张立钢[1]2000年在《猪生长的营养仿真模型的建立》文中进行了进一步梳理本研究采用系统仿真技术，在广泛查阅文献的基础上建立了适温条件下猪生长的动态营养模型。在该营养模型中，主要研究采食养分与动物生产性能之间的关系。模型中考虑了性别差异对动物生长可能带来的影响。 在营养模型中主要围绕体蛋白和体脂肪来展开。研究当输入养分在数量和质量上发生变化时，其转化为体蛋白和体脂肪的日沉积速率。模型中仅考虑了实际输入养分流中的两种：即能量流与蛋白质流。并假设除能量和蛋白质以外的输入养分始终都处于最适水平，对生长没有任何限制作用。在体组成之间数量关系的描述上，主要采用了异速生长公式。在自由采食量的预测方面，用累计采食能量对时间进行多项式拟合。并可应用到对模型的调试和验证中去。在对文献进行综合分析及模型验证的基础上，本文对猪的维持能耗值采用Em=110*LBW~(0.75)kcal/day，将蛋白质的最大沉积速率作为活体重的函数处理，根据试验结果将蛋白质的日沉积速率定为100.53（母猪）和102.77（阉公猪），变化趋势按照NRC第十版猪的营养需要（1998）提供的缺省曲线（各种变化趋势的折衷）处理。 本研究进行现场试验，针对市售三元杂交商品猪（长白×大白×杜洛克），建立阉公猪和母猪的动态营养仿真模型。结合饲养试验、消化试验、屠宰试验，运用动态拟合技术，得到猪的自由消化能采食量与生长时间的多项式方程。通过屠宰试验，得到该品种猪的胴体体成分指标，用异速生长方程拟合体蛋白质与与空体重、活重与消化能采食量。用Gompertz方程拟合时间与体重的关系。 本研究通过利用自行饲养试验动物进行模型验证，可以证明，虽然模型中的许多参数的取值参考了国外研究的试验数据，但具有一定通用性。验证结果营养模型的基本框架和具体参数取值具有较好的合理性与准确性。尽管在建模过程中为把握模型主体而对问题进行了一定简化，模型析因过程在理论上也还需要深入探讨，但在一定范围内具有意义。随着生产实际中得到数据的丰富，模型中参数取值可以通过与试验数据拟合得以精确化。 在本研究中总结了对某一品种猪进行模型仿真的一般步骤。 在现有营养模型的基础上逐步做深入工作，在模型中考虑的对营养利用影响因子中加入环境因素的影响、以及生产过程的投入产出和成本核算等等，模型实用性将提高。当建立起更为有效的生长仿真模型之后，便可以在遗传、营养及环境等各方面因素都发生变化的条件下对动物的生长表现准确地做出预测。这有助于在生产实践中对饲养策略硕士学位论文 猪生长的营养仿翼筷型的建立 东北农业大学一的制订和优化；并在生产经营决策方面起到辅助支持作用。生长仿真模型还可以对某一饲粮配方结果的生产性能和经济效益做出预测和评价；如果将配方优化技术与模型仿真技术相结合，将有助于以最大效益为优化目标的新一代饲料配方软件的实现。
张慧[2]2016年在《有机生猪智能化综合饲养系统中关键技术的研究及实现》文中提出近年来,随着全球猪肉供应链的迅猛发展,人们对猪肉的需求量与日俱增,并且对猪肉质量的要求也越来越高。我国国内现有的生猪养殖方式多种多样,但普遍存在一些问题,比如规模化程度不高,一体化技术不完全；养殖场饲养管理不科学,导致猪肉的品质和产量不达标;养殖场的效益普遍不高,人们养猪热情减小等。为了解决我国国内养猪业存在的一些问题,本文对有机生猪智能化综合饲养系统中的关键技术进行了研究与实现,系统中所用到的关键技术包括：基于蚁群算法的动态饲料组合选择方法的研究、无线通讯技术、射频识别技术(RFID)、全球定位技术(GPS)等。有机饲料喂养是有机猪养殖的重要环节；有机猪在养殖过程中需要食用有机玉米,有机大豆,有机麸皮等天然有机农作物,并且要根据不同生长阶段的生猪选择不同的饲料类型,以此来满足生猪各个生长阶段的营养需求。为了满足有机猪对有机饲料的需求,本文提出了一种基于蚁群算法的动态饲料组合选择方法,此方法可以根据有机猪的不同生长阶段的营养仿真模型动态地选择有机饲料组合,使得有机饲料的选取更加符合有机猪的营养需求。