algorithms to obtain candidates for action plans for higher productivity. At the end, the expected productivity for the proposed action plan is compared with a sample from the database and with the literature. Aspects that could improve forecasts for future work in the area are also presented. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/28612 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| otimizacaoclimaavicolaprodutividade.pdf | 3,89 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
