Simpósio 7 – Avanços em Zootecnia de Precisão Palestra 2 ... · Palestra 2 - Ambiência de...
-
Upload
truonglien -
Category
Documents
-
view
217 -
download
0
Transcript of Simpósio 7 – Avanços em Zootecnia de Precisão Palestra 2 ... · Palestra 2 - Ambiência de...
73
Simpósio7–AvançosemZootecniadePrecisão
Palestra2-AmbiênciadePrecisão:Tecnologiasdeavaliaçãoecontroleambientalemgalpões.
DaniellaMoura-UNICAMP
13:30-14:30
74
AmbiênciadePrecisão:Tecnologiasdeavaliaçãoecontroleambientalemgalpões
DaniellaJorgedeMouraUNICAMP
ThaylaMorandiRidolfiCarvalho-CuriUNICAMP
A produção de aves, suínos e bovinos tembuscado o progresso pormeio de pesquisas nas áreas degenética,instalações,nutrição,manejo,sanidadeeconfortoambiental.Todosessesestudostêmcomopropósito, compreendermelhor os fatores que influenciam o desenvolvimento e o desempenho dosanimaisparaqueseobtenhaamáximaproduçãodecarne,leiteeovoscomomenorcustodeprodução,considerando simultaneamente, o bem estar dos animais e possibilitando condições adequadas paraexpressar suas melhores características produtivas. Dentre os diversos fatores que influenciam aprodução de animal, os ambientais, como a temperatura, umidade relativa, ventilação, iluminância,radiação,entreoutros,assumemrelevanteimportâncianoprocessodecriaçãodosanimais,poissãoosque mais o afetam e são capazes de comprometer a função vital mais importante dos mesmos, ahomeotermia (AMARAL et al., 2011). É sabido que os animais atingem a sua produtividade ótimaquandosãomantidosemambientetermoneutro,ouseja,quandoaenergiadoalimentonãoédesviadapara compensar desvios térmicos em relação ao intervalo de termoneutralidade para eliminar oumanter o seu calor. Assim, o ambiente gerado pelo sistema de climatização em instalações paraproduçãoanimaldesempenhapapel fundamentalnaavicultura, suinoculturaebovinoculturaasquaisobjetivamalcançaraltaprodutividade,emespaçofísicoetempocadavezmenor.
Nestecontexto,anecessidadedocontroleeentendimentoefetivodoambienteinternonasinstalaçõesparaproduçãoanimaléaprincipalrazãodousodediferentesmétodosmatemáticoecomputacionais,taiscomoalógicafuzzy,redesneurais,mineraçãodedados,geoestatísticaeCFD-ComputationalFluidDynamics. As simulações são importantes para a previsão de problemas localizados, auxiliando naimplantação de procedimentos de controle, com o objetivo de reduzir perdas produtivas. Por outrolado,oentendimentodoambienteemqueosanimaisestãoinseridosestáatreladoaoconhecimentodeseu comportamento frente aos diversos ambientes em que estão inseridos. Juntamente aos dadosambientais,osdadoscomportamentaisnosmostramcomexatidãoopanoramaambientalqueoanimalestáinserido,paraque,emtemporeal,sepossatomardecisãodecontroledoambiente.Váriosestudosconstataram que condições climáticas inadequadas afetam consideravelmente o desempenho dos
75
animais de produção. O excesso de frio, e principalmente de calor, influenciam consideravelmente ocomportamentodosanimaishomeotermos,afetandosuasfunçõesfisiológicas/metabólicas,implicandoem uma menor produtividade, afetando seu crescimento e saúde, ocasionando aumento namortalidadeediminuindoassim,seubem-estar.Osanimais,nestesentido,atuamcomobiosensores.
Neste sentido, a Zootecnia de Precisão, antes conhecida como um sistema de gestão integrado(WATHESetal.,2008),trataaproduçãoanimalcomoumconjuntodeprocessosinterligados,queatuamemconjuntoemumaredecomplexa,sendobaseadanamonitoraçãoautomáticaecontínuadosanimaise dos processos físicos relacionados. As primeiras aplicações da zootecnia de precisão foramdesenvolvidasnaprodução intensivadesuínosedeavesemboraaabordagemsuapossaseraplicadaemqualquerespéciepecuária, incluindoproduçãoextensivaanimal.Azootecniadeprecisãopodeserutilizadapara identificaçãoanimal,monitoramentodocrescimentoanimal,produçãode leite,carneeaves, aspectosdo comportamento animal, ambiente físicodas instalaçõesdos animais e emissõesdegasespoluentes.Autoresutilizaramazootecniadeprecisãoparaavaliarocomportamentodefrangosdecorte,suínosebovinosatravésdaanálisedeimagens(SEVEGNANIetal.,2005,KASHIHAetal,2014,VIAZZI et al, 2014, OCZAK et al, 2014) que conseguiram associar a temperatura ambiente com ocomportamentodosanimaiseinclusiveconseguemutilizaremtemporealaanálisedocomportamentodo animal no controle ambiental de galpões (YOUSSEF et al, 2015, ). A aplicação da tecnologia desensores,bancodedados,modelosmatemáticosedescobertadeconhecimentonosdadosaplicadosdeformaconjuntae interligadossãocapazesdeampliaraomáximoopotencialdaproduçãodeanimaisemrelaçãoaoambiente,produção,crescimentoesaúdedesuínos,frangosdecorteegadoleiteiro.
