Agenda
À la une

Soutenance de thèse de Raphaël Gauthier

Amphi Moule, campus de Rennes

Système d’alimentation de précision des truies en lactation par modélisation et machine learning

Thèse dirigée par : Jean-Yves Dourmad, UMR Physiologie, Envionnement et Génétique pour l'Animal et les Systèmes d'Élevage (Pegase)

Résumé

L'utilisation des ressources alimentaires est au cœur des enjeux de durabilité de l'élevage porcin. Cette thèse présente les différentes étapes de construction d'un système d'aide à la décision pour l'alimentation individualisée et en temps réel des truies en lactation, suivies de son évaluation en élevage. Sa construction s'appuie sur une approche de modélisation des besoins nutritionnels à l'échelle de l'individu, combinée à différentes approches d'apprentissage par machine learning, pour la prédiction des paramètres nécessaires au calculs des besoins. L'utilisation du système en temps réel s'appuie sur des données sur la truie et sa portée, aujourd'hui accessibles à haut débit en élevage. Les besoins nutritionnels pour la production de lait peuvent être prédits par des algorithmes d'apprentissage supervisés, à partir d'un nombre restreint d'attributs. Concernant la consommation alimentaire, facteur important pour la détermination de la composition de la ration, la méthode de prédiction proposée s'appuie sur un apprentissage non-supervisé par clustering de données collectées en temps réel en élevage à l’aide d’un automate de distribution. Testé en élevages, ce dispositif permet d'atteindre des performances zootechniques très proches des systèmes d'alimentation conventionnels, tout en réduisant significativement les apports de protéines, l’excrétion d’azote et de phosphore et le coût alimentaire et en améliorant la couverture des besoins nutritionnels à l'échelle individuelle.

Mots-clés : alimentation de précision, lactation, modèle nutritionnel, apprentissage supervisé, clustering, séries temporelles

Abstract

The use of feed resources is a major lever to improve the sustainability of pig farming systems. This thesis presents the different steps in the building of a decision support system (DSS) for individualized and real-time feeding of lactating sows, followed by its evaluation in experimental conditions. The DSS is based on a modeling approach of nutritional requirements at the individual level, combined with different machine learning approaches for the real-time prediction of parameters that are required for the determination of requirements. The real time use of the DSS in practice is based on data on the sow and her litter, nowadays available at high throughput in pig farms. Nutritional requirements for milk can be predicted from a limited number of attributes by supervised learning algorithms. Regarding feed intake, which is a major parameter for determining the composition of the ration, the proposed method is based on clustering (unsupervised learning) of feed intake time series, collected in real time with automated feeding devices. When evaluated in farm conditions, the DSS allows to achieve similar sow and litter performance as the conventional feeding system, whilst reducing protein intake, nitrogen and phosphorus excretion and feed cost, and ensuring a better coverage of nutritional needs at the individual level.

Keywords: precision feeding, lactation, nutritional model, supervised learning, clustering, time series