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.  

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 Keywords:

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