Utilização de algoritmos de aprendizagem de máquina para predição de absorção de água nas carcaças de frango: aplicação de redes neurais artificiais

• Ano de defesa: 2021
• Autor(a) principal: Pinto, Mariana Camargo Leal
• 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: Frango de corte; Carne - Resfriamento; Alimentos - Umidade; Redes neurais (Computação); Broilers (Chickens); Meat - Cooling; Food - Moisture; 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/1/24950

A absorção de água em carcaças de frangos tem sido pesquisada por diversos autores no que tange às interferências específicas durante as etapas do processo de resfriamento em chiller. Atender os limites previstos em legislação para absorção de água nas carcaças das aves e buscar os valores mais próximos previstos pela legislação, implicam benefícios econômicos para as indústrias, aumentando a lucratividade e qualidade do produto. No estudo proposto foi utilizado o algoritmo de aprendizagem de máquina, um dos modelos de redes neurais artificiais, para predizer os valores e classificar as variáveis com maior influência de absorção de água em carcaças de frango de uma planta industrial, auxiliando os gestores da planta a tomar decisões. Como resultado, foi possível identificar a RNA com melhor desempenho para absorção de água, sendo os critérios utilizados para avaliar os resultados obtidos o coeficiente de correlação (R) entre os valores preditos e experimentais e o erro médio quadrático (RMSE). Para o dripping test, os coeficientes de correlação, tanto para Cross Validation quanto para Percentage Split, apresentaram valores próximos (R 0,3902 e R 0,4207), os quais são considerados baixos quando comparado aos resultados obtidos para absorção de água. Com relação à predição dos valores de absorção de água nas carcaças, a aplicação do Multilayer Perceptron teve boa evolução conforme foram sendo realizados ajustes no algoritmo através do software Weka, apresentando coeficientes de correlação de 0,95, utilizando 1 camada oculta com quatro (4) neurônios e três mil (3.000) épocas de treinamento. O algoritmo de rede neural identificou as variáveis - massa média, tempo de retenção no pré chiller, temperatura do pré chiller e temperatura de escaldagem; as quais influenciam no processo de absorção de água sendo que a literatura corrobora com as variáveis levantadas no estudo.