Apreocupaçãoemseautomatizarcadavezmaisaproduçãoanimalsedevepelofatodosprofissionaisruraishojeemdia,seremresponsáveisporumnúmeroexcessivamentemaiordeanimaisquequandocomparadoaopassado, implicandoanecessidadedeautomaçãodoprocesso,envolvendooambientetérmico, aéreo, comportamento animal, índice de atividade animal, consumo de água e ração,vocalização, mortalidade, ganho de peso, índices sanitários e condições ambientais externas àsinstalações.Estastecnologiasforamempregadascomafinalidadedeauxiliaraadministração,tomadade decisão e manejo da produção animal em tempo real. Neste sentido, já são utilizados modelosmatemáticosecomputacionaiscapazesdereduziro tempoecustosnodesenvolvimentoeadaptaçãodeprojetos,permitindoestudaraspectosestruturaiseodesempenhodosanimais.
A seguir serão apresentadas algumas das metodologias consideradas de precisão para a avaliação,monitoramento,modelagemetomadadedecisãonocontroleambientaldeaviários.
1Geoestatística
Ageoestatísticaéumaferramentadaestatísticacapazdeinterpretarosresultadosbaseadanaestrutura
desuavariabilidadenaturalutilizandoamodelagemdadependênciaespacialdasvariáveispormeioda
semivariância.Osmapasdevariabilidadeespacialdedadosrevelamqueaanálisedeumúnicopontode
76
mediçãodeveser feitacomcautelaparaqueumvalorsubousuperestimadonãoseja relatadocomo
uma condição representante do fenômeno em estudo (MILES etal., 2008). Chowdhury et al. (2013)
estudaramadependênciaespacialdacolonizaçãodeCampylobactereminstalaçõesdefrangosdecorte
naDinamarca,osquais conseguiram identificar regiõescríticasondea implementaçãodemedidasde
segurança auxiliaria na redução da prevalência desta epidemiologia. Barbosa Filho et al. (2009)
estudaramadistribuiçãodas variáveis ambientais emortalidadena cargade caminhõesutilizadosno
transportedefrangosdecortenaestaçãodeinverno,sendoobservadoquenoperíododatardefoio
mais crítico. Alguns estudos têm pesquisado a variabilidade espacial das variáveis relacionadas ao
ambiente aéreo e as condições da cama no interior de galpões de produção de frangos de corte
(TASISTROetal.,2004;MILESetal.,2006;MILESetal.,2008).Silvaetal. (2013)tambémestudarama
variabilidadeclimáticaeopesodefrangosdecorteemgalpõesdotipotúneldepressãonegativa,oqual
foipossívelobservarquefatoresclimáticosetemperaturadacamadefrangoinfluenciamdiretamenteo
ganhodepesodolote.
Carvalhoetal.(2012)estudaramainfluênciadediferentessistemasdeventilaçãomínimanaambiência
térmicaeaéreanafaseinicial,oqualaviárioscomlargurasuperiora15mapresentammaioresníveisde
umidade e amônia indicando a necessidade de melhoramento do manejo do sistema de ventilação
mínima.Yanagi Júnioretal. (2011)avaliaramesepararam?setorizaramvariáveis termoacústicasede
iluminação em instalações com sistema de ventilação convencional de frango de corte onde as aves
estavam sob condições inadequadas nos horários mais quentes do dia recomendando resfriamento
evaporativo. Carvalho et al. (2011) avaliaram a qualidade de cama e do ar de frangos de corte no
primeirodiadealojamento.Observou-sequeacamadefrangocommaterialdecascadearrozecafé
sãomais indicadoseháanecessidadede intensificaraquecimento.Miragliottaetal. (2006)utilizoua
geoestatística para aplicar a análise espacial das condições do ambiente térmico, aéreo e acústico
dentrodegalpãodeproduçãodefrangodecorte,usandosistemadeventilaçãotipotúneledensidade
de18avesm-2.Nestecaso,ageoestatística foiuma ferramentacapazdeauxiliaroentendimentoda
relaçãoentrevariáveisaéreas, térmicaseacústicas.Ageoestatística tambémauxiliounaavaliaçãode
sistemadeiluminaçãoemaviáriosdefrangosdecortenoqualamelhoreficiênciaedesempenhoforam
observadosemlâmpadasfluorescentes(PEREIRAetal.,2012).
Dentro dos possíveis resultados que a geoestatística permite avaliar em galpões para a produção de
frangosdecorte,apresentadasnaFigura1,osmapasdetemperaturadeaviáriotipotúnel,BlueHouse,
DarkHouse,DoubleWideHouse(aviáriocom24mdelargura)eSolidWall(aviáriofechadoporparede).
77
ÉpossívelobservarqueoaviárioBlueHouse(Figura1-a)apresentoutemperaturamaisamenapróximo
àsentradasdearemaiselevadapróximoàssaídasdear,própriodosistemadeventilaçãotipotúnel,
indicandoquepoderiaserintensificadaanebulizaçãodomeiodoaviárioatéàsaídadearatravésdos
exaustores,umavezquenomomentodacoletadedadosaumidaderelativaestavapróximadovalorde
50%. Já o aviário Dark House (Figura 1 - b) apresenta distribuiçãomais homogênea da temperatura,
enquanto quemais uma vez foi observada temperaturamais elevada nas laterais pela resistência da
superfície em relação ao fluxo de ar e também as condições externas influenciando nas internas. A
distribuição da temperatura no aviário Double Wide House (Figura 1 - c) apresentou resultado
semelhanteaoDH.NosistemaderesfriamentodoaviárioSolidWall(Figura1–d)ocorreumbolsãode
arcomvalorentre25,40e26,30°Cnolocalizadonocentrodogalpãoàdireita,remetendodificuldade
narenovaçãodoarpróximoàsfaceslaterais.Essaanáliseépossíveldeserfeitacomtodasasvariáveis
ambientais coletadas no galpão e nos dão uma ideia muito precisa do que efetivamente está
acontecendoemtermosdeambiênciafacilitandoatomadadedecisãoecorreçãodeerrosdeprojetoe
manejo.
