پيش‌بيني حجم توليد گاز در شكمبه با استفاده از شبكه عصبي مصنوعي

مقدمه: آگاهي از كينتيك هضم خوراك در شكمبه، اطلاعات مفيدي در خصوص ارزش غذايي مواد خوراكي ارائه مي دهد. براي اين منظور از روش هاي مختلفي استفاده مي شود كه يكي از كاربردي ترين آن‌ها آزمون توليد گاز مي باشد. گزارش‌شده است كه حجم گاز توليدشده در شكمبه، ارتباط مستقيمي با تركيب شيميايي مواد خوراكي دارد. لذا هدف از اين مطالعه بهره‌گيري از مدل شبكه عصبي مصنوعي (ANN) جهت پيش‌بيني حجم گاز توليد شده در شكمبه بر اساس تركيبات شيميايي برخي مواد خوراكي مورد استفاده در تغذيه نشخواركنندگان مي‌باشد. مواد و روش‌ها: براي انجام اين آزمايش از تعداد 25 ماده خوراكي مختلف استفاده شد. ابتدا تركيبات شيميايي اين مواد خوراكي با استفاده از روش هاي استاندارد تعيين شد. سپس، حجم گاز توليدشده در آن‌ها در 3 تكرار و 3 دوره جداگانه 96 ساعته در قالب آزمون توليد گاز اندازه گيري گرديد. تركيبات شيميايي مواد خوراكي (شامل درصد ماده آلي، پروتئين خام، چربي خام، ديواره سلولي، ديواره سلولي بدون همي سلولز و كربوهيدرات هاي غير فيبري) به‌عنوان لايه ورودي و حجم گاز توليدشده (در ساعت هاي 2، 4، 6، 8، 10، 12، 16، 20، 24، 36، 48، 72 و 96 بعد از انكوباسيون) به‌عنوان لايه خروجي در ANN در نظر گرفته شد. به‌منظور تعيين بهترين ساختار ANN از آماره‌هاي ريشه دوم ميانگين مربعات خطا (RMSE) و ضريب تعيين R2)) در بخش آموزش و آزمون ANN استفاده گرديد. نتايج و بحث: مطابق نتايج به‌دست‌آمده، بهترين ساختار شبكه با الگوريتم آموزشي برويدن-فلچر- گلدفارب و شانو(BFGS) و شبكه پرسپترون چندلايه (MLP) و با در نظر گرفتن 6 نورون در لايه ورودي، 5 نورون در لايه پنهان و 1 نورون در لايه خروجي بود. با افزايش زمان انكوباسيون، دقت مدل شبكه عصبي مصنوعي به‌منظور پيش‌بيني حجم گاز توليد شده افزايش يافت. بر اساس مقادير RMSE و R2 به‌دست‌آمده، دقيق‌ترين حجم گاز پيش‌بيني‌شده در زمان 36 ساعت انكوباسيون به دست آمد. كمترين دقت شبكه عصبي مصنوعي نيز در زمان 10 ساعت بعد از انكوباسيون مشاهده شد. نتيجه‌گيري كلي: نتايج اين تحقيق نشان داد، مدل شبكه عصبي مصنوعي مي‌تواند به‌عنوان يك ابزار مفيد و كاربردي جهت پيش بيني حجم گاز توليدشده در شكمبه بر اساس تركيبات شيميايي برخي از مواد خوراكي مورد استفاده قرار گيرد.