A Fuzzy Logic Application to Predict Egg Production on Laying Hens
Fuzzy logic has a great potential for researchers and it has been developed over the last two decades. In animal science, there are limited numbers of studies on fuzzy logic approach. This study was carried out to examine the Fuzzy logic applications for prediction of the egg production data. Egg production records were obtained from the commercial poultry farm in Izmir, Turkey. Egg production traits of brown laying hens at 22 to 40 weeks of age were analyzed with Fuzzy logic system. In this study, Fuzzy logic model was developed for the prediction of egg production values of three classes; top, middle and lower (bottom for the cage effect) production. For this purpose 120 data lines representing 4 inputs consisting of cage, age at sexual maturity (ASM), body weight at sexual maturity (BWSM), body weight at mature age (BW) and 1 output, egg production (EP) that collected daily and individually were used in a Fuzzy logic model. The similarities between predicted and original production records were investigated, the coefficient of determination (R2) was found as 0.89 which was also shown the prediction’s success rate. The probability of egg production at ASM of 168 days, BWSM of 1500 g and BW of 1820 g was found 98.97% while egg production’s probability at ASM of 157 days, BWSM of 1720 g and BW of 1940 g was determined as 97.97%. These results were also concluded that layers reached at sexual maturity later have lower egg production. The results illustrated that Fuzzy model could provide an effective and accurate prediction for classifying egg production of laying hens. However, since the applications of fuzzy logic related to the prediction of egg production are limited, this work will be pioneered by future studies.
Yumurtacı Tavuklarda Yumurta Veriminin Tahminlenmesinde Bulanık Mantık Uygulaması
Yaygın bir çalışma alanına sahip olan bulanık mantık, son 20 yılda gelişmiştir. Hayvancılıkta bulanık mantık yaklaşımını kullanan az sayıda araştırma vardır. Bu çalışma, yumurta verimi kayıtlarının tahmininde bulanık mantık uygulamalarını incelemek amacıyla yapılmıştır. Yumurta verim kayıtları İzmir, Türkiye’de bulunan ticari kümes hayvanlarından elde edilmiştir. 22-40 haftalık yaştaki kahverengi yumurtacı tavuklara ait yumurta verim özellikleri bulanık mantık yöntemi ile analiz edilmiştir. Bu araştırmada bulanık mantık modeli; yüksek, orta ve düşük (kafes etkisi için alt) şeklinde üç sınıfta gruplandırılan yumurta verim değerlerini tahminlemek için geliştirilmiştir. Bu amaçla bulanık mantık modelinde kafes etkisi, eşeysel olgunluk yaşı (ASM), eşeysel olgunluktaki canlı ağırlığı (BWSM), ergin yaştaki canlı ağırlığı (BW) olmak üzere toplam 4 girdiyi temsil eden 120 veri satırı ile 1 çıktı değişkeni, günlük ve bireysel yumurta verimi (EP) kullanılmıştır. Belirtme katsayısı (R2) 0.89 olarak bulunmuştur. Bu aynı zamanda tahminlemenin başarısını göstermektedir. Eşeysel olgunluk yaşı (ASM) 168. gün, eşeysel olgunluktaki canlı ağırlık (BWSM) 1500 g ve ergin yaştaki canlı ağırlık (BW) 1820 g olduğunda yumurtlama veriminin olasılığı %98.97 olarak bulunmuş iken eşeysel olgunluk yaşı (ASM) 157. gün, eşeysel olgunluktaki canlı ağırlık (BWSM) 1720 g ve ergin yaştaki canlı ağırlık (BW) 1940 g olduğunda yumurtlama veriminin olasılığı %97.97 olarak tespit edilmiştir. Elde edilen sonuçlar aynı zamanda geç yaşta eşeysel olgunluğa erişen yumurtacılarda yumurta veriminin daha düşük olduğunu göstermektedir. Bulanık mantık ile tahminlenen yumurta verimleri ile orijinal kayıtlar arasındaki benzerlikler araştırılmıştır. Bulgular, yumurta veriminin sınıflandırılmasında bulanık modelin etkili ve doğru bir tahmin sağlayabileceğini göstermiştir. Bununla birlikte, yumurta veriminin tahmini ile ilgili bulanık mantık uygulamalarının sınırlı olması yapılan bu çalışmayı daha sonra yapılacak çalışmalara öncü kılacaktır.
