Korrelkwaliteit blijft een terugkerend onderwerp in de diervoedersector. Hoe kun je deze beheersen en voorspellen? Met behulp van ‘machine learning’ kunnen voorspellingen worden gedaan wanneer er een groot aantal variabelen meespelen, zo blijkt uit Canadees onderzoek.

Vooral de buitentemperatuur, het verwerkingspercentage van bakkerijproducten en tarwe waren van invloed op de korrelkwaliteit.

Korrels kennen de voordelen van een betere verteerbaarheid van nutriënten en een hogere voeropname. Bovendien zijn ze gemakkelijk in opslag en transport. De kwaliteit van de korrel wordt door vele factoren beïnvloed. Uit eerder onderzoek is bekend dat nutriënt- en grondstofsamenstelling, procescondities, de omgeving van de fabriek, maar ook de kennis en ervaringen van de operators hiertoe van belang zijn. In de vele deelprocessen wordt de korrelkwaliteit beïnvloed, bijvoorbeeld door de matrijsspecificaties, de deeltjesgrootteverdeling en het conditioneer- en koelproces.

Korrelkwaliteit voorspellen

In een studie van de Universiteit van Guelph, Canada, is gebruikgemaakt van ‘machine learning models’ om de korrelkwaliteit te voorspellen aan de hand van de gegevens van een mengvoederbedrijf aldaar. In deze studie is een dataset van 2471 observaties gebruikt, observaties tijdens het persproces, maar ook gegevens uit de omgeving van de mengvoederfabriek en gegevens over de voedersamenstelling.

Voor het onderzoek werden de gegevens van twee perslijnen (respectievelijk 18 en 19 ton per uur) gebruikt. De voerproductie werd gedurende acht maanden gevolgd. Al deze gegevens werden gebruikt om uiteindelijk – met een twaalftal verschillende modellen/algoritmen – de slijtvastheid van de korrel te voorspellen. Met als doel: de data in beeld krijgen die het meest relevant zijn voor deze voorspelling.

Gebruikte data

De data die zijn gebruikt om de rekenmodellen te valideren staan vermeld in tabel 1. In aanvulling daarop zijn verder meegenomen: het type productielijn (a of b), het doeldier (kalkoen, vleeskuiken, leghen, varken, zeug, zogende zeug), de operator (negen verschillende personen) en de parameter waar het uiteindelijk om draaide, de slijtvastheid van de korrel. Deze laatste werd gemeten als korrelslijtvastheid (%) gemeten via de Holmen-methode, waarbij na 60 seconden luchtwerveling het percentage intacte korrels werd gemeten.

Beslissende parameters

De fysische bepalingen en rekenanalyses gaven aan dat de slijtvastheid van de korrels gemiddeld 83,2 procent (met een standaardafwijking van 5,8 procent) bedroeg. Het bleek dat in de twee best gevalideerde rekenmodellen met name de buitentemperatuur, het verwerkingspercentage van bakkerijproducten en van tarwe van invloed waren. Maar bijvoorbeeld ook de gekozen productielijn van de fabriek was van grote invloed. Terwijl bijvoorbeeld het percentage vet in de voersamenstelling minder belangrijk bleek. Dit laatste bleek dan ook wel erg laag in de Canadese voeders.

Kanttekeningen

Variabelen als het vochtpercentage voor/na het conditioneren, alsook de deeltjesgrootteverdeling van het voer niet zijn meegenomen in dit onderzoek. Deze factoren zouden ook van invloed kunnen zijn op de korrelkwaliteit en zijn daarmee zeker factoren die nog eens in eenzelfde type onderzoek moeten worden meegenomen.

Leermodellen ontwikkelen

Het bijhouden en beschrijven van gegevens uit het persproces, de voersamenstelling en de omgeving van de fabriek kunnen dus succesvol worden gebruikt om leermodellen te ontwikkelen voor de voorspelling van de fysische kwaliteit van korrelvoeders. Uiteindelijk willen we natuurlijk naar een efficiënte productie van korrelvoeders qua kosten (grondstoffen, energie, duurzaamheid) en een hoge voedingswaarde van het voer.

Bron: J. You et al., 2022. Using machine learning regression models to predict the pellet quality of pelleted feeds. Anim.Feed Sci. Technol., 293, 115443.

Deel dit artikel

Thomas van der Poel