Avaliação dos impactos dos fatores de pré-abate no dripping test de frango utilizando redes neurais artificiais

• Ano de defesa: 2021
• Autor(a) principal: Silva, Thiago Flores
• Orientador(a): Alfaro, Alexandre da Trindade
• Banca de defesa: Alfaro, Alexandre da Trindade , Canan, Cristiane , Parteca, Sandro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Londrina
• Programa de Pós-Graduação: Programa de Pós-Graduação em Tecnologia de Alimentos
• País: Brasil
• Palavras-chave em Português: Indústria avícola; Frango de corte; Água - Absorção e adsorção; Redes neurais (Computação); Poultry industry; Broilers (Chickens); Water - Absorption and adsorption; Neural networks (Computer science)
• Área do conhecimento CNPq: CNPQ::CIENCIAS AGRARIAS::CIENCIA E TECNOLOGIA DE ALIMENTOS::TECNOLOGIA DE ALIMENTOS
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/26552

O crescente aumento no consumo mundial de carne de frango tem por consequência um aumento na produção e na exigência do consumidor por qualidade atendendo os atributos sensoriais. A qualidade da carne é controlada por parâmetros físico-químicos de aparência, textura, pH e suculência e é diretamente ligada as reações bioquímicas pós mortem da ave. Com o aumento da demanda, as empresas necessitam se manter competitivas. Dentro do processo de abate de aves, durante o resfriamento em imersão em água, cada carcaça pode ganhar até 8% em absorção em água e o parâmetro de controle é a perda por gotejamento (dripping test) não podendo ultrapassar 6%, conforme legislação do MAPA. Um problema recorrente na indústria, é o não atendimento do dripping test, extrapolando os 6%, gerando elevada perda econômica. O presente trabalho teve por objetivo avaliar os impactos e identificar os fatores pré-abate que apresentam influência na absorção de água de carcaças de frango, utilizando redes neurais artificiais. Para o desenvolvimento, foi utilizado o algoritmo Multilayer Perceptron que compõe o programa Weka versão 3.8.3 para identificar as variáveis de pré-abate. Com o estudo verificou-se que o método de Percentage Split apresentou melhores resultados que o Cross Validation, uma vez que utiliza 70% dos dados para treinamento da RNA, ao contrário do Cross Validation que utiliza 100% para validação, não exercendo o treinamento da rede. A melhor estrutura de rede encontrada foi com duas camadas ocultas com 20 e 10 neurônios por camada com 500 épocas, resultando em correlação (R) de 0,6138 e RMSE 0,1064. As variáveis com maior impacto foram o coeficiente de absorção, temperatura de galpão, temperatura ambiente externo, tempo de espera no galpão e distância de transporte, desse modo, demonstrando que o estresse térmico das aves tem influência direta na absorção de água de carcaças de frango.