___
1. Memmedova N, Keskin İ: Fuzzy logic applications in animal breeding. Selçuk J Agric Food Sci, 23 (47): 89-95, 2009.2. Mikail N, Keskin İ: Subclinical mastitis prediction in dairy cattle by application of fuzzy logic. Pak J Agr Sci, 52 (4): 1101-1107, 2015.
3. Akıllı A, Atıl H, Kesenkaş H: Çiğ süt değerlendirmesinde bulanık mantık yaklaşımı. Kafkas Univ Vet Fak Derg, 20 (2): 223-229, 2014. DOI: 10.9775/kvfd.2013.9894
4. Philomine RT, Ganesan N, Clarence JMT: A Study of applications of Fuzzy logic in various domains of agricultural sciences. Int J Comput Appl, (1): 15-18, 2015.
5. El-Sabrout K, Aggag S: Association of single nucleotide polymorphism in melanocortin receptor gene with egg production traits in Lohmann brown chickens. Kafkas Univ Vet Fak Derg, 24 (1): 145-148, 2018. DOI: 10.9775/kvfd.2017.18474
6. North MO, Bell DD: Commercial chicken production manual. 4th ed., 1-12, Van. Nostrand Reinhold, 115 Fifth Avenue, New York, NY, 1990. 7. Ghazanfari S, Nobari K, Yamauchi T: Adiponectin: A novel hormone in birds. Asian J Anim Vet Adv, 6, 429-439, 2011. DOI: 10.3923/ajava. 2011.429.439
8. Mashhadi SKM, Ghobadi JGD, Dashtaki MGN: Incubator with Fuzzy Logic. J Math Computer Sci, 5 (3): 197-204, 2012. DOI: 10.22436/ jmcs.05.03.07
9. Olaniyi OM, Salami AF, Adewumi OO, Ajibola OS: Design of an intelligent poultry feed and water dispensing system using Fuzzy logic control technique. Cont Theory Info, 4 (9): 61-72, 2014.
10. Abreu LHP, Junior TY, Fassani EJ, Campos AT, Lourençoni D: Fuzzy modeling of broiler performance, raised from 1 to 21 days, subject to heat stress. Eng Agric, 35 (6): 967-978, 2015. DOI: 10.1590/1809-4430-Eng. Agric.v35n6p967-978/2015
11. Bamigboye OO, Titus AO: Pid temperature controller system for poultry house system using Fuzzy logic. Am J Eng Res, 5 (6): 183-188, 2016.
12. Garrido A: Searching the arcane origins of Fuzzy logic. Broad Res Artif Intell Neuro, 2 (2): 51-57, 2011. DOI: 10.5281/zenodo.1041529
13. Şen Z: Fuzzy philosophy of science. J Higher Educ Sci, 2, 20-24, 2012. DOI: 10.5961/jhes.2012.029
14. Zadeh LA: Fuzzy sets. Inf Control, 8 (3): 338-353, 1965. DOI: 10.1016/ S0019-9958(65)90241-X
15. Uddin MF: Application of Yager’s fuzzy logic in sociological research: An instance of potential payoff. Eur Sci J, 13 (5): 227-237, 2017. DOI: 10.19044/esj.2017.v13n5p227
16. Zadeh LA: The concept of linguistic variable and its application to approximate reasoning-I. Inf Sci, 8 (3): 199-249, 1975. DOI: 10.1016/0020- 0255(75)90036-5
17. Kaur R, Rehani V: Artificially intelligent primary medical aid for patients residing in remote areas using Fuzzy logic. Int Res J Eng Tech, 3 (6): 1063-1067, 2016.