文中通过对蚁群算法的综合应用,使得此算法的研究可以针对多个服务商所提供的不同饲料组合进行动态选择,形成一个满足约束条件的多目标决策问题,经过计算得到吸收率较高,花费成本较低的最优解组合,最终选择此最优解组合所对应的服务商组合,并且实验结果表明,该方法不仅降低了成本,而且所得的营养元素含量更加接近生猪饲养标准要求。另外,为了改变我国国内养殖技术落后的现状,本系统中的关键技术还包括通过射频识别技术(RFID)识别生猪个体,自动获取其采食量、日增重、体温等个体数据,经过软件分析,绘制出生长曲线和采食量曲线,获得日粮配方所需的基础数据,然后根据拟合的猪生长的营养仿真模型自动计算饲养数据,通过无线通讯技术传送信息来控制自动喂养设备下料；通过传感器采集猪舍的温度、湿度和氨浓度等环境数据,经过专家系统的分析,得出生猪生长所需要的适宜环境,并通过网络自动控制猪舍环境设备,使得生猪始终处在最佳的生长环境下,提高生猪生长的速率；通过全球定位技术(GPS)获取生猪的实时位置信息,便于喂养人员对生猪进行有效的监控,防止散养猪丢失。综上,整个系统是将计算机技术、无线通讯技术、射频识别(RFID)技术等进行整合与优化,很好地完成了学科间的交叉研究与融合,为国内养殖业带来新的视角。
李勇[3]2010年在《肉仔鸡生长机制性预测模型的研究》文中研究说明建立动物生长预测模型对养殖行业具有重要意义。本研究根据动物营养学中的析因法原理及动物体成分沉积规律,通过五个饲养屠宰试验确定了建立爱拔益加肉仔鸡生长机制性预测模型所需要的一系列方程和相关的参数,利用计算机编程语言开发了爱拔益加肉仔鸡生长机制性预测软件,并对软件预测结果的准确性进行了验证。试验一基于多元线性回归的肉仔鸡平均日采食量预测研究通过两个饲养试验研究了肉仔鸡体均重及日粮代谢能浓度对肉仔鸡平均日采食量的影响,旨在得到肉仔鸡体均重及日粮代谢能浓度对平均日采食量的回归公式。肉仔鸡饲养试验1、2分0-3周龄、4-6周龄两阶段进行。每个试验选取体重相近的爱拔益加(AA)肉仔鸡400只按性别及日粮类型随机分为10个处理,每个处理5个重复,每个重复8只鸡。两个试验中,公母肉仔鸡分别饲喂能蛋比(代谢能/粗蛋白)相同(0-3周龄能蛋比为0.58MJ/kg,4-6周龄能蛋比为0.67MJ/kg),能量浓度不同的5种日粮(分别为14.23、13.39、12.55、11.72、10.88MJ/kg)。每周记录肉仔鸡体均重及称重后24h内平均采食量(平均日采食量)。利用多元线性回归的方法建立了肉仔鸡平均日采食量与肉仔鸡体均重及日粮代谢能之间的回归模型。公、母及公母混合条件下的回归方程分别如下:DFI = 0.084 + 0.093BW– 0.005ME、DFI = 0.085 + 0.088BW– 0.005ME、DFI = 0.084 + 0.091BW– 0.005ME,F检验、t检验结果显示均达到显著水平(P<0.05),表明肉仔鸡平均日采食量与肉仔鸡体均重及日粮代谢能浓度存在线性关系,而且偏回归系数具有显著性意义。拟合优度检验结果显示三个回归方程的校正决定系数(R2)分别为0.947、0.928、0.936,均接近于1,所建立的模型可以用于肉仔鸡平均日采食量预测。试验二肉仔鸡体蛋白、胴体蛋白、羽毛蛋白潜在沉积速率模型的建立通过饲养屠宰试验研究了肉仔鸡体组成、体组分的生长发育规律,并建立了肉仔鸡体蛋白、胴体蛋白、羽毛蛋白潜在沉积速率模型,旨在为建立精确的肉仔鸡生长预测模型奠定基础。试验选取180只体重相近的1日龄爱拔益加(AA)肉仔鸡按性别随机分为2个处理,每个处理5个重复,每个重复18只鸡。肉仔鸡饲喂NRC(1994)标准营养水平日粮。于0,7,14,21,28,35,42日龄早08:00空腹称重后,每个重复选取接近重复平均体重的两只鸡进行屠宰试验。试验采用Gompertz生长模型拟合肉仔鸡体组成及体组分随时间变化的关系,采用曲线回归拟合肉仔鸡体蛋白、胴体蛋白、羽毛蛋白重与体重、胴体重及羽毛重间的异速生长关系,同时结合以上拟合方程推导肉仔鸡体蛋白、胴体蛋白、羽毛蛋白潜在沉积速率模型。结果显示Gompertz生长模型能够较好的拟合肉仔鸡体组成及体组分随时间变化的关系,拟合回归方程的相关指数R2均达到0.969,F检验差异极显著(P<0.01);曲线回归拟合试验数据得到体组成及体组分间幂函数形式的异速生长方程,其相关指数R2均达到0.998,F检验达到极显著水平(P<0.01);同时根据以上拟合回归方程建立了肉仔鸡体蛋白、胴体蛋白、羽毛蛋白与肉仔鸡体重、胴体重及羽毛重间的函数关系。结果表明可以通过肉仔鸡体重、胴体重及羽毛重对肉仔鸡每日体蛋白、胴体蛋白及羽毛蛋白最大沉积量进行预测。试验三基于曲线回归的肉仔鸡体组成及体组分间异速生长关系的研究通过饲养屠宰试验研究了肉仔鸡体组成及体组分间的异速生长关系,旨在为建立肉仔鸡生长预测模型奠定基础。试验选取180只体重相近的1日龄爱拔益加(AA)肉仔鸡按性别随机分为两个处理,每个处理5个重复,每个重复18只鸡。肉仔鸡采食NRC营养水平日粮,于0,7,14,21,28,35,42日龄早8:00空腹称重后,每个重复选取接近重复平均体重的两只鸡进行屠宰试验。试验数据经曲线回归拟合显示:幂函数方程能较好的描述肉仔鸡胴体重、羽毛重与肉仔鸡活重,肉仔鸡体水分、体灰分、体脂肪与体蛋白,肉仔鸡胴体水分、灰分、脂肪与胴体蛋白,肉仔鸡羽毛水分、灰分、脂肪与羽毛蛋白间的异速生长关系,拟合方程经F检验均达到显著水平(P<0.01),各拟合方程的相关指数R2均在0.95以上,表明利用幂函数方程拟合得到的体组成及体组分间的异速生长方程来预测肉仔鸡体组成及体组分重是可行的。试验四摄入能量及蛋白质水平对0-3周龄肉仔鸡生长性能、体蛋白及体脂肪沉积的影响试验研究了0-3 W肉仔鸡每日摄入不同水平的能量及蛋白对其生长性能及体组分的影响,旨在确定日粮能蛋比与日粮蛋白沉积为体蛋白的效率(ep)间的函数关系及日粮能量以蛋白形式及以脂肪形式沉积的效率。试验选取体重相近的1日龄爱拔益加(AA)肉仔鸡432只,按性别及日粮类型随机分为24个处理,每个处理3个重复,每个重复6只鸡。肉仔鸡每日限量饲喂,饲喂水平分别为正常采食量的95%、80%、65%、50%,每日定量供给肉仔鸡高、中、低3个水平的高蛋白低能基础日粮及由饲喂水平决定的定量淀粉,进而使肉仔鸡每日采食能蛋比(代谢能/粗蛋白)不同的12种日粮。试验初和试验末分别进行屠宰试验,以测定肉仔鸡体成分。结果显示:(1)日粮能量水平、蛋白水显著影响了肉仔鸡试末体重、体蛋白重及体脂肪重(P<0.05);(2)日粮能量水平、蛋白水平显著影响了肉仔鸡平均每日体增重、体蛋白增重及体脂肪增重(P<0.05);(3)随日粮能蛋比的增加,日粮蛋白沉积为体蛋白的效率先线性增加,后保持稳定,日粮能蛋比达到69.28 MJ/kg时,公母肉仔鸡ep达到最大值分别为0.64、0.63;(4)公、母肉仔鸡日粮能量沉积为体蛋白的效率分别为0.72、0.68,沉积为体脂肪的效率分别为0.59、0.65,公、母肉仔鸡平均沉积每克蛋白需要能量32.88、34.82 kJ,沉积每克脂肪需要能量66.43、60.12 kJ。上述结果为通过营养手段改变肉仔鸡体组成及建立肉仔鸡生长预测模型奠定了理论基础。试验五摄入能量及蛋白质水平对4-6W肉仔鸡生长性能、体蛋白及体脂肪沉积的影响试验研究了4-6周龄肉仔鸡每日摄入不同水平的能量及蛋白对其生长性能及体组分的影响,旨在确定日粮能蛋比与日粮蛋白沉积为体蛋白的效率间的函数关系及日粮能量沉积为体蛋白及体脂肪的效率。试验选取体重相近的21日龄爱拔益加(AA)肉仔鸡432只,按性别及日粮类型随机分为24个处理,每个处理3个重复,每个重复6只鸡。肉仔鸡每日限量饲喂,饲喂水平分别为正常采食量的95%、80%、65%、50%,每日定量供给肉仔鸡高、中、低3个水平的高蛋白基础日粮及由饲喂水平决定的定量淀粉,进而使肉仔鸡每日采食能蛋比(代谢能/粗蛋白)不同的12种日粮。