Este trabalho teve por objetivo utilizar redes neurais artificiais para explicar fenômenos que ocorrem em matadouros- frigoríficos avícolas. A estatística descritiva e a diferença entre as variáveis foram calculadas através do programa computacional SPSS for Windows 10.0 e para a construção das redes neurais artificiais foi utilizado o programa Neuroshell Predictor desenvolvido pela Ward Systems Group. Foram utilizados dados de 2004 a 2006 de dois matadouros- frigoríficos de aves e ocasionalmente um matadouro- frigorífico de suínos. Nos arquivos oferecidos pelas empresas, haviam dados de gerenciamento de matadouros-frigoríficos, como por exemplo, planilhas de condenação da inspeção, dados sobre chiller, teste de absorção das carcaças, dados sobre peso de carcaças, entre outros. Para a construção dos modelos foram escolhidas as “entradas”, para o cálculo do modelo preditivo, e a variável de “saída” a ser predita. Foram gerados oito (8) modelos com diferentes bancos de dados. Todos esses modelos apresentaram redes neurais artificiais bem ajustadas, com valores altos para Correlação e Coeficiente de Determinação Múltipla (R²) e valores baixos para o Erro Médio e o Quadrado médio do Erro (QME). Não houve diferenças significativas entre os valores reais e os valores preditos em todas as validações dos oito (8) modelos. As redes neurais artificiais, com o software utilizado, foram capazes de explicar os fenômenos que envolvem o gerenciamento de matadouros-frigoríficos de aves, e ocasionalmente de suínos. A técnica utilizada oferece critérios objetivos, cientificamente desenvolvida, que será de grande valia no auxílio do técnico responsável pela tomada de decisões. A técnica permite também realizar simulações e mensurar a contribuição de diferentes variáveis que influenciam no fenômeno. É importante ressaltar que a utilização das redes neurais artificiais é uma ferramenta de auxílio à tomada de decisões, e não um programa que substitua o conhecimento científico e técnico. / This work aimed to use artificial neural networks to explain the occurred phenomena in the poultry slaughterhouse. The descriptive statistics and the difference among the variable averages from the initial data were calculated with SPSS software, and the software used to build the artificial neural networks was Neruoshell Predictor, developed by Ward Systems Group. Data from three poultry and one swine slaughterhouses, gathered from 2004 until 2006, were used in this study. In these data there were information about carcasses condemnation, chillers, absorption tests, carcasses weights, medications and others. To build the neural networks,the chosen variables were identified as “input” and “output”. The “input” variables were selected for the predictive model calculation and the “output” variable for the one to be predicted. It was made 8 models with different databases. In all these models, the generated artifical neural networks were well adjusted always presenting a high Multiple Deteminant Coefficient (R²) and correlation and the lowest Mean Squared Error (QME) and mean error. Also the differences between the real value and the predicted value in the 8 models studied were not statistically significant.This study concludes that artifical neural network, with the used software, were capable to explain the phenomena involved in the poultry slaughterhouse and that the modeling can also be extended to swine slaughterhouse. This powerfull technique offers objective criteria, scientifically generated, which can be used to assist in the decisions analysis process for this industry. It also allows to make simulations and to measure the contribution of each variable in the phenomena studied. It’s important to point out that artificial neural networks are intruments to assist the technician in decision making. Thus, it is not a program able to replace the cientific and technical knowledge.