(a)
(b)
(c)
(d)
Figura1.MapasdekrigagemparaavariáveldetemperaturadebulboseconosaviáriosBlueHouse(a),DarkHouse(b),DoubleWideHouse(c)eSolidWall(d)noperíododoverãoàs14h00min,aosde42diasdeidadedasaves.
5 10
Distribuição do eixo X
10
20
30
40
50
60
70
80
Dis
tribu
ição
do
eixo
Y
29.50
29.70
29.90
30.10
30.30
5 1015
Distribuição do eixo X
20
40
60
80
100
120
140
Dis
tribu
ição
do
eixo
Y
22.90
23.50
24.10
24.70
25.30
5 101520
Distribuição do eixo X
20
40
60
80
100
120
140
Dis
tribu
ição
do
eixo
Y
26.10
26.50
26.90
27.30
27.70
5 10 15
Distribuição do eixo X
10
20
30
40
50
60
70
80
90
100
110
Dis
tribu
ição
do
eixo
Y
23.60
24.50
25.40
26.30
27.20
78
1.1. PosicionamentodeSensores
Aotimizaçãododesempenhodeaviáriosdefrangodecortepodeserrealizadapormeiodaavaliaçãode
parâmetrosambientaisedequalidadedoaremrelaçãoaodesempenhodasaveseconsumodeenergia
com a finalidade de que os produtores tomemdecisões baseadas em informações gerenciadas.Uma
forma de obter recomendações para a tomada de decisões seria baseando-se em informações de
sensoresposicionadosdemaneiraestratégica(CORKERYetal.,2013).Paratanto,maisumatécnicada
geoestatística foiutilizadacoma finalidadedemelhordistribuirossensoresde temperatura/umidade
nosgalpões.Nessecaso, foicalculadoo ÍndicedeTemperaturaeUmidade(ITU)paraqueossensores
pudessem ser posicionados em conjunto em locais que efetivamente dessem uma ideia da sensação
térmicadasaves.
SegundoaclassificaçãodeThom(1959),quandooÍndicedeTemperaturaeUmidadeapresenta-secom
valoresentre64e74significaqueasavesestãosobcondiçãodeconfortotérmico–ilustradanomapa
dedistribuiçãodoITUpelacorverde,enquantoquevaloresentre74e78indicamcondiçãodealerta–
ilustradanomapadedistribuiçãodoITUpelacoramarela.Valoresentre79e84indicamcondiçãode
perigo à criação– ilustradanomapadedistribuiçãodo ITUpela cor vermelhae valores acimade84
indicam situaçãodeemergência –nãohá corparaesta classificaçãopornão ternenhumvalornesta
condição.Ascoresolivaelaranjaindicamtransiçãoentreacondiçãodeconfortoparaalertaetransição
entreacondiçãodealertaparaperigo,respectivamente.
Comoexemplo,apresentamososresultadosdelocaçãodesensoresnoGalpãoDoubleWideHouse,aos
21, 28, 35 e 42 dias de vida das aves. Observa-se umamaior concentração de sensores próximos as
laterais do galpão e aos exaustores, indicando que há ummaior desconforto térmico nessas regiões
ocasionado pela influência da temperatura externa, atrito do ar com as laterais do galpão e
concentraçãodecalorpróximoaosexaustores.
Observa-seaos28dias(Figura2-b),quea88%daáreaestavasobcondiçãodeperigo.Nestecasoos
sensores foramdistribuídosem todaaextensão longitudinaldoaviário variandoentreas laterais eo
meionosentidodacoordenadaX.Asavesaos35diasdeidadeestavamsubmetidasemcondiçõesde
confortoem80%doscasoseossensoresforamposicionadospróximosàsentradasdear.Aos42diasde
vidadasavesossensoresforamlocalizadosemtodaadireçãoY,apresentandodoissensorespróximos
àsentradasdear.Nestecasoasavesestavam100%emcondiçãodealerta,segundoclassificaçãodoITU
(Figura2–d).
79
(a)
(b)
(c)
(d)
Legenda:CondiçãodoconfortotérmicoàVerde=conforto;Amarelo=Alerta;Vermelho=Perigo.Figura2.DistribuiçãodoÍndicedeTemperaturaeUmidadeparaoaviárioDoubleWideHouseparaoperíododeverão,aos21(a),28(b),35(c)e42(d)diasdeidadedofrangodecorte.
2.CFD-Dinâmicadosfluidoscomputacional
Para complementar asmetodologiasdeavaliaçãodoambientepresentenos aviários apresentamosa
Dinâmica dos Fluidos Computacional (CFD – Computational Fluid Dynamics). Esta metodologia, um
poucomaiscomplexa,éaciênciaque,atravésdecódigoscomputacionais,geraprediçõesquantitativas
defluxosbaseadasnas leisdeconservaçãodemassa,momento,espécieseenergia.Umadasgrandes
vantagens dos modelos baseados em CFD é permitir a redução do número de repetições dos
experimentoseaperfeiçoarinstalaçõesapartirdavalidaçãodosdadosexperimentais,tornando-secada
vez mais importante na agropecuária. Esta importância vem crescendo, uma vez que os principais
problemas desta ferramenta como a pouca precisão nas simulações e falta de equipamentos
computacionais adequados vêm sendo solucionados, o que tem permitido uma maior aplicabilidade
destatécnicanosúltimosanos.
AmodelagemCFDvemsendoamplamenteaplicadaemconstruçõesruraisafimdesolucionar
problemascomtrocasdeareauxiliaremumambienteadequadoàproduçãoemrelaçãoaoconforto
5 101520
X
20
40
60
80
100
120
140
Y
81.80
82.30
82.80
83.30
5 101520
X
20
40
60
80
100
120
140
Y
78.00
78.60
79.20
79.80
5 101520
X
20
40
60
80
100
120
140
Y
71.20
72.20
73.20
74.20
5 101520
X
20
40
60
80
100
120
140
Y
75.40
75.90
76.40
76.90
80
térmico, bem-estar animal e qualidadedo ar.Neste sentidopodemos citar inúmeraspesquisas, onde
simulações CFD são utilizadas para analisar fluxos de ar, levando em consideração o sistema de
ventilaçãoe as instalações animais (BLANES-VIDALet al., 2008; LEE et al., 2009; TINÔCOet al., 2010;
BUSTAMANTEetal.,2013).
Assumindoaimportânciadaconcentraçãodegasesnointeriordasinstalações,diversosestudos
têmsidofeitosparaavaliaraqualidadedoareminstalações.Pawaretal.(2007)analisaramasdoenças
presentes numa granja avícola e compararam a relação entre a difusão do gás amônia (NH3) e a
dispersãodepartículasdevírusdessaspatologias.Nortonetal.(2009)desenvolveramummodeloCFD
para estudar a ventilação natural de uma instalação de bezerros sob diferentes incidências de vento
paratrêsdiferentesaberturasdeárea.Paraissofoiutilizadoummodeloemescalareduzidaevalidadas
asprediçõesCFDdedistribuiçãodefluxodear,qualitativaequantitativa.
Foram realizadas simulações em um galpão Solid Wall ( o leitor vai saber o que é?), variando o
posicionamentoeacionamentodeexaustoresnestegalpão,observandooresultadonocomportamento
davelocidadedoar.
As simulações sãoapresentadasnasFiguras3e4.AFigura3 refere-seà condiçãooriginaldoaviário,
mostrandoaregiãodeconvergênciadaentradadoar,ondeocorreumaturbulênciaquesecorrigena
direçãodosexaustores.
81
Figura3.DistribuiçãodavelocidadedoarnaalturadasavesparaaSimulação6.
Asimulaçãooriginaléapadrãoqueoprodutorutilizaparatrocadeareasdemaissãocaracterizadas
pelo uso da mesma quantidade de exaustores da Simulação Original/Padrão enquanto que seu
posicionamentofoialteradocomoapresentadonoItem4.
Foi possível observar que a velocidade do ar apresenta maiores valores próximo aos exaustores
acionados. Também é possível observar que há pontos com baixa troca de ar nas extremidades
próximas à entrada de ar no fundo do aviário e nos exaustores que não estavam acionados na
simulação.Esseresultadosugerequequantomelhoradistribuiçãodosexaustoresacionados,menora
incidênciadasregiõescombaixarenovaçãodear.Essespontostambémsãoconhecidoscomopontos
“mortos” os quais a velocidade do ar aproxima-se de 0m s-1. A diferença entre regiões comaltos e
baixosvaloresdevelocidadedoarpodemcausardesunoformidade(estapalavraestácorreta?)dolote,
interferindonaproduçãofinal,umavezqueavelocidadedoarinfluencianasensaçãotérmicadasaves
e, por consequência, na condição de conforto térmico como estudado por Tao & Xin (2003). Desta
forma,nota-sequeasregiõesdeentradaesaídadoarsãocríticas,enquantoqueazonaintermediária
apresentaumfluxomaissuaveehomogêneodoar.
82
AFigura4mostraumcortea90,0mdopainelevaporativo,nogalpãooriginaleemumadasmelhores
simulaçõesobtidasquandoseobservaumamaiorhomogeneidadenavelocidadedoarnestepontodo
galpão.
(d)
Figura4.SituaçãooriginalesimulaçãodoCFDnosentidotransversaldoaviárioa90m(d)dopainelevaporativotraseiro.
Emexperimentorealizadoemgalpõestipotúnelparacriaçãodefemeassuínasgestantes,encontrou-se
umadistribuiçãodeardiferenciadaquandosemodificaaentradadearnogalpão.Entradasdearna
cabeceiradogalpão,permitemumamelhordistribuiçãodoarnoníveldasporcasgestantescomopode
serobservadonaFigura5.
83
Figura 5. Perfis de velocidade (a) e temperatura (b) do ar com a configuração “1in_6out-2out”, em cortelongitudinala0,9mdealtura
3RedesNeurais
Aprofundando ainda mais o controle ambiental dos aviários, as redes neurais podem ser uma
possibilidade de tecnologia embarcada nos controladores existentes no campo, como lógica mais
inteligente de controle. Gates et al. (2001) utilizaram a lógica Fuzzy que pode ser complementar às
RedesNeurais(Neuro-Fuzzy)nosistemadecontrole.