试验初和试验末分别进行屠宰试验,以测定肉仔鸡体成分。结果显示:(1)日粮能量水平、蛋白水平及肉仔鸡性别均显著影响了肉仔鸡试末体重、体蛋白重及体脂肪重(P<0.05);(2)日粮能量水平、蛋白水平及肉仔鸡性别均显著影响了肉仔鸡平均每日体增重、体蛋白增重及体脂肪增重(P<0.05);(3)随日粮能蛋比的增加,日粮蛋白沉积为体蛋白的效率ep先线性增加,后略有下降并逐渐稳定,日粮能蛋比达到69.28MJ/kg时,公母肉仔鸡ep达到最大值分别为0.58、0.56,当日粮能蛋比小于69.28时,公母肉仔鸡ep与能蛋比间的线性方程分别为ep=0.010Re/p、ep=0.009Re/p,方程决定系数分别为0.988、0.989,经F检验,两方程均达到显著水平(P<0.05);(4)公、母肉仔鸡日粮能量沉积为体蛋白的效率分别为0.70、0.65,沉积为体脂肪的效率分别为0.75、0.81,公、母肉仔鸡平均沉积每克蛋白需要能量34.04、36.38kJ,沉积每克脂肪需要能量52.12、48.32kJ。上述结果为通过营养手段改变肉仔鸡体组成及建立肉仔鸡生长预测模型奠定了理论基础。试验六AA肉仔鸡生长机制性预测模型的验证试验旨在对比模型预测数据与饲养屠宰试验数据,进而对所建立的AA肉仔鸡生长机制性预测模型的准确性进行验证。饲养试验选取体重相近的7日龄AA肉仔鸡216只,公母各半,按照性别及日粮类型随机分为6个处理,每个处理6个重复,每个重复6只鸡。分别于14、21及28日龄对肉仔鸡进行称重,并记录肉仔鸡采食量;试验末即28日龄,每个重复选取体重接近该重复平均值的肉仔鸡2只进行屠宰,测定各体组分含量。同时,将肉仔鸡初始体重、性别、饲喂天数及日粮能量、蛋白水平等数据输入到模型中,以对肉仔鸡采食量、体重及体成分重进行预测。结果显示模型预测值与肉仔鸡生长实测值的变化规律基本相同,试验全期累积采食量预测值与实测值相对偏差在0.4-3.8%之间,试验末体重预测值与实测值相对偏差在0.9-6.6%之间,试末体水分、体蛋白、体脂肪与体灰分预测值与实测值相对偏差分别在0.3-8.9、0.8-8.9、3.0-8.4与4.8-10.8%之间,表明模型预测结果基本准确,具有较好的实用性。
陈志敏[4]2004年在《肉鸡动态生长模型的建立及相关参数的研究》文中研究表明本研究采用营养剖分原理系统的建立了肉鸡动态生长模型并确定了模型的相关参数。建模过程主要考虑了采食饲料中能量和蛋白质在体内的分配及沉积，将动物的生长过程抽象为体组成的变化，并主要围绕体蛋白和体脂肪的沉积来展开，动物体的其它组成成分体水分、体灰分与体蛋白之间有高度的相关性，所以在模型中可以利用这种相关性而不必对灰分和水分再单独研究。通过建立的模型，使用者只需输入饲喂日粮的天数、日粮蛋白质的含量和代谢能，就能预测0～6周内任何一天的生产性能及体组成。验证试验的结果表明，本研究所建立的生长模型具有一定的可靠性和实用性。 为了将所建立的模型进一步细化和完善，本论文还采用不同衡量指标研究了理想蛋白模式中参比氨基酸赖氨酸的需要量模型，为生长模型深入到氨基酸水平奠定基础，提供必需的理论参数。 试验一 理想饲养条件下肉鸡最大体蛋白日沉积量模型的建立 本试验的假设是在环境条件适宜、饲粮营养成分平衡且动物采食充分、无疾病应激的条件下所测得的蛋白质日沉积量可作为体蛋白日沉积上限的一种合理近似。选用200只AA肉仔鸡进行饲养和屠宰试验，分别模拟了描述体重与体蛋白之间关系的异速方程Y=aX~b和描述体重与日龄关系的Gompertz方程，通过两个方程的结合得到体蛋白与日龄之间的关系Pdmax≈Pd=C~*a~*b~*EBW~b~*In(A／EBW)。