Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Weber, Cleusa Inês | - |
Autor(es): dc.contributor | Johann, Gracielle | - |
Autor(es): dc.contributor | Johann, Gracielle | - |
Autor(es): dc.contributor | Marchi, João Francisco | - |
Autor(es): dc.contributor | Colombo, Ronan Carlos | - |
Autor(es): dc.creator | Alvares, Samuel Victor Santos de Matos | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:09:09Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:09:09Z | - |
Data de envio: dc.date.issued | 2024-03-11 | - |
Data de envio: dc.date.issued | 2024-03-11 | - |
Data de envio: dc.date.issued | 2023-12-07 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/33578 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1108239 | - |
Descrição: dc.description | With the increase in chicken meat production and consumption, consumers have become more demanding, with the quality of the meat becoming a fundamental factor. Among the concerns, the quality of the carcass and the excess water absorbed during the slaughter and cooling processes stand out. In this context, this study sought to measure the impacts of known parameters that can interfere with water absorption in the post-slaughter process of a slaughterhouse through data analysis using Python. The main objective was to develop a predictive model using artificial neural networks for water absorption in chicken carcasses, considering variables: scalding tank temperature 1 and 2; retention time in scalding tanks 1 and 2; temperature of the 1st, 2nd and 3rd plucking machine; initial carcass weight after bleeding; initial and final pre-chiller temperature; initial and final chiller temperature; pre-chiller retention time; total cooling time; chiller retention time; final weight of the carcass after the chiller. The methodology involved data collection, standardization, model training using neural networks, optimization, performance evaluation and analysis of the importance of variables (temperature of the 1st and 2nd scalding tanks; initial temperature of the pre-chiller; final temperature of the pre-chiller -chiller; plucking temperature 1, 2 and 3). The model achieved an impact of 0.004868 for the temperature of the 1st scalding tank and 0.014184 for the 2nd scalding tank, 0.007995 for the initial pre-chiller temperature, 0.004819 for the final pre-chiller temperature, 0.003780 for the plucking temperature 1, 0.003487 plucking temperature 2 and 0.004342 plucking temperature 3, highlighting the effectiveness in predicting absorption. It showed a significant correlation of 0.8913 for water absorption in chicken carcasses. Therefore, parameters related to the cooling stages demonstrated an impact on absorption. Although promising, the model requires continuous improvements due to the complexity of the poultry environment. | - |
Descrição: dc.description | Com o aumento da produção da carne de frango e o seu consumo, o consumidor se tornou mais exigente, sendo que a qualidade da carne se tornou um fator fundamental. Entre as preocupações, se destaca a qualidade da carcaça e o excesso de água absorvida durante os processos de abate de frango e resfriamento das carcaças. Neste contexto, esse estudo buscou mensurar os impactos de parâmetros conhecidos que podem interferir na absorção de água no processo pós-abate de um frigorífico através da análise de dados em Python. O objetivo principal foi desenvolver um modelo preditivo utilizando redes neurais artificiais para a absorção de água em carcaças de frango, considerando variáveis: temperatura tanque de escaldagem 1° e 2° estágios; tempo de retenção no tanque de escaldagem 1° e 2° estágio; temperatura da 1°, 2° e 3° depenadeiras; peso inicial da carcaça após a sangria; temperatura inicial e final do pré-chiller; temperatura inicial e final do chiller; tempo de retenção do pré-chiller; tempo de retenção do chiller; peso final da carcaça após o chiller. A metodologia envolveu a coleta de dados, padronização, treinamento do modelo utilizando redes neurais, otimização, avaliação do desempenho e análise da importância das variáveis (temperatura do 1° e 2° estágio do tanque de escaldagem; temperatura inicial do pré-chiller; temperatura final do pré-chiller; temperatura da 1°, 2° e 3° depenadeira). O modelo alcançou um grau de importância de 0.004868 para a temperatura do 1° estágio do tanque de escaldagem e 0.014184 para o 2° estágio do tanque de escaldagem, 0.007995 para a temperatura inicial do pré-chiller, 0.004819 para a temperatura final do pré-chiller, 0.003780 para temperatura 1° depenadeira, 0.003487 temperatura 2° depenadeira e 0.004342 temperatura 3° depenadeira, destacando a eficácia na previsão da absorção. O presente trabalho apresentou uma correlação significativa de 0,8913 para a absorção de água em carcaças de frango. Portanto, parâmetros relacionados aos estágios de resfriamento e escaldagem demonstraram impacto na absorção. Embora promissor, o modelo demanda aprimoramentos contínuos devido à complexidade do ambiente avícola. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Francisco Beltrao | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Engenharia de Alimentos | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | - |
Palavras-chave: dc.subject | Frango de corte | - |
Palavras-chave: dc.subject | Carne - Resfriamento | - |
Palavras-chave: dc.subject | Alimentos - Umidade | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Broilers (Chickens) | - |
Palavras-chave: dc.subject | Meat - Cooling | - |
Palavras-chave: dc.subject | Food - Moisture | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS AGRARIAS::CIENCIA E TECNOLOGIA DE ALIMENTOS::ENGENHARIA DE ALIMENTOS | - |
Título: dc.title | Utilização de redes neurais artificiais para determinação e avaliação de parâmetros que influenciam na absorção de água em carcaças de frangos | - |
Título: dc.title | Use of artificial neural networks to determine and evaluate parameters that influence water absorption in chicken carcasses | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: