73

Simpósio7–AvançosemZootecniadePrecisão

Palestra2-AmbiênciadePrecisão:Tecnologiasdeavaliaçãoecontroleambientalemgalpões.

DaniellaMoura-UNICAMP

13:30-14:30

74

AmbiênciadePrecisão:Tecnologiasdeavaliaçãoecontroleambientalemgalpões

DaniellaJorgedeMouraUNICAMP

daniella.moura@feagri.unicamp.br

ThaylaMorandiRidolfiCarvalho-CuriUNICAMP

thaylamrcarvalho@hotmail.com

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.