应用SPSS软件对试验数据进行拟合，建立的模型为：Pdmax≈Pd=0.036~*0.1166~*1.0639~*LBW~(1.0639)~*In(6130.87／LBW) (公鸡)Pdmax≈Pd=0.045~*0.1168~*1.0615~*LBW~(1.0615)~*In(3965.15／LBW) (母鸡) 试验二 日粮充分营养水平下采食量、体蛋白和体重、体组成之间相互关系数学模型的建立 采食量、体组成之间的关系、体蛋白和体重之间关系的数学模型是建立生长模型所必需的组成部分，这些模型参数建立的准确性直接影响着生长模型预测的准确性。本试验选用200只AA肉仔鸡进行饲养和屠宰试验，确定模型的参数。试验结果如下：采食量的预测模型为:Fl一0 .556*LBwo，，(公);Fl一0.53一3*LBwO7，(母)。或者Fl二MEI胭Ep二(7.2394*LBwo，，)从Ep(公);Fl=MEI彻Ep一(6.9169*LBwo，，)zMEp(母)MEI:代谢能采食量;MEp:日粮代谢能。体蛋白量的预测模型为:Pt一0 .1 592(LBw，o，，8)(公);Pt=0.1479(IJBwl，319)(母)。体水分量、体灰分量和体脂肪的预测模型分别为:似r一72756(Ptos，7，)(公);WAt一7.1274(Pt“，8’4)(母)。Asht一0.1446(Pt’02，，)(公);Asht一0.1427一:Pt”，，2)(母)。Lt=0 .3662(Pt，o，‘4)(公);Lt=o.276一(Pt‘，2，8)(母)。试验三不同日粮条件下肉鸡动态生长模型的应用效果 为了评价肉鸡动态生长模型的有效性和实用性，本试验设计高低两种不同营养水平的日粮，选择400只肉鸡进行饲养和屠宰试验，对生长模型进行验证。模拟结果显示，高营养水平组肉鸡的采食量、日增重均高于低营养水平组，耗料增重比低于低营养水平组;从性别上来看一，公鸡生长性能优于母鸡;体重和体组成的预测值与实测值比较接近，模型具有一定的实用性和可靠性。试验四不同赖氨酸添加水平对肉仔鸡生产性能、月同体品质和血液生化指标的影 响及赖氨酸需要量模型的建立 本试验研究了不同赖氨酸添加水平的日粮对0一3周龄AA雄性肉仔鸡生产性能、月同体品质及血液生理生化指标的影响。将l日龄AA雄性肉仔鸡450只随机分成6个处理，每个处理5个重复，每个重复巧只。各组的基础日粮相同，含赖氨酸0.65%，各处理组分别添加赖氨酸盐酸盐0%、0.巧%、0.30%、0.45%、0.60%和0.75%。试验末检测生产性能、屠宰性能及血液生理生化指标，试验结果表明:赖氨酸水平对0一3周龄雄性肉仔鸡采食量、平均日增重、饲料转化效率、全净膛率、胸肌率、腹脂率均有显著影响，赖氨酸含量达到1.1%一1.25%才能维持肉仔鸡正常快速生长及较好的胭体品质。赖氨酸含量对血液中尿酸、甘油三酷、低密度脂蛋白、T4及IGF一I的浓度有显著影响。本试验还分别模拟了0一3周肉仔公鸡日粮赖氨酸含量变化时平均日增重、饲料转化效率、采食量、胸肌率、腹脂率和全净膛率的变化，从RZ以及生成图形本身进行比较分别建立了最佳的赖氨酸需要量模型。结果表明，二次抛物线方程的模拟效果最好。试验五以!G卜1 mRNA丰度为衡量指标建立赖氨酸需要量模型 采用反转录一聚合酶链式扩增反应(RT一PCR)的分子生物学技术研究了日粮赖氨酸对肉仔鸡肝脏和胸肌中IGF一1 mRNA转录水平表达的影响，以探讨赖氨酸影响生长性能和血清中IGF一I浓度的分子机理并建立以IGF一1 mRNA丰度为衡量指标的赖氨酸需要量模型。将1日龄AA雄性肉仔鸡450只随机分成6个处理，每个处理5个重复，每个重复15只。各组的基础日粮相同，含赖氨酸0.65%，各组分别添加赖氨酸盐酸盐0%、0.巧%、0.30%、0.45%、0.60%和0.75%。结果表明，赖氨酸对IGF一1 mRNA丰度有影响，随着赖氨酸添加水平的增加，IGF一1 mRNA的丰度先高后低，肝脏IGF一1 mRNA的丰度在添加量为1 .1%的组最高，肌肉IGF一1 mRNA的丰度在添加量为0.95%时最高。这说明赖氨酸通过调?