AsRedesNeuraisArtificiais(RNAs)sãoferramentasdeInteligênciaArtificialqueapresentamummodelo
matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento
atravésdaexperiência.Elaseadaptaeaprendearealizarcertatarefaoucomportamentoapartirdeum
conjunto de exemplos dados. A aplicação das RNAs torna-se bastante interessante em relação às
característicasdeste tipode ferramentas, tais como: robustez, generalização,paralelismoe tolerância
a
b
entrada de ar
entrada de ar
84
aoruído.AsRNAssãocompostasporváriasunidadesdeprocessamentodeinformaçãonasquaiscada
umarecebeumdeterminadopeso.
O aprendizado das redes neurais pode ser de forma supervisionada ou não supervisionada. No
aprendizadosupervisionado,ousuárioconferequantoa redeestápróximadeumasoluçãoaceitável,
adaptando os pesos entre os neurônios na concepção do treinamento Já no aprendizado não
supervisionado, inicialmente, as saídas da rede não são conhecidas, funcionam demodo a distinguir
classes de padrões diferentes dos dados apresentados à rede, através de algoritmos de aprendizado
baseados,geralmente,emconceitosdevizinhançaeagrupamento.
UtilizandoatécnicadeRedesNeuraisArtificiais,Roushetal.(1996)obtiveramsucessonaidentificação
de padrões de ocorrência de ascite em frangos. Vieira (2010) utilizou redes neurais para
reconhecimento de padrões relacionados a operações pré-abate para predição de perdas produtivas.
Pandorfietal.(2011)utilizaramredesneuraisparaprediçãodeíndiceszootécnicos(pesosdeleitõese
número de leitões mumificados) em relação à variáveis térmicas (temperatura de bulbo seco) e
fisiológicas de porcas gestantes (taxa respiratória). Os sistemas especialistas são cada vez mais
empregadosnaprediçãodeparâmetrosdeproduçãoanimal auxiliandona tomadadedecisão.Neste
estudo,asredesneuraisforamutilizadasnaconstruçãodeummodeloparaprediçãodavazãoidealdos
exaustoresnasgranjas frenteàs condições climáticas (temperatura,umidade relativae velocidadedo
ar) e aéreas (concentração de amônia e dióxido de carbono) internas e condições climáticas
(temperatura e umidade relativa) externas aos aviários estudados. Apresenta-se aqui os resultados
referentesaoaviárioBlueHouse,quandoosfrangosestavamnaúltimasemanaantesdoabate..
Os resultados das redes neurais apresentaram quão deveria aumentar ou diminuir a vazão dos
exaustores com a finalidade de manter as condições ambientais e aéreas internas ideais para a
produção de frango de corte, uma vez que ambientes quentes prejudicam respostas produtivas,
condiçõesmetabólicasedesaúdeeasrespostasimunológicasdosanimais,alémdaqualidadedacarne.
3.1RedesneuraisparaoaviárioBlueHouse
Omodeloderedesneuraisfoiutilizadocomopropostadeumametodologiaparacontrolemaisefetivo
doambienteinternodasgranjasdefrangodecorte,nessecaso,umaviáriotipoBlueHouse,levandoem
consideraçãoasvariáveisambientaiseaéreasemrelaçãoàvazãototalproporcionadapelosexaustores.
A rede neural apresentou três camadas, sendo a camada de entrada com15 neurônios, ou variáveis
(idade,estação,horário,temperaturaexterna,umidaderelativaexterna,temperaturainterna,umidade
85
relativainterna,velocidadedoar interna,concentraçãodeCO2interna,concentraçãodeNH3interna,
errodatemperatura,errodaumidaderelativa,errodavelocidadedoar,errodaconcentraçãodeCO2
interna e erro da concentração deNH3 interna), tendo um neurônio ou variável para na camada de
saída(vazão).
A Figura 5 apresenta os resultados de prediçãoda redeneural (linha verde seguida de triângulo) em
relaçãoàvazãodosexaustoresnomomentodacoletadedados(vermelhoseguidadequadrado),ea
diferençaentreosvaloresdavazãomedidaeestimadaemporcentagem.
É possível observar pela Figura 6 que, na maioria dos casos, o modelo da rede neural optou por
aumentar a quantidade de vazão dos exaustores (linha roxa seguida de cruzes) em 67,31%. Foi
recomendadoque,nomáximo,seaumentasseavazãodoarem92,42%atravésdosexaustores,oque
representa dobrar o número de exaustores acionados no momento da coleta de dados. Já na rede
neural, foi recomendado reduzir, nomáximo, em 19,08% a vazão do ar através dos exaustores. Esta
predição visoumelhorar as condições internas onde as aves estão alocadas em relação às condições
térmicaseaéreas,levandoemconsideraçãoascondiçõesambientaisexternastambém.
Figura6.Variaçãoentrea vazãomedidaeaestimadapelomodelode redeneuralutilizadanobancodedados(errodaprediçãonestebancodedadosigualà0,0000622).
86
4TermografiaInfravermelha
Ousodeimagenstermográficaséumatécnicaquepodeserusadaparaestimaratemperaturamédia
superficialdeumaárea,atravésdamedidadeemissãodeenergiainfravermelhadentrodeumintervalo
pré-determinado espectral. Um detector térmico converte a energia infravermelha para um sinal
elétricoproporcionalàtemperaturadasuperfície.Umagrandevantagemdométodoéofatodequeele
nãoexigeumcontatofísicodiretocomasuperfíciemonitorada,permitindoassima leituraremotada
distribuiçãodatemperatura.Sãováriasasaplicaçõesdestatécnicanaaviculturacomerciale,nestetexto
procura-seapontaralgumasdelas.