Este trabalho teve por objetivo utilizar redes neurais artificiais para explicar fenômenos que ocorrem em matadouros- frigoríficos avícolas. A estatística descritiva e a diferença entre as variáveis foram calculadas através do programa computacional SPSS for Windows 10.0 e para a construção das redes neurais artificiais foi utilizado o programa Neuroshell Predictor desenvolvido pela Ward Systems Group. Foram utilizados dados de 2004 a 2006 de dois matadouros- frigoríficos de aves e ocasionalmente um matadouro- frigorífico de suínos. Nos arquivos oferecidos pelas empresas, haviam dados de gerenciamento de matadouros-frigoríficos, como por exemplo, planilhas de condenação da inspeção, dados sobre chiller, teste de absorção das carcaças, dados sobre peso de carcaças, entre outros. Para a construção dos modelos foram escolhidas as “entradas”, para o cálculo do modelo preditivo, e a variável de “saída” a ser predita. Foram gerados oito (8) modelos com diferentes bancos de dados. Todos esses modelos apresentaram redes neurais artificiais bem ajustadas, com valores altos para Correlação e Coeficiente de Determinação Múltipla (R²) e valores baixos para o Erro Médio e o Quadrado médio do Erro (QME). Não houve diferenças significativas entre os valores reais e os valores preditos em todas as validações dos oito (8) modelos. As redes neurais artificiais, com o software utilizado, foram capazes de explicar os fenômenos que envolvem o gerenciamento de matadouros-frigoríficos de aves, e ocasionalmente de suínos. A técnica utilizada oferece critérios objetivos, cientificamente desenvolvida, que será de grande valia no auxílio do técnico responsável pela tomada de decisões. A técnica permite também realizar simulações e mensurar a contribuição de diferentes variáveis que influenciam no fenômeno. É importante ressaltar que a utilização das redes neurais artificiais é uma ferramenta de auxílio à tomada de decisões, e não um programa que substitua o conhecimento científico e técnico. / This work aimed to use artificial neural networks to explain the occurred phenomena in the poultry slaughterhouse. The descriptive statistics and the difference among the variable averages from the initial data were calculated with SPSS software, and the software used to build the artificial neural networks was Neruoshell Predictor, developed by Ward Systems Group. Data from three poultry and one swine slaughterhouses, gathered from 2004 until 2006, were used in this study. In these data there were information about carcasses condemnation, chillers, absorption tests, carcasses weights, medications and others. To build the neural networks,the chosen variables were identified as “input” and “output”. The “input” variables were selected for the predictive model calculation and the “output” variable for the one to be predicted. It was made 8 models with different databases. In all these models, the generated artifical neural networks were well adjusted always presenting a high Multiple Deteminant Coefficient (R²) and correlation and the lowest Mean Squared Error (QME) and mean error. Also the differences between the real value and the predicted value in the 8 models studied were not statistically significant.This study concludes that artifical neural network, with the used software, were capable to explain the phenomena involved in the poultry slaughterhouse and that the modeling can also be extended to swine slaughterhouse. This powerfull technique offers objective criteria, scientifically generated, which can be used to assist in the decisions analysis process for this industry. It also allows to make simulations and to measure the contribution of each variable in the phenomena studied. It’s important to point out that artificial neural networks are intruments to assist the technician in decision making. Thus, it is not a program able to replace the cientific and technical knowledge.

Este trabalho teve por objetivo utilizar redes neurais artificiais para explicar fenômenos que ocorrem em matadouros- frigoríficos avícolas. A estatística descritiva e a diferença entre as variáveis foram calculadas através do programa computacional SPSS for Windows 10.0 e para a construção das redes neurais artificiais foi utilizado o programa Neuroshell Predictor desenvolvido pela Ward Systems Group. Foram utilizados dados de 2004 a 2006 de dois matadouros- frigoríficos de aves e ocasionalmente um matadouro- frigorífico de suínos. Nos arquivos oferecidos pelas empresas, haviam dados de gerenciamento de matadouros-frigoríficos, como por exemplo, planilhas de condenação da inspeção, dados sobre chiller, teste de absorção das carcaças, dados sobre peso de carcaças, entre outros. Para a construção dos modelos foram escolhidas as “entradas”, para o cálculo do modelo preditivo, e a variável de “saída” a ser predita. Foram gerados oito (8) modelos com diferentes bancos de dados. Todos esses modelos apresentaram redes neurais