柴琦丽[5]2006年在《种猪场生产系统动态仿真模型的研究》文中进行了进一步梳理本文应用系统动力学的思想、理论和方法,将养猪生产学、系统工程学、畜牧系统管理学和经济学等学科融为一体,把杜洛克(D)种猪生产系统、长白(L)种猪生产系统和大白(Y)种猪生产系统置于同一动态仿真模型中进行研究。在大量调查研究的基础上,分析和确定了种猪场生产系统的边界、内部畜群状态关系,并确定了相应的技术参数、生物学参数和经济参数,用系统动力学专用仿真语言——Vensim4.0编写程序,建立了种猪场生产系统动态仿真模型。通过仿真程度和模拟能力分析,验证了模型的可靠性。论文主要研究了种猪场生产系统达到稳定状态时,杜洛克猪、长白猪和大白猪三个种猪生产系统的经济效益、各个猪群的存栏量、三个品种的猪群结构以及猪群突然发生变化时,种猪生产系统的动态变化规律,得出以下结论:1.根据种猪生产的实际情况,将猪群分为种母猪、种公猪、后备母猪、后备公猪、哺乳仔猪、保育猪、生长猪、育成猪和育肥猪,使种猪场生产系统达到稳定状态时的杜洛克猪、长白猪、大白猪三个种猪生产系统和全场的各类猪群存栏量,更具有参考价值。同时,还给出了三个品种的猪群结构,有利于管理者确定不同规模的各个猪群存栏量。2.本研究给出了杜洛克生长猪、长白生长猪和大白生长猪作为种猪出售的比例和进入育成阶段准备作为种猪出售的比例。根据市场不同的需求变化,利用本模型可以调整生长猪出售比例和育成比例,找出最佳的比例关系,为管理者追求最大的经济效益提供参考。3.以杜洛克种猪生产系统为例,模拟仿真了当后备母猪一次多量充群后,不同猪群的动态变化规律。基础母猪群在初期的变化比较剧烈,以后则逐渐趋于平稳,未造成基础母猪群的太大波动。但是,其他猪群的存栏量却忽高忽地,变化得非常剧烈,而且一直处于激烈的波动状态。因此,为了达到均衡生产和充分利用栏位的目的,在实际生产中,后备母猪应分批、均衡地充入到群体中。4.通过灵敏度分析可知,本模型能够通过调整有关参数,模拟不同生产管理水平的种猪场生产系统。5.本研究给出了种猪场生产系统达到稳定状态时杜洛克猪、长白猪、大白猪三个种猪生产系统出售的各类种猪和肥猪数量、淘汰的种猪和后备猪数量,为管理者制定生产计划、产品营销计划和预测销售收入等提供参考。同时,还给出了三个种猪生产系统的成本、饲料费、产值和利润等经济参数,对管理者进行经济核算、产品定价和确定经济指标等都具有参考价值。
陈啸[6]2018年在《基于模型理论的颗粒饲料成型特性及试验研究》文中进行了进一步梳理随着饲料工业的发展,国内饲料企业单厂规模化、颗粒饲料生产普及化及生产控制智能化,对颗粒饲料产品质量一致性提出了更高的要求。实际生产过程中,配方及生产工艺参数均相同时,原料特性的差异使得产品质量存在波动现象,而在同一生产线上对不同配方饲料产品工艺参数的差异性调整,也会引起质量的不稳定。针对以上问题,本课题在对主要饲料原料及混合料的成型质量特性进行试验研究的基础上,以模型理论方法构建成型本构模型,研究物料在成型过程中表现出的流变特性,研究成型过程及制粒设备关键部件的仿真模拟与优化,并建立基于人工智能模型理论的颗粒产品质量预测模型和控制方法。主要取得了以下研究成果:(1)建立实验室成型试验平台,研究了单一饲料原料、混合料成型特性;研究了规模生产条件下油脂添加及工艺参数对颗粒饲料破坏强度的影响。研究结果显示:颗粒成型密度、成型率、成型硬度指标分别以玉米、豆粕、小麦最佳,玉米DDGS成型特性较差,物料含水率对各指标影响程度较高;油脂添加量对大猪料成型率和成型密度影响极显著(P<0.001),对成型硬度影响不显著(P>0.05);针对大猪料成型质量的玉米/豆粕/麦麸和木薯/豆粕/麦麸最优成分配比分别为41.5%/25%/33.5%和38.9%/20.5%/40.6%;颗粒饲料剪切破坏强度在制粒过程中表现为波动状态,油脂添加量1%、环模长径比12.7:1、制粒温度92℃、调质温度82.2℃时的强度值极显著地高于其他水平(P<0.001),且该强度与颗粒耐久度、制粒机能耗间存在极显著正相关关系(P<0.001)。(2)构建了基于唯象法的颗粒饲料成型本构模型,研究了饲料原料在成型过程中的弹塑性、黏性和摩擦特性等流变特性。研究结果显示:模型决定系数R2在0.99以上,模型-试验值平均相对误差均值为3.378%,结合χ2检验可知模型具有优良性能;模型参数灵敏度分析结果显示,黏性系数、应变硬化指数影响较高,其次是塑性模量和弹性模量;而各加工参数中物料含水率对弹性模量和集成塑性系数、颗粒粒度对黏性系数等有着显著性影响(P<0.05)。(3)构建了基于本构模型、试验数据和数值模拟方法的颗粒饲料成型仿真模型和环模制粒过程动态模拟模型。