استفاده از مدل ریاضی گمپرتز برای تخمین پارامترهای رشد جوجه های گوشتی تغذیه شده با مقادیر مختلف دانه شاهدانه (Cannabis sativa L.) و مقایسه آن با شبکه عصبی مصنوعی

چکیده مبسوط مقدمه و هدف: این آزمایش به منظور بررسی اثر مصرف سطوح مختلف جیره ای دانه شاهدانه  (Cannabis sativa L.) بر پارامتر­های رشد جوجه ­های گوشتی برآورد شده توسط مدل ریاضی گمپرتز و شبکه عصبی مصنوعی انجام گرفت. مواد و روش ها: در این پژوهش از ۱۹۲ قطعه جوجه خروس یک روزه (Ross ۳۰۸) با چهار تیمار جیره ای شاهد (فاقد شاهدانه)، ۲/۵ درصد، ۵ درصد و ۷/۵ درصد شاهدانه در چهار تکرار (هرتکرار شامل ۱۲ قطعه جوجه) در قالب طرح کاملا تصادفی استفاده شد. در طول دوره پرورش جوجه ها به آب و خوراک دسترسی آزاد داشتند. برای ارزیابی پارامترهای رشد، وزن تجمعی بدن پرندگان با مدل گمپرتز برازش شد. یافته ها: نتایج نشان داد که سطوح مختلف دانه شاهدانه  اثر معنی­ داری بر پارامترهای رشد در جوجه­ های گوشتی نداشت. نرخ رشد در هفته­ های اول تا پنجم دوره پرورش جوجه ­های گوشتی به طور معنی داری تحت تاثیر افزودن جیره­ای دانه شاهدانه  قرار گرفت. نتایج مقایسه شاخص­ های نکوئی مدل­ها نشان داد که مدل غیرخطی گمپرتز با داشتن ضریب تعیین بالاتر و میانگین مربعات خطا، میانگین انحراف مطلق، میانگین درصد خطای مطلق و اریبی کمتر در مقایسه با شبکه عصبی مصنوعی، برآورد بهتری از وزن جوجه­ های گوشتی دارد. نتیجه گیری: نتایج این پژوهش نشان داد که سطوح مختلف جیره­ای دانه شاهدانه اثر معنی ­داری بر فراسنجه ­های رشد جوجه­ های گوشتی شامل ضریب رشد نسبی، وزن زنده در زمان بلوغ، نقطه عطف منحنی رشد و وزن بدن در زمان نقطه عطف منحنی رشد نداشت. نرخ رشد در هفته­ های اول تا پنجم دوره پرورش جوجه­ های گوشتی به طور معنی­ داری تحت تاثیر افزودن جیره­ای دانه شاهدانه  قرار گرفت. از طرفی نتایج این تحقیق حاکی از این بود که مدل گمپرتز توانست وزن ۴۲ روزگی جوجه­ های گوشتی را با دقت بیشتری در مقایسه با مدل شبکه عصبی مصنوعی برآورد کند.  

کلیدواژه ها:

Artificial neural network ، Broiler chicken ، Gompertz model ، Hemp seed ، جوجه گوشتی ، شاهدانه ، شبکه عصبی مصنوعی ، مدل گمپرتز