artificiais bem ajustadas, com valores altos para Correlação e Coeficiente de Determinação Múltipla (R²) e valores baixos para o Erro Médio e o Quadrado médio do Erro (QME). Não houve diferenças significativas entre os valores reais e os valores preditos em todas as validações dos oito (8) modelos. As redes neurais artificiais, com o software utilizado, foram capazes de explicar os fenômenos que envolvem o gerenciamento de matadouros-frigoríficos de aves, e ocasionalmente de suínos. A técnica utilizada oferece critérios objetivos, cientificamente desenvolvida, que será de grande valia no auxílio do técnico responsável pela tomada de decisões. A técnica permite também realizar simulações e mensurar a contribuição de diferentes variáveis que influenciam no fenômeno. É importante ressaltar que a utilização das redes neurais artificiais é uma ferramenta de auxílio à tomada de decisões, e não um programa que substitua o conhecimento científico e técnico. / This work aimed to use artificial neural networks to explain the occurred phenomena in the poultry slaughterhouse. The descriptive statistics and the difference among the variable averages from the initial data were calculated with SPSS software, and the software used to build the artificial neural networks was Neruoshell Predictor, developed by Ward Systems Group. Data from three poultry and one swine slaughterhouses, gathered from 2004 until 2006, were used in this study. In these data there were information about carcasses condemnation, chillers, absorption tests, carcasses weights, medications and others. To build the neural networks,the chosen variables were identified as “input” and “output”. The “input” variables were selected for the predictive model calculation and the “output” variable for the one to be predicted. It was made 8 models with different databases. In all these models, the generated artifical neural networks were well adjusted always presenting a high Multiple Deteminant Coefficient (R²) and correlation and the lowest Mean Squared Error (QME) and mean error. Also the differences between the real value and the predicted value in the 8 models studied were not statistically significant.This study concludes that artifical neural network, with the used software, were capable to explain the phenomena involved in the poultry slaughterhouse and that the modeling can also be extended to swine slaughterhouse. This powerfull technique offers objective criteria, scientifically generated, which can be used to assist in the decisions analysis process for this industry. It also allows to make simulations and to measure the contribution of each variable in the phenomena studied. It’s important to point out that artificial neural networks are intruments to assist the technician in decision making. Thus, it is not a program able to replace the cientific and technical knowledge.

O momento do agrupamento é um dos fatores de grande importância para o sucesso do alojamento coletivo para fêmeas suínas gestantes. O presente trabalho teve como objetivo comparar o agrupamento de leitoas em baias com sistema eletrônico de alimentação (ESF), agrupadas aos sete ou aos 30 dias após a cobertura, com o alojamento convencional em gaiolas. As fêmeas foram distribuídas aleatoriamente em três grupos, de acordo com o sistema de alojamento e momento após a cobertura: G= leitoas em gaiolas durante toda a gestação; B7= leitoas agrupadas em baias coletivas aos sete dias após a cobertura; B30= leitoas agrupadas em baias coletivas aos 30 dias após a cobertura. Foi observada maior taxa de parto (P<0,05) para o tratamento G comparado ao B7 (89,7 e 83,2, respectivamente). Não houve diferença entre os tratamentos na manutenção da gestação após 28 dias (P>0,05). Foi observada maior chance de ter maior escore de lesões corporais nos 3, 12 e 25 dias após o agrupamento nas fêmeas B7 e B30 em comparação a fêmeas G. Ao final da gestação, as fêmeas B7 e B30 também tiveram maior chance de lesões corporais, lesões de membros locomotores e claudicação em comparação às fêmeas G (P<0,05). Houve maior descarte por problemas locomotores no tratamento B7 do que nos tratamentos B30 e G (P<0,05). Não houve efeito do sistema ou momento de alojamento nas seguintes características da leitegada: total de leitões nascidos, nascidos vivos, mumificados, peso e variação do peso ao nascimento, número de leitões com peso <1000 g. Em conclusão, o alojamento de leitoas gestantes em baias coletivas com ESF, apesar de reduzir a taxa de parto quando agrupadas aos sete dias após a cobertura, pode ser efetuado aos 30 dias após a inseminação, sem prejuízo para o desempenho reprodutivo e características da leitegada, porém com maior escore de lesões durante a gestação quando comparados ao grupo alojado em gaiolas. / Time of mixing is a key factors that influencing the success of group housing system for gestating sows. The aim of this study was to evaluate the effects of time of mixing