Segundo Stewart et al. (2005), a temperatura infravermelha pode detectar alterações no fluxo
sanguíneoperiférico,podendoserumaferramentaútilparaavaliaroestresseemanimais.Knížkováet
al.(2007)citamqueacâmeratermográficaécapazdedetectarvariaçõesmínimasdetemperaturacom
precisão.Comisso,autilizaçãodaanálisedetermografiainfravermelhatornapossívelidentificarpontos
de valores distintos de temperatura radiante e tem sido valiosa para o reconhecimento de eventos
fisiológicosemanimais(BOUZIDAetal.,2009).
A mensuração da temperatura através da câmera de infravermelho é feita através da detecção da
energia infravermelhaemitidaportodososmateriaisosquaisapresentamtemperaturaacimadezero
grauabsoluto(0,00°F),ouseja,17,78°Cnegativos.
A câmera infravermelha termográfica auxilia na determinação da temperatura de superfície. Esta
técnica é utilizada, pois apresenta a vantagem de mensurar a temperatura sem a necessidade do
contado, como ocorre com termômetro comum além de abrangermaiores áreas namensuração da
temperatura de superfície. Assim, a termografia é uma ferramenta poderosa para omonitoramento
remotodatemperaturaeestásendoutilizadasemváriasaplicações(IBARRAetal.,2000).
Os autores Chepete e Xin (2000) investigaram a eficácia do resfriamento do ambiente através da
nebulização na produção de poedeiras em gaiolas com idades de 20, 38 e 56 semanas de vida. A
termografia tem sido utilizada para identificar a distribuição da temperatura superficial e o calor
produzidopelosanimais (KORHONENeHARRI,1986)alémdenocasodeaves,ocalorproduzidopela
cama (XIN, 1998). Mohler e Heath (1988) também concluíram que o método da mensuração da
temperaturaatravésdacâmera infravermelhaapresentamaiorcontroleeprecisãodamensuraçãoda
temperatura de superfície enquanto que outros tipos de termômetros coletam dados pontuais de
temperatura.
87
Asimagenstermográficasapresentamemdetalhesasfontesdecalordentrodosaviários.Esseretrato
fiel do ambiente é fundamental para identificar onde se pode atuar para que as condições ideais de
temperaturaeumidadedoarsejamoferecidasaosanimais.
AFigura7,mostraumexemplodeavaliaçãotermográficadeumgalpãoondeobserva-seocalorgerado
pelo aquecedor na parte interna do galpão ultrapassando as cortinas de polietileno, demostrando o
desperdíciodecalorpelafaltadeisolamentodogalpão.
Figura7.CortinaexternadoTratamento1,(a)imagemtermográficae(b)imagemconvencional.
6.Consideraçõesfinais
Neste artigo foram apresentadas metodologias de avaliação espacial das condições ambientais de
aviáriosassimcomopropostasdemelhorcontroledesteambiente.
AAmbiênciadePrecisãoavaliaadiferençaespacialexistentenointeriordosgalpões,modelaosdadose
propõesoluçõesparaamelhoriadesteambienteemtemporeal.
Muitosestudosaindaserãorealizadosatéquesecheguepróximoaperfeiçãonoprojetoemanejodo
ambiente.Éimportantesaberdetalhadamenteoqueocorrenointeriordestesgalpõesafimdequese
consigamanejá-lodaformamaisassertivapossível.
REFERÊNCIASBIBLIOGRÁFICAS
AMARAL,A.G.etal.Effectoftheproductionenvironmentonsexedbroilersreared inacommercialhouse. Arq.Bras.Med.Vet.Zootec.,v.63,n.3,p.649-658,2011.
AYAD,S.S.Computationalstudyofnaturalventilation.JournalofWindEngineeringandIndustrialAerodynamics.v.82,n.1-3,p.49-68,1999.
88
BARBOSAFILHO,J.A.D.etal.Transportedefrangos:caracterizaçãodomicroclimanacargaduranteoinverno.R.Bras.Zootec.,v.38,n.12,2009.
BARTZANAS, T. et al. Analysis of airflow through experimental rural buildings: Sensitivity to turbulencemodels.BiosystemsEngineering,v.17,n.2,p.229-239,2007.
BJERG, B. et al.Modeling of air inlets in CFD prediction ofairflow in ventilated animal houses. Computers andElectronicsinAgriculture,v.34,p.223–235,2002.
BLANES-VIDAL,V.etal.Applicationofcomputationalfluiddynamicstothepredictionofairflowinamechanicallyventilatedcommercialpoultrybuilding.BiosystemsEngineering,v.100,n.1,p.105-116,2008.
BOUZIDA,N.;BENDADA,A.;MALDAGUE,X.P.Visualizationofbodythermoregulationby infrared imaging.JournalofThermalBiology,Oxford,v.34,n.3,p.120-126,2009.
BUSTAMANTE,E.etal.Exploringventilationefficiency inpoultrybuildings:Thevalidationofcomputational fluiddynamics(CFD)inacross-mechanicallyventilatedbroilerfarm.Energies,v.6,p.2605-2623,2013.
CARVALHO, T.M.R. et al. Litter and air quality in different broiler housing conditions. Pesq. agropec.bras.,v.46,n.4,2011.
