Estudio: el aprendizaje automático utilizado en las fábricas de piensos puede optimizar la calidad de los gránulos

Apr 03, 2023

10-ene-2023 - Última actualización el 10-ene-2023 a las 15:19 GMT

Etiquetas relacionadas función de molino de alimentación de aprendizaje automático de calidad de pellets sanitize_gpt_value2 (gptValue) { var vOut = ""; var aTags = gptValue.split(','); var reg = new RegExp('\\W+', "g"); para (var i=0; i

Dicho modelo podría usarse dentro de la fábrica de piensos para predecir el índice de calidad de los gránulos para un lote determinado de pienso, que a su vez es un indicador clave de rendimiento (KPI) útil para la gestión eficiente de la fábrica, dijeron los autores, con sede en la Universidad de Guelph. y Trouw Nutrition, Canadá.

Dicen que su artículo, publicado en la edición de noviembre de 2022 deCiencia y tecnología de la alimentación animal​, describe el primer uso de modelos de regresión de aprendizaje automático para predecir el índice de durabilidad de los gránulos, basado en un conjunto de datos multifactorial.

La fabricación de alimentos granulados implica una serie de procesos, que incluyen la recepción de alimentos, la molienda, la dosificación, la mezcla, el acondicionamiento, la conversión de gránulos, el enfriamiento y el envasado. Durante estos procesos, varios parámetros desempeñan un papel crucial en la determinación de la calidad de los gránulos, incluidas las especificaciones de la matriz, el tamaño de las partículas de los ingredientes, el tiempo de acondicionamiento y la temperatura.

"Los alimentos granulados se usan ampliamente en los sistemas de producción de animales monogástricos porque no solo mejoran el rendimiento animal al aumentar la digestibilidad y el consumo de alimentos, sino que también son convenientes para almacenar y manipular. Sin embargo, la calidad de los gránulos puede verse afectada por muchos factores".

El aprendizaje automático (ML), como un subcampo de la inteligencia artificial (IA), se posiciona de manera óptima como una herramienta de predicción que puede considerar una gran cantidad de variables impulsoras e interacciones complejas entre variables, dijeron los investigadores.

Dichos modelos ML pueden aprender de los datos, predecir y generalizar sin estar programados explícitamente para hacerlo (Samuel, 1959), señalaron.

En este estudio actual, se utilizaron modelos ML para predecir el índice de durabilidad de los gránulos (PDI) en función de la formulación del alimento, el proceso de fabricación y los factores ambientales específicos asociados con el PDI en una fábrica de alimentos comerciales.

Se recopiló un conjunto de datos que consta de 2471 observaciones que describen el proceso de fabricación de gránulos, la formulación del alimento y las condiciones ambientales (temperatura exterior) de dos líneas de fábricas de alimentos durante ocho meses.

Se utilizaron dieciséis características para construir los modelos de regresión, y el resultado fue el índice de durabilidad de gránulos (PDI) de los alimentos granulados, explicó el equipo.

Se examinaron doce algoritmos de regresión como parte del proyecto, mientras que se utilizaron herramientas analíticas para identificar qué características eran más relevantes para cada modelo.

Para la mayoría de los algoritmos, la temperatura exterior promedio, la inclusión de subproductos de panadería, la inclusión de trigo y la línea de producción se consideraron importantes y tuvieron una importancia general mayor que todas las demás características, según los autores.

"Curiosamente, y quizás en contraste con las expectativas de la industria, se descubrió que la grasa añadida a la mezcladora era menos importante que la mayoría de las características. Sin embargo, los controles en el molino, que ponen un límite superior a la grasa que se puede añadir a la mezclador, podría explicar parcialmente este resultado".

Desde una perspectiva de rendimiento relacionada con las predicciones del índice de durabilidad de los gránulos, un modelo, la regresión del vector de soporte, superó a todos los demás, dijeron.

Sin embargo, los investigadores enfatizaron que, si bien se incluyeron en el estudio algunos factores relacionados con la formulación del alimento, otros, como la composición de nutrientes de las dietas, tampoco estaban disponibles.

"Estos factores que faltan pueden proporcionar más información en comparación con los detalles de la formulación del alimento, ya que la composición de nutrientes del alimento puede ser variable y la formulación del alimento puede cambiar con las estaciones. Agregar tales factores como características en modelos futuros podría ayudar a mejorar aún más el rendimiento de la predicción del PDI".​

Si bien reconocen que los estudios de investigación controlados pueden tener una capacidad limitada para considerar las numerosas interacciones presentes en el entorno de una fábrica de alimentos comerciales, los autores dijeron que creen que su trabajo demuestra la utilidad práctica potencial de los métodos ML para abordar un desafío común en la fabricación de alimentos: la predicción de la calidad de los gránulos. y mejora

"El objetivo final de aplicar ML en las fábricas de piensos es 'optimizar' la calidad de los gránulos al tiempo que se tienen en cuenta factores de compensación como el coste del ingrediente del pienso, el uso de energía de la fábrica, la eficiencia de la fábrica, las emisiones de gases de efecto invernadero (GEI) y el rendimiento animal aguas abajo En el futuro, los métodos de aprendizaje automático combinados con algoritmos de optimización pueden ayudar a las fábricas de piensos a lograr una producción sostenible y rentable de piensos granulados".

Copyright - A menos que se indique lo contrario, todos los contenidos de este sitio web son © 2023 - William Reed Ltd - Todos los derechos reservados - Los detalles completos para el uso de materiales en este sitio se pueden encontrar en los Términos y condiciones

Temas relacionadosI+D