18. Abuşka M, Akgül MB, Altıntaş V: The fuzzy logic modeling of solar air heater having conical springs attached on the absorber plate. J Polytechnic, 20 (4): 907-914, 2017. DOI: 10.2339/politeknik.369082
19. Wang L: A course in fuzzy systems and control. 108-115, Prentice Hall, Upper Saddle New Jersey, 1997.
20. Elmas Ç: Fuzzy logic controllers. 1st ed., 35-40, Seçkin Press, Ankara, 2003.
21. Ross TJ: Fuzzy logic with engineering applications, 2nd ed., 134-137, John Wiley&Sons Ltd, Chichester, 2004.
22. Akkaptan A: Hayvancılıkta bulanık mantık tabanlı karar destek sistemi. Yüksek Lisans Tezi, Ege Üniv. Fen Bil. Enst., 2012.
23. Sivanandam SN, Sumathi S, Deepa SN: Introduction to Fuzzy logic using MATLAB. Springer, Berlin, 430, 2007.
24. Akıllı A, Atıl H, Takma Ç, Ayyılmaz T: Fuzzy logic-based decision support system for dairy cattle. Kafkas Univ Vet Fak Derg, 22 (1): 13-19, 2016. DOI: 10.9775/kvfd.2015.13516
25. Şen Z: Principles of fuzzy logic and modeling. 2nd ed., Bilge Kültür Sanat Press, 2009.
26. Liu HC, You JX, You XY, Shan MM: A novel approach for failure mode and effects analysis using combination weighting and fuzzy VIKOR method. Appl Soft Comput, 28, 579-588, 2015. DOI: 10.1016/j. asoc.2014.11.036
27. Liu Y, Sakamoto S, Matsuo K, Ikeda M, Borolli L, Xhafa F: A comparison study for two fuzzy-based systems: improving reliability and security of JXTA-overlay P2P platform. Soft Comput, 20, 2677-2687, 2016. DOI: 10.1007/s00500-015-1667-8
28. Memmedova N, Keskin İ: İneklerde bulanık mantık modeli ile hareketlilik ölçüsünden yararlanılarak kızgınlığın tespiti. Kafkas Univ Vet Fak Derg, 17 (6): 1003-1008, 2011. DOI: 10.9775/kvfd.2011.4960
29. Adnan MRHM, Sarkheyli A, Zain AM Haron H: Fuzzy logic for modeling machining process: A review. Artif Intell Rev, 43, 345-379, 2015. DOI: 10.1007/s10462-012-9381-8
30. Peruzzi NJ, Scala NL, Macari M, Furlan RL, Meyer AD, Fernandez- Alarcon MF, Kroetz Neto FL, Souza FA: Fuzzy modeling to predict chicken egg hatchability in commercial hatchery. Poult Sci, 91, 2710- 2717, 2012. DOI: 10.3382/ps.2011-01878
31. Mehri M: A comparison of neural network models, fuzzy logic, and multiple linear regression for prediction of hatchability. Poult Sci, 92 (4): 1138-1142, 2013. DOI: 10.3382/ps.2012-02827
32. Murmu S, Biswas, S: Application of Fuzzy logic and neural network in crop classification: A review. Aquat Procedia, 4, 1203-1210. 2015. DOI: 10.1016/j.aqpro.2015.02.153
33. Cihan P, Gökçe E, Kalıpsız O: A review of machine learning applications in veterinary field. Kafkas Univ Vet Fak Derg, 23 (4): 673-680, 2017. DOI: 10.9775/kvfd.2016.17281
34. Aborisade DO, Oladipo S: Poultry house temperature control using fuzzy-pid controller. IJETT, 11 (6): 310-314. DOI: 10.14445/22315381/ IJETT-V11P259
- ISSN: 1300-6045
- Yayın Aralığı: Yılda 6 Sayı
- Başlangıç: 1995
- Yayıncı: Kafkas Üniv. Veteriner Fak.