Gestão da produção de frangos de corte por meio de redes neurais artificiais

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Pinheiro, Tassio Carneiro lattes
Orientador(a): Santos, José Airton Azevedo dos lattes
Banca de defesa: Santos, José Airton Azevedo dos lattes, Pasa, Leandro Antonio lattes, Müller, Marcos Ricardo lattes, Tonin, Paulo César lattes
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Tecnológica Federal do Paraná
Medianeira
Programa de Pós-Graduação: Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio
Departamento: Não Informado pela instituição
País: Brasil
Palavras-chave em Português:
Área do conhecimento CNPq:
Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/25458
Resumo: Atualmente, o ambiente globalizado e altamente competitivo impõe as empresas produtoras de frango dois grandes desafios: a otimização de recursos e a redução dos custos. Neste contexto, este trabalho tem por objetivo utilizar redes neurais artificiais e regressão linear múltipla para análise e previsão de variáveis produtivas de frangos de corte de uma agroindústria paranaense. Analisa-se também, a aplicabilidade de redes neurais recorrentes na previsão do preço do quilo do frango congelado e resfriado. A base de dados disponibilizada pela empresa apresenta um histórico de movimentação de 2 anos, contendo as principais variáveis de produção, para 4650 lotes de aves das linhagens Coob, Coob Faste Coob Slow. Na análise da aplicabilidade de redes neurais recorrentes utilizou-se, neste trabalho,duas bases de dados,com preços mensais, compreendidas entre janeiro de 2008 e dezembro de 2019, representando 132 observações. Os resultados obtidos mostram que os modelos de previsão fornecem estimativas confiáveis para as variáveis de resposta: Peso Médio e Índice de Eficiência Produtiva e demonstram a eficácia das previsões, da rede recorrente LSTM, para o preço do quilo do frango congelado e resfriado, para um horizonte de curto prazo.