gilts in pens with electronic sow feeding (ESF) system, at d 7 or 30 after breeding, or housing in individual stalls. Gilts were randomly assigned to one of the three treatments: G= gilts housed in stalls throughout gestation; B7= gilts housed in pens 7 d after breeding; and B30= gilts housed in pens 30 d after breeding. Greater farrowing rate (P < 0.05) was observed for G than for B7 (89.7 and 83.2, respectively). There was no evidence for differences between treatments in maintaining the pregnancy after 28 d (P > 0.05). Greater chance of higher levels of body injury score was observed at 3, 12, and 25 d after mixing in B7 and B30 gilts compared to G gilts. At d 107 of gestation, B7 and B30 gilts were also more likely to have body injuries, locomotor injuries, and lameness compared with G gilts (P < 0.05). Cull rates of sows was higher due to locomotor problems in B7 than in B30 and G treatments (P < 0.05). There was no differences on the effect of housing system or time of mixing in total piglets born, born alive, mummified, piglet birth weight and coefficient of variation of birth weight within the litter, and proportion of piglets weighing <1000 g. In conclusion, despite B7 show lesser farrowing rate than G, mixing gestating gilts 30 d after breeding can be performed without impairing the reproductive performance and litter characteristics, however show higher injuries than gilts housing in individual stalls.

O momento do agrupamento é um dos fatores de grande importância para o sucesso do alojamento coletivo para fêmeas suínas gestantes. O presente trabalho teve como objetivo comparar o agrupamento de leitoas em baias com sistema eletrônico de alimentação (ESF), agrupadas aos sete ou aos 30 dias após a cobertura, com o alojamento convencional em gaiolas. As fêmeas foram distribuídas aleatoriamente em três grupos, de acordo com o sistema de alojamento e momento após a cobertura: G= leitoas em gaiolas durante toda a gestação; B7= leitoas agrupadas em baias coletivas aos sete dias após a cobertura; B30= leitoas agrupadas em baias coletivas aos 30 dias após a cobertura. Foi observada maior taxa de parto (P<0,05) para o tratamento G comparado ao B7 (89,7 e 83,2, respectivamente). Não houve diferença entre os tratamentos na manutenção da gestação após 28 dias (P>0,05). Foi observada maior chance de ter maior escore de lesões corporais nos 3, 12 e 25 dias após o agrupamento nas fêmeas B7 e B30 em comparação a fêmeas G. Ao final da gestação, as fêmeas B7 e B30 também tiveram maior chance de lesões corporais, lesões de membros locomotores e claudicação em comparação às fêmeas G (P<0,05). Houve maior descarte por problemas locomotores no tratamento B7 do que nos tratamentos B30 e G (P<0,05). Não houve efeito do sistema ou momento de alojamento nas seguintes características da leitegada: total de leitões nascidos, nascidos vivos, mumificados, peso e variação do peso ao nascimento, número de leitões com peso <1000 g. Em conclusão, o alojamento de leitoas gestantes em baias coletivas com ESF, apesar de reduzir a taxa de parto quando agrupadas aos sete dias após a cobertura, pode ser efetuado aos 30 dias após a inseminação, sem prejuízo para o desempenho reprodutivo e características da leitegada, porém com maior escore de lesões durante a gestação quando comparados ao grupo alojado em gaiolas. / Time of mixing is a key factors that influencing the success of group housing system for gestating sows. The aim of this study was to evaluate the effects of time of mixing gilts in pens with electronic sow feeding (ESF) system, at d 7 or 30 after breeding, or housing in individual stalls. Gilts were randomly assigned to one of the three treatments: G= gilts housed in stalls throughout gestation; B7= gilts housed in pens 7 d after breeding; and B30= gilts housed in pens 30 d after breeding. Greater farrowing rate (P < 0.05) was observed for G than for B7 (89.7 and 83.2, respectively). There was no evidence for differences between treatments in maintaining the pregnancy after 28 d (P > 0.05). Greater chance of higher levels of body injury score was observed at 3, 12, and 25 d after mixing in B7 and B30 gilts compared to G gilts. At d 107 of gestation, B7 and B30 gilts were also more likely to have body injuries, locomotor injuries, and lameness compared with G gilts (P < 0.05). Cull rates of sows was higher due to locomotor problems in B7 than in B30 and G treatments (P < 0.05). There was no differences on the effect of housing system or time of mixing in total piglets born, born alive, mummified, piglet birth weight and coefficient of variation of birth weight within the litter, and proportion of piglets weighing <1000 g. In conclusion, despite B7 show lesser farrowing rate than G, mixing gestating gilts 30 d after breeding can be performed without impairing the reproductive performance and litter characteristics, however show higher injuries than gilts housing in individual stalls.