CARVALHO,T.M.R.etal.Useofgeostatisticsonbroilerproductionforevaluationofdifferentminimumventilationsystemsduringbroodingphase.RevistaBrasileiraZootecnia,v.41,n.1,p.194-202,2012.
CHEPETE, H. J., and H. XIN. 2000. Cooling laying hens by intermittent partial surface sprinkling. Trans. ASAE.43:965–971
CHOWDHURY, S. et al. Spatio-temporal patterns ofCampylobactercolonization in Danish broilers. EpidemiologyandInfection,v.141,n.5,p.997-1008,2013.
CORKERY,G.etal.MonitoringEnvironmentalParametersinPoultryProductionFacilities.ComputerAidedProcessEngineering,CAPEForum2013,GrazUniversityofTechnology,Austria,2013.
FROST,A.R.etal.Reviewoflivestockmonitoringandtheneedforintegratedsystems.ComputersandEletronicsinAgriculture,v.17,p.139-159,1997.
IBARRA, J.G.etal.Cookedandrawchickenmeat:emissivity inthemind-infraredregion.AppliedEngineering inAgriculture,v.16,n.2,p.143-148,2000.
KASHIHA,M.,GREEN,A.,SALES,T.,BAHR,C.,BERCKMANS,D.,GATES,R.(2014).PerformanceofanImageAnalysisProcessingSystemforHenTrackinginanEnvironmentalPreferenceChamber.PoultryScience,art.nr.4078.
KNÍŽKOVÁ, I.; KUNC, P.; GÜRDÍL, G.A.K.; PINAR, Y.; SELVÍ, K.Ç. Applications of infrared thermography in animalproduction.JournaloftheFacultyofAgriculture,Kyushu,v.22,n.3,p.329-336,2007.
KORHONEN,H;HARRI,M.Heatlossoffarmedraccoondogsandbluefoxesasevaluatedbyinfraredthermographyandbodycooling.ComparativeBiochemistryandPhysiology,v.84,n.2,p.361-364,1986.
LEE, I.; SASE, S.; SUNG, S. EvaluationofCFDAccuracy for theVentilation Studyof aNaturallyVentilatedBroilerHouse.JapanAgriculturalResearchQuarterly,v.41,n.1,p.53-64,2007.
LEE, I.B.; SHORT, T. Two-dimensional numerical simulation of natural ventilation in a multi-span greenhouse.TransactionsoftheASAE,v.43,n.3,p.745-753,2009.
MILES, D.M.; BRANTON, S.L.; LOTT, B.D. Atmospheric ammonia is detrimental to the performance of moderncommercialbroilers.PoultryScience,v.83,n.10,p.1650-1654,2004.
MILES,D.M.;ROWE,D.E.;OWENS,P.R.Winterbroilerlittergasesandnitrogencompounds:Temporalandspatialtrends.Atmosphericenvironment,v.42,n.14,p.3351-3363,2008.
MILES, J.W.; CARDONA, C.; SOTELO, G. Recurrent selection in a synthetic brachiaria grass population improvesresistancetothreespittlebugspecies.CropScience,v.46,p.1088-1093,2006.
MIRAGLIOTTA,M.Y.etal.Spatialanalysisofstressconditionsinsidebroilerhouseundertunnelventilation.ScientiaAgrícola,v.63,p.426-432,2006.
MOHLER,F.S.&HEATH, J.E. (1988)Comparisonof IR thermographyandthermocouplemeasurmentofheat lossfromrabbitpinna.AmericanJournalofPhysiology,254,R389–R395.
89
NAZARENO,A.C.etal.Avaliaçãodoconforto térmicoedesempenhode frangosdecorte sob regimedecriaçãodiferenciado.RevistaBrasileiradeEngenhariaAgrícolaeAmbiental,v.13,n.6,p.802–808,2009.
NORTON,T.etal.AnalysisoftheefficiencyofnaturalventilationinaclimaticcalfhouseusingComputationalFluidDynamics.BiosystemsEngineering,p.140-143,2003.
NORTON,T.etal.Applicationsofcomputational fluiddynamics (CFD) in themodellinganddesignofventilationsystemsintheagriculturalindustry:Areview.BioresourceTechnology,v.98,n.12,p.2386-2414,2007.
OCZAK,M.,VIAZZI,S., ISMAYILOVA,G.,SONODA,L.,ROULSTON,N.,FELS,M.,BAHR,C.,HARTUNG,J.,GUARINO,M.,BERCKMANS,D.,VRANKEN, E. (2014). Classificationof aggressivebehaviour inpigsby activity indexandmultilayerfeedforwardneuralnetwork.BIOSYSTEMSENGINEERING,119,89-97.
OLIVEIRA, L.M. et al. Zoneamento bioclimático da região Sudeste do Brasil para o conforto térmico animal ehumano.EngenhariaAgrícola,v.26,p.823-831,2006.
PANDORFI, H. et al. The use of fuzzy logic for the productive environment characterization for pregnant sows.EngenhariaAgrícola,v.27,n.1,2007.
PANDORFI,H.etal.Usoderedesneuraisartificiaisparaprediçãodeíndiceszootécnicosnasfasesdegestaçãoematernidadenasuinocultura.R.Bras.Zootec.,v.40,n.3,2011.
PEREIRA, P.A. et al. Technical evaluation of artificial ligthing systems for broiler houses. EngenhariaAgrícola,v.32,n.6,2012.
