Estimación de las emisiones de amoniaco en galpones avícolas, usando un modelo neuronal artificial

Abstract

En los últimos años la industria avícola ha experimentado tanto a nivel mundial como en Colombia un importante crecimiento, lo cual unido a la exigencia de la normatividad ambiental vigente conlleva al control y disminución de las emisiones de amoniaco dentro de los galpones. El amoniaco proveniente de las deyecciones puede afectar a las aves y a las personas generando problemas de salud y pérdidas económicas en dicha industria. La cantidad de la emisión de amoniaco depende de las condiciones ambientales y de diversas variables de diseño y operación presentes en las actividades avícolas. En este trabajo, para la predicción de la emisión de amoniaco liberadas al aire dentro de galpones para aves de postura y engorde, se elaboraron redes neuronales artificiales multicapa feedforward – backpropagation, evaluando su desempeño a partir del coeficiente de correlación lineal R. Posteriormente, se usó la red neuronal seleccionada y entrenada para analizar la influencia de diferentes variables en la generación de emisiones de NH3. Se analizaron las variables ambientales; temperatura, humedad relativa, pH, flujo de aire. Las variables de operación; densidad, tiempo de acumulación del estiercol, consumo de proteína, raza de las aves y factores de diseño como el tipo de ventilación, tipo de galpón y tipo de cama, se sugirieron algunas condiciones de operación para reducir las emisiones de NH3. Los resultados de correlación entre las emisiones reales y estimadas por la red neuronal (R=0.99), muestran que la herramienta computacional desarrollada es confiable en la predicción de las emisiones y abre una agenda futura para la optimización y diseño de ambientes controlados mediante aprendizaje de máquinas basadas en redes neuronales (texto tomado de la fuente).

In the last years, the poultry industry has experienced significant growth both worldwide and in Colombia, which together with the requirement of current environmental regulations leads to the control and reduction of ammonia emissions within the sheds. Ammonia from manure can affect birds and people, causing health problems and economic losses in this industry. The amount of ammonia emission depends on environmental conditions and various design and operating variables present in poultry activities. In this work, for the prediction of the ammonia emission released into the air within sheds for laying and fattening birds, feedforward - backpropagation multilayer artificial neural networks were elaborated, evaluating their performance from the linear correlation coefficient R. used the selected and trained neural network to analyze the influence of different variables on the generation of NH3 emissions. The environmental variables were analyzed; temperature, relative humidity, pH, air flow. The operation variables; Density, manure accumulation time, protein consumption, breed of birds and design factors such as type of ventilation, type of house and type of litter, some operating conditions were suggested to reduce NH3 emissions. The correlation results between the real and estimated emissions by the neural network (R = 0.99), show that the computational tool developed is reliable in the prediction of emissions and opens a future agenda for the optimization and design of controlled environments through learning of machines based on neural networks. Keywords: droppings; ammonia; environmental conditions; poultry industry; artifi