Étude : L'apprentissage automatique utilisé dans les usines d'aliments pour animaux peut optimiser la qualité des granulés

Dec 09, 2023

10-janv.-2023 - Dernière mise à jour le 10-janv.-2023 à 15:19 GMT

Balises associées granulés qualité machine learning feed mill function sanitize_gpt_value2(gptValue) { var vOut = «  »; var aTags = gptValue.split(','); var reg = new RegExp('\\W+', « g »); pour (var i=0; i

Un tel modèle pourrait être utilisé au sein de l’usine d’aliments pour prédire l’indice de qualité des granulés pour un lot donné d’aliments, ce qui est à son tour un indicateur de performance clé (KPI) utile pour une gestion efficace de l’usine, ont déclaré les auteurs, basés à l’Université de Guelph et à Trouw Nutrition, au Canada.

Ils disent que leur article, publié dans l’édition de novembre 2022 de Science et technologie de l’alimentation animale, décrit la première utilisation de modèles de régression d’apprentissage automatique pour prédire l’indice de durabilité des granulés, sur la base d’un ensemble de données multifactoriel.

La fabrication d’aliments en granulés implique une série de processus, y compris la réception des aliments pour animaux, le broyage, le dosage, le mélange, le conditionnement, la conversion des granulés, le refroidissement et l’emballage. Au cours de ces processus, plusieurs paramètres jouent un rôle crucial dans la détermination de la qualité des granulés, notamment les spécifications de la matrice, la taille des particules d’ingrédients, le temps de conditionnement et la température.

« Les aliments granulés sont largement utilisés dans les systèmes de production animale monogastrique, car ils améliorent non seulement les performances des animaux en augmentant la digestibilité et la consommation d’aliments, mais ils sont également pratiques à stocker et à manipuler. Cependant, la qualité des granulés peut être affectée par de nombreux facteurs.

L’apprentissage automatique (ML), en tant que sous-domaine de l’intelligence artificielle (IA), est positionné de manière optimale en tant qu’outil de prédiction capable de prendre en compte un grand nombre de variables motrices et d’interactions intervariables complexes, ont déclaré les chercheurs.

De tels modèles d’apprentissage automatique sont capables d’apprendre à partir de données, de prédire et de généraliser sans être explicitement programmés pour le faire (Samuel, 1959), ont-ils noté.

Dans la présente étude, des modèles de ML ont été utilisés pour prédire l’indice de durabilité des granulés (PDI) en fonction de la formulation des aliments, du procédé de fabrication et des facteurs spécifiques à l’environnement associés à la PDI dans une usine d’aliments pour animaux commerciale.

Un ensemble de données comprenant 2 471 observations décrivant le processus de fabrication des granulés, la formulation des aliments et les conditions environnementales - température extérieure - a été recueilli dans deux chaînes d’alimentation pendant huit mois.

Seize caractéristiques ont été utilisées pour construire les modèles de régression, et le résultat était l’indice de durabilité des granulés (PDI) des aliments en granulés, a expliqué l’équipe.

Douze algorithmes de régression ont été examinés dans le cadre du projet, tandis que des outils analytiques ont été utilisés pour déterminer quelles caractéristiques étaient les plus pertinentes pour chaque modèle.

Pour la plupart des algorithmes, la température extérieure moyenne, l’inclusion des sous-produits de boulangerie, l’inclusion du blé et la chaîne de production ont été jugées importantes et avaient une importance globale plus élevée que toutes les autres caractéristiques, selon les auteurs.

« Fait intéressant, et peut-être contrairement aux attentes de l’industrie, la graisse ajoutée dans le mélangeur s’est avérée moins importante que la plupart des fonctionnalités. Cependant, les contrôles en place à l’usine, qui placent une limite supérieure sur la graisse qui peut être ajoutée dans le mélangeur, pourraient expliquer en partie ce résultat.

Du point de vue de la performance liée aux prédictions de l’indice de durabilité des granulés, un modèle, la régression du vecteur de support, a surpassé tous les autres, ont-ils déclaré.

Les chercheurs ont toutefois souligné que si certains facteurs liés à la formulation des aliments étaient inclus dans l’étude, d’autres, tels que la composition nutritionnelle des régimes alimentaires, n’étaient pas non plus disponibles.

« Ces facteurs manquants peuvent fournir plus d’informations que les détails de la formulation des aliments, car la composition nutritionnelle des aliments peut être variable et la formulation des aliments peut changer avec les saisons. L’ajout de facteurs tels que les caractéristiques dans les futurs modèles pourrait aider à améliorer encore les performances de prédiction PDI.

Tout en reconnaissant que les études de recherche contrôlées peuvent avoir une capacité limitée à prendre en compte les nombreuses interactions présentes dans un environnement commercial d’usine d’aliments pour animaux, les auteurs ont déclaré qu’ils croient que leur travail démontre l’utilité pratique potentielle des méthodes de ML pour relever un défi commun de fabrication d’aliments : la prédiction et l’amélioration de la qualité des granulés.

« Le but ultime de l’application du ML dans les provenderies est d’optimiser la qualité des granulés tout en tenant compte de facteurs de compromis tels que le coût de l’ingrédient alimentaire, la consommation d’énergie de l’usine, l’efficacité de l’usine, les émissions de gaz à effet de serre (GES) et le rendement des animaux en aval. À l’avenir, les méthodes de ML combinées à des algorithmes d’optimisation peuvent aider les usines d’aliments pour animaux à parvenir à une production durable et rentable d’aliments granulés.

Copyright - Sauf indication contraire, tout le contenu de ce site Web est © 2023 - William Reed Ltd - Tous droits réservés - Tous les détails pour l’utilisation des matériaux sur ce site peuvent être trouvés dans les termes et conditions

Sujets connexes R&D