O momento do agrupamento é um dos fatores de grande importância para o sucesso do alojamento coletivo para fêmeas suínas gestantes. O presente trabalho teve como objetivo comparar o agrupamento de leitoas em baias com sistema eletrônico de alimentação (ESF), agrupadas aos sete ou aos 30 dias após a cobertura, com o alojamento convencional em gaiolas. As fêmeas foram distribuídas aleatoriamente em três grupos, de acordo com o sistema de alojamento e momento após a cobertura: G= leitoas em gaiolas durante toda a gestação; B7= leitoas agrupadas em baias coletivas aos sete dias após a cobertura; B30= leitoas agrupadas em baias coletivas aos 30 dias após a cobertura. Foi observada maior taxa de parto (P<0,05) para o tratamento G comparado ao B7 (89,7 e 83,2, respectivamente). Não houve diferença entre os tratamentos na manutenção da gestação após 28 dias (P>0,05). Foi observada maior chance de ter maior escore de lesões corporais nos 3, 12 e 25 dias após o agrupamento nas fêmeas B7 e B30 em comparação a fêmeas G. Ao final da gestação, as fêmeas B7 e B30 também tiveram maior chance de lesões corporais, lesões de membros locomotores e claudicação em comparação às fêmeas G (P<0,05). Houve maior descarte por problemas locomotores no tratamento B7 do que nos tratamentos B30 e G (P<0,05). Não houve efeito do sistema ou momento de alojamento nas seguintes características da leitegada: total de leitões nascidos, nascidos vivos, mumificados, peso e variação do peso ao nascimento, número de leitões com peso <1000 g. Em conclusão, o alojamento de leitoas gestantes em baias coletivas com ESF, apesar de reduzir a taxa de parto quando agrupadas aos sete dias após a cobertura, pode ser efetuado aos 30 dias após a inseminação, sem prejuízo para o desempenho reprodutivo e características da leitegada, porém com maior escore de lesões durante a gestação quando comparados ao grupo alojado em gaiolas. / Time of mixing is a key factors that influencing the success of group housing system for gestating sows. The aim of this study was to evaluate the effects of time of mixing gilts in pens with electronic sow feeding (ESF) system, at d 7 or 30 after breeding, or housing in individual stalls. Gilts were randomly assigned to one of the three treatments: G= gilts housed in stalls throughout gestation; B7= gilts housed in pens 7 d after breeding; and B30= gilts housed in pens 30 d after breeding. Greater farrowing rate (P < 0.05) was observed for G than for B7 (89.7 and 83.2, respectively). There was no evidence for differences between treatments in maintaining the pregnancy after 28 d (P > 0.05). Greater chance of higher levels of body injury score was observed at 3, 12, and 25 d after mixing in B7 and B30 gilts compared to G gilts. At d 107 of gestation, B7 and B30 gilts were also more likely to have body injuries, locomotor injuries, and lameness compared with G gilts (P < 0.05). Cull rates of sows was higher due to locomotor problems in B7 than in B30 and G treatments (P < 0.05). There was no differences on the effect of housing system or time of mixing in total piglets born, born alive, mummified, piglet birth weight and coefficient of variation of birth weight within the litter, and proportion of piglets weighing <1000 g. In conclusion, despite B7 show lesser farrowing rate than G, mixing gestating gilts 30 d after breeding can be performed without impairing the reproductive performance and litter characteristics, however show higher injuries than gilts housing in individual stalls.