ROUSH, W.B. et al. Probabilistic neural network prediction of ascites in broiler based on minimally invasivephysiologicalfactors.PoultryScience,v.76,p.1513-1516,1996.
SALLE, C.T.P. et al. Correlation between aflatoxin and ocratoxin levelswith production parameters in a poultrycompany. In:Western PoultryDisease Conference; 48. Vancouver - Canadá. Resumos; Vancouver: AmericanAssociationofAvianPathologists(AAAP);1999a;130p.
SALLE,C.T.P.etal.Estabelecimentodecritériosde interpretaçãoderesultadossorológicosdematrizesdecorteatravésdemodelosmatemáticos.RevistaBrasileiradeCiênciaAvícola,v.1,p.61-65,1999c.
SALLE,C.T.P.etal.UseofArtificialNeuralNetworkstoEstimateProductionParametersofBroilerBreedersintheBreedingPhase.BrazilianJournalofPoultryScience.v.3,n.3,p.257-264,2001.
SEO, I.H.etal. Improvementof theventilation systemofanaturallyventilatedbroilerhouse in thecold seasonusingcomputationalsimulation.BiosystemsEngineering.v.104,p.106-117.2009.
SEVEGNANI,K.B.;CARO,I.W.;PANDORFI,H.;SILVA,I.J.O.;MOURA,D.J.Zootecniadeprecisão:análisedeimagensno estudo do comportamento de frangos de corte em estresse térmico. Revista Brasileira de EngenhariaAgrícolaeAmbiental,v.9,n.1,p.115-119,2005.
SILVA, E.G. et al. Variabilidadeespacial das características ambientais epesode frangosde corte emgalpãodeventilaçãonegativa.Rev.bras.saúdeprod.anim.,v.14,n.1,2013.
SILVA, I.J.O.; GHELFI FILHO, K.; CONSIGLERO, F.R. Materiais de cobertura para instalações animais. EngenhariaRural,v.1,n.1,p.51-60,1990.
SILVA,M.P.etal.Evaluationof theevaporativepainelevaporativousage potential for theSoutheast regionofBrazil with a simplified model for the estimation of the energy balance in sheds for broiler chickens. In:Internationallivestockenvironmentsymposium,7.,2005,Beijing.Anais,Beijing:ASABE,2005,p.143-150.
STEWART,M.;WEBSTER,J.R.;SCHAEFER,A.L.;COOK,N.J.;SCOTT,S.L.Infraredthermographyasanon-invasivetooltostudyanimalwelfare.AnimalWelfare,SouthMimms,v.14,p.319-325,2005.
TAO,X.;XIN,H.Acutesynergisticeffectsofairtemperature,humidity,andvelocityonhomeostasisofmarket-sizebroilers.TransactionsoftheASAE,v.46,n.2,p.491-497,2003.
TASISTRO,A.S.;KISSEL,D.E.;BUSH,P.B.Spatialvariabilityofbroilerlittercompositioninachickenhouse.JournalofAppliedPoultryResearch,v.13,p.29-43,2004.
THOM,E.C.Thediscomfortindex.Weatherwise,v.12,n.2,p.57-60,1959.TINÔCO, I. F. F. Avicultura Industrial: Novos Conceitos de Materiais, Concepções e Técnicas Construtivas
DisponíveisparaGalpõesAvícolasBrasileiros.RevistaBrasileiradeCiênciaAvícola,v.3,n.1,2001.
90
TINÔCO, I.F.F.Agranjade frangosdecorte. In:MendesAA,Nããs IA&MacariM (Eds.)Produçãode frangosdecorte.Campinas.FACTA,2004,p.55-84.
VIEIRA, F.M.C. et al. Productive losses onbroiler preslaughter operations: effects of thedistance from farms toabattoirsando f lairage time inaclimatizedholdingarea.RevistaBrasileiradeZootecnia. v.39,p.2471-2476,2010.
VIAZZI,S.,ISMAYILOVA,G.,OCZAK,M.,SONODA,L.,FELS,M.,GURAINO,M.,VRANKEN,E.,HARTUNG,J.,BAHR,C.,BERCKMANS, D. (2014). Image feature extraction for classification of aggressive interactions among pigs.ComputersandElectronicsinAgriculture,104,57-62.
WATHES, C.M. et al. Emission of aerial pollutants in livestock buildings in Northern Europe: Overview of amultinationalproject.JournalofAgriculturalEngineeringResearch,v.70,n.1,p.3-9,1998.
WATHES,C.M.etal.Isprecisionlivestockfarminganengineer’sdaydreamornightmare,ananimal’sfriendorfoe,andafarmer’spanaceaorpitfall?Computersandelectronicsinagriculture,v.2153,p.9,2008.
WATHES,C.M.;CHARLES,D.R.LivestockHousing.Wallingford(UK):CABInternational,1994.448p.XIN,H. Surface temperaturedistributionof commercial electrical heatmats formeasurementofheat loss from
rabbitpinna.AmJPhysiolRegulIntegrCompPhysiol.,v.137,n.2,p.389-395,1988.YANAGI JÚNIOR, T. et al. Spatial characterization of thermoacoustic and luminance environment in commercial
broilerchickenhouse.EngenhariaAgrícola,v.31,n.1,2011.YOUSSEF,A,AMER,A.,EXADAKTYLOS,V.,BERCKMANS,D.(2015).Towardsreal-timecontrolofchickenactivityin
aventilatedchamber.BiosystemsEngineering,135,31-43.