مدلسازي عملكرد شير توليدي بر پايه الگوي مصرف انرژي به كمك سامانه استنتاج عصبي - فازي تطبيقي چند لايه

Milk yield Modeling based on energy use pattern using a multi-layer adaptive neruo-fuzzy inference system

در مطالعه حاضر، دو سامانه هوشمند شبكه عصبي مصنوعي و سامانه استنتاج عصبي- فازي تطبيقي چند لايه (انفيس) به منظور مدلسازي عملكرد شير توليدي در واحدهاي پرورش گاو شيري براساس انرژي مصرفي مورد استفاده قرار گرفت. به منظور برآورد الگوي انرژي مصرفي، اطلاعات مورد نياز از تعداد 50 واحد جمع آوري شد و معادل انرژي نهاده ها محاسبه گرديد. سپس براساس اولويت سهم هريك از نهاده ها (سوخت هاي فسيلي، الكتريسيته، نيروي انساني، ماشين ها و تجهيزات و خوراك دام) در كل انرژي مصرفي واحدهاي مورد مطالعه در طول يك سال (دوره شيردهي 305 روزه و دوره خشكي 60 روزه) خوشه بندي صورت گرفت، سامانه انفيس برنامه ريزي شد و مقادير پيش بيني شده انفيس اول به عنوان ورودي براي اجراي انفيس دوم و به همين ترتيب براي انفيس سوم درنظر گرفته شد. در نهايت با اجراي روش انفيس به صورت چند لايه عملكرد شير مدلسازي گرديد و اعتبار مدل با استفاده از پارامترهاي آماري نظير ضريب همبستگي (0/88) و مانگين درصد خطاي مطلق (0/085 درصد) مورد سنجش قرار گرفت و با روش شبكه عصبي مصنوعي مقايسه شد. نتايج نشان داد مدل سامانه استنتاج عصبي-فازي تطبيقي چند لايه نسبت به مدل شبكه عصبي مصنوعي داراي عملكرد و دقت بهتري مي باشد.

In the present study, two intelligent systems, artificial neural networks (ANNs) and multi-layer adaptive neruo-fuzzy inference system(MLANFIS) techniques were employed in order to model the produced milk of dairy farms on the basis of consuming energy. Data were collected from 50 dairy farmers for the purpose of investigating the energy use pattern. The energy equivalents of inputs were calculated as the next step. Then, inputs (fossil fuels, electricity, human labour, machinery and equipment and cows feed) were clustered based on their energy share in total energy input during a production year (305 days of lactation and 60 days of drying period) andANFIS program was written and developed. The predictedvalues of the first ANFIS network were considered as the input parameters to the second ANFIS network and so on for the ANFIS three. Finally, the milk yield was prophesied and the model validation was examined by statistical parameters, correlation coefficient (0.88) and mean absolute percentage error (0.085%). The results indicated that MLANFIS approach in contrast with ANNs method has been valid and efficient in predicting and modeling the milk yield