研究结果显示:成型过程中的物料内部应力应变指标呈分层或块状集中现象,而模孔结构中倒角面、交界面的应力应变比较集中,易出现失效现象,基于响应面试验设计得到了直孔、直型减压孔针对总应力应变的结构优化参数结果;制粒过程中颗粒受力、速度和接触重叠表现为规律性变化,且当环模模辊间隙、开孔率、模孔入口倒角分别为0.1 mm、44.1%和30°时成型效果较好,但挤压作用或开孔面积的增加使得环模疲劳寿命和安全系数有所降低。(4)建立了基于人工神经网络的 MIV-PSO-BPNN(mean impact value-particle swarm optimization-back propagation neural network)颗粒饲料质量预测模型及加工参数多目标优化方法。研究结果显示:针对配方、工艺参数建立的经MIV自变量筛选、PSO算法优化的人工神经网络质量预测模型,决定系数R2在0.94以上,输出指标预测误差平均值为0.442、2.185%、0.5481,较多元线性回归模型、基本BPNN模型优化幅度分别达到84.99%、56.95%,稳定性提高了 91.46%。以其作为加工参数与颗粒饲料质量近似模型,构建了基于NSGA-Ⅱ算法的多目标优化方法,应用得到加工参数优化方案为环模长径比7:1,模孔直径3 mm,粉碎机筛片孔径分别为2.0 mm及1.5 mm,调质温度76.2℃;验证可知生产率、颗粒耐久度优化幅度分别达到22.04%和6.04%。
谢秋菊[7]2015年在《基于模糊理论的猪舍环境适应性评价及调控模型研究》文中指出随着人们对猪肉及其产品需求的逐渐增加,规模化、集约化的养猪生产发展迅速。在规模化养猪生产中,无论是自然散养还是密闭式舍内养殖,环境对猪的生长发育起着至关重要的作用,适宜的生长环境是优良的遗传特征得以实现的前提,同时可以有效地提高猪群的健康水平、繁殖能力及猪肉的产量,因此,养殖环境控制己引起各方面的广泛关注。养殖环境是指对猪产生影响的所有非基因外部因素,主要包括:猪舍建筑样式,养殖空间大小,猪舍内的空气温度、湿度、有害气体浓度、粉尘、细菌、光照、通风等。由于猪舍内各环境因子之间存在着非线性、时变性、多变量相互耦合的特性,使得猪舍环境评价及控制面临很多困难,尤其是实现这些环境因素的智能化、精确化控制。为此,猪舍环境评价及控制对于解决养猪生产利益获取及能耗投入之间的矛盾,具有很大的研究价值。本文在综述国内外猪舍环境评价及调控方法、相关环境控制研究动态的基础上,以模糊理论为基础,针对猪舍多环境因子适应性评价方法、猪舍环境小气候模型及调控模型进行研究。具体涉及猪舍多环境因子适应性综合评价模型,猪舍环境热交换模型,含湿量模型,通风量模型,氨气浓度预测模型,以猪舍环境温度、湿度及氨气浓度为调控对象的温度调控模型及通风调控模型的建立,本文的主要研究内容如下:(1)根据猪舍环境特点确定猪舍环境监测变量。以美国普渡大学动物研究及教育中心,猪舍环境研究建筑的监测数据为基础,以猪舍环境控制标准为依据,选择猪舍环境评价及调控因素。(2)基于猪舍环境监测数据及模糊集理论,建立猪舍多环境因子的模糊综合评价模型。评价模型是依据舍内环境控制标准,建立猪舍内温度、湿度、氨气浓度、二氧化碳浓度和硫化氢浓度的隶属度函数,基于层次分析法,建立模糊评价的权重向量,对各环境因子隶属关系进行模糊变换,根据最大隶属度原则,得到猪舍环境适宜性综合评价结果。与单因素评价方法相比,本文建立的多环境因子模糊综合评价方法(FSE),同时综合考虑了多个环境因子,评价结果更为合理,符合猪生长所需的复杂环境要求。(3)根据猪舍环境特点建立猪舍环境小气候模型,包括:根据能量平衡方程和质量平衡方程建立舍内环境热交换模型、含湿量模型及通风量模型;给出了氨气挥发的机理模型,基于模糊自适应神经网络(ANFIS)建立了舍内氨气浓度预测模型;对不同季节舍内氨气浓度与各环境因素的相关性进行了分析,确定了不同季节中猪舍内氨气浓度影响因素,对不同季节猪舍内氨气浓度进行了预测及验证。(4)对猪舍环境小气候模型进行仿真及验证。在Simulink中建立猪舍环境的热交换模型、含湿量模型及通风量模型,对猪舍环境小气候模型中的舍内温度、湿度、氨气浓度及通风量进行仿真,同时以猪舍内实际监测的环境数据为输入,对仿真结果进行了验证,验证结果表明仿真模型与实测数据误差较小,能够作为环境控制的基础模型。(5)基于模糊控制理论及猪舍环境特点,提出猪舍环境调控系统结构。温度是猪舍环境的主要因素,所以在猪舍环境调控时首先考虑温度调控,其次是在此基础上以除湿、降低有害气体含量的通风调控,因此,建立的调控模型结构包括温度控制系统和通风控制系统两部分。(6)建立不同季节的模糊控制规则。依据猪舍环境控制标准及环境适应性评价结果,分别建立温度模糊控制器和通风模糊控制器,确定模糊控制输入量、输出量,对模糊控制变量进行模糊化、精确化处理,根据不同季节温度和通风调控策略,建立模糊控制规则,实现不同季节猪舍环境调控。(7)通过现场测试数据确定温度模糊控制与通风模糊控制之间的补偿系数D。根据实测猪舍内环境数据,确定加热模式下,温度变化与加热控制之间的关系;确定通风模式下,温度变化与不同通风量之间的关系;从而确定温度模糊控制与通风模糊控制之间的补偿系数D,解决寒冷冬季通风与温度控制之间的矛盾。通过实验验证表明本研究建立的猪舍环境调控模型可以实时地、精确地实现对猪舍环境的控制。本论文以北方寒冷地区猪舍为研究对象,建立的基于FSE方法的猪舍环境适应性评价模型,与单因素评价模型相比较,可以对猪舍环境适应性做出综合评价。对建立的猪舍环境小气候模型进行仿真及验证,结果表明,猪舍温度仿真与实测温度相差1oC以内,氨气浓度最小相对误差分别为0.0858,此环境模型可以较准确地模拟猪舍小气候环境,作为环境控制的基础模型。加入补偿系数D的温度控制及通风控制模型,通过与实测数据比较,温度与设定值最大偏离误差为0.61oC,舍内温度稳定,非常好地达到了温度控制目标;舍内相对湿度偏离设定值最大为11.4%,其最大相对误差没有超出正常范围(±25%),可以满足猪舍湿度控制要求;猪舍氨气浓度变化范围为0.9ppm-1.6ppm,远远小于设定值12ppm,能够很好地满足猪舍氨气浓度控制要求。因此,本研究建立的基于模糊集理论的猪舍环境适宜性评价方法,猪舍环境小气候模型及调控模型,可以为猪舍环境控制提供可行的参考。
黄科[8]2014年在《遗传算法在猪饲料配方系统中的应用研究》文中研究指明饲料是养殖业的物质基础，高效优质的饲料能够促进养殖业的良性发展。饲料配方通常需要进行较为复杂的计算，现有的基于手工的计算方法已经很难满足实际生产的需要，而目前很多基于计算机优化的方法只能解决约束较少、规模较小的问题，难于处理规模较大、约束较多的饲料配方设计问题。在研究领域，遗传算法由于能更好地解决多因子、高度非线性化的问题，已经被运用到动物饲料配方设计中。本文研究遗传算法在猪饲料配方系统中的应用，使用经济成本和氨排放量两个指标来衡量饲料的优劣。氨气是一种刺激性气体，它影响猪的生长性能，增加猪患病的机率，危害自然环境。除改善硬件条件外，本文考虑通过优化饲料配方来减少氨的排放量。本文分别采用线性规划法、标准遗传算法和NSGA-II算法对猪饲料配方问题进行求解，并且对三者的结果进行对比分析。其中线性规划法采用Lingo软件来实现，标准遗传算法用Matlab遗传算法工具箱实现，而NSGA-II算法用C++程序实现。NSGA-II算法是一种快速非支配排序的多目标遗传算法，主要用于多目标问题的优化。本文的研究重点是NSGA-II算法在猪饲料配方系统中的应用，首先将饲料配方问题转化为多目标最优化问题，即把经济成本和氨排放量这两个指标转化为对应的目标函数，然后对NSGA-II算法的交叉策略、变异策略和Pareto排序策略进行适当的改进，最后用C++程序来实现。通过对实验结果的对比分析表明，NSGA-II算法可以很好地解决饲料配方系统的设计问题，不仅降低饲料的经济成本，还能有效减少氨的排放。
佚名[9]2004年在《国家自然科学基金委员会生命科学部2004年度资助自由申请科学基金项目一览表》文中研究表明项 目 名 称申请者姓名单 位 名 称1 微生物学学科 (104项)粘细菌的种属分子分类及菌株分子鉴别技术吴志红山东大学野生稻内生固氮菌系统发育及分子遗传研究谭志远华南农业大学中国鸡皮衣科地衣分类学研究赵遵田山东师范大学拟盘多毛孢属及邻近属分子系统学研究
参考文献：
[1]. 猪生长的营养仿真模型的建立[D]. 张立钢. 东北农业大学. 2000
[2]. 有机生猪智能化综合饲养系统中关键技术的研究及实现[D]. 张慧. 安徽大学. 2016
[3]. 肉仔鸡生长机制性预测模型的研究[D]. 李勇. 中国农业科学院. 2010
[4]. 肉鸡动态生长模型的建立及相关参数的研究[D]. 陈志敏. 中国农业科学院. 2004
[5]. 种猪场生产系统动态仿真模型的研究[D]. 柴琦丽. 东北农业大学. 2006
[6]. 基于模型理论的颗粒饲料成型特性及试验研究[D]. 陈啸. 中国农业大学. 2018
[7]. 基于模糊理论的猪舍环境适应性评价及调控模型研究[D]. 谢秋菊. 东北农业大学. 2015
[8]. 遗传算法在猪饲料配方系统中的应用研究[D]. 黄科. 苏州大学. 2014
[9]. 国家自然科学基金委员会生命科学部2004年度资助自由申请科学基金项目一览表[J]. 佚名. 生命科学. 2004