Geri Dön

Yapay zekâ modelleriyle tam ölçekli çamur çürütme reaktörlerinden elde edilen biyogaz üretiminin tahmini: Yapay sinir ağları ve fuzzy logıc uygulamaları

Artificial intelligence-based modeling for prediction of biogas production rate from full-scale anaerobic sludge digestion reactors: Neural networks and fuzzy logic applications

  1. Tez No: 315996
  2. Yazar: KEVSER KARAKAYA
  3. Danışmanlar: YRD. DOÇ. DR. KAAN YETİLMEZSOY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Çevre Mühendisliği, Environmental Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2012
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Çevre Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 225

Özet

Tam ölçekli bir anaerobik çamur çürütme prosesinde üretilen biyogaz debisinin tahmini için yapay zekâ esaslı modelleme teknikleri (yapay sinir ağları (YSA) ve bulanık mantık) ve çoklu regresyon metodu kullanılarak modelleme çalışmaları yapılmıştır. Çalışma kapsamında; beslenen çamur debisi, toplam katı madde (TKM) muhtevası, toplam uçucu katı madde (TUKM) muhtevası, alkalinite ve uçucu yağ asidi (UYA) konsantrasyonu olmak üzere beş bağımsız girdi değişkeni ile modelleme yapılmıştır.YSA tabanlı olarak gerçekleştirilen birinci modelleme çalışmasında, MATLAB® V7.9.0.529 (R2009b, Lisans No: 161051) paket programı kullanılmıştır. Temel bileşen analizini (PCA) takiben 11 farklı geri yayılım (BP) algoritması kendi içerisinde ortalama karesel hata (MSE) değerleri bazında mukayese edilmiş ve scaled conjugate gradient algoritması en iyi eğitim algoritması olarak belirlenmiştir. Seçilen eğitim algoritması (trainscg) için üretilen biyogaz debisi tahmininde gizli katmanda kullanılacak optimize nöron sayısı 14 olarak bulunmuştur. Optimize edilen üç katmanlı YSA modeli (5:14:1) için determinasyon katsayısı (R2) 0.6496 olarak elde edilmiştir.Bu çalışma kapsamındaki ikinci yapay zekâ esaslı modelleme çalışmasında, tam ölçekli anaerobik çamur çürütme prosesinden üretilen biyogaz debisinin tahmini için bulanık mantık (fuzzy logic) tekniği ile modelleme çalışmaları gerçekleştirilmiştir. Çalışmada, MATLAB® V7.9 yazılım programında mevcut ?Bulanık Mantık Modülü? (Fuzzy Logic Toolbox) kullanılarak bir ?Bulanık Çıkarım Sistemi? (Fuzzy Inference System - FIS) oluşturulmuştur. Bu maksatla, bir MISO (çoklu girdili, tekli çıktılı) modeli geliştirilmiş ve beş girdi değişkeni yapay zekâ yaklaşımı ile bulanıklaştırılmıştır. Girdi ve çıktı değişkenleri için sırasıyla on ve yirmi seviyeli trapez üyelik fonksiyonları ile bulanık altkümeler oluşturulmuştur. Çalışma kapsamında, Mamdani tipi bir bulanık çıkarım sistemi kullanılarak EĞER-İSE (IF-THEN) formatında toplam 394 adet kural yazılmıştır. Seçilen üyelik fonksiyonu için Bulanık Çıkarım Sistemindeki (FIS) OR, AND, IMPLICATION, AGGREGATION ve DEFUZZIFICATION metodlarında, literatürde en çok kullanılan (prod, max, prod, sum, centroid) FIS operatörleri esas alınmış ve en uygun FIS yapısı belirlenmiştir.Yapılan çalışmada, bulanık mantık tahmininden çıkan sonuçlar, yapay sinir ağlarından ve üçüncü modelleme çalışması kapsamında oluşturulan çoklu regresyon modelinden elde edilen çıktı sonuçları (R2 = 0.5665) ile farklı istatistiksel performans indikatörleri için karşılaştırılmıştır. Tam ölçekli anaerobik çamur çürütme prosesinden elde edilen veriler için gerçekleştirilen tüm modelleme sonuçlarına göre, önerilen MISO türü bulanık mantık tabanlı modelinin yapay sinir ağları ve çoklu regresyon modellerine kıyasla potansiyel üretilen biyogaz debisi tahmininde daha az sapma ve çok daha iyi performans gösterdiği tespit edilmiş ve söz konusu çıktı parametresi için determinasyon katsayısı (R2) 0.8765 olarak belirlenmiştir.

Özet (Çeviri)

In this study, artificial intellingence-based prognostic methods (i.e. artificial neural networks (ANN) and fuzzy-logic) and a multiple regression-based analysis were conducted to predict biogas production rate from a full-scale sludge digestion process. In the scope of the present work, five process-related parameters such as influent sludge flow rate, total solids (TS) content, total volatile solid (VS) content, alkalinity and volatile fatty acids (VFA) concentration were considered as the independent input variables of the proposed models.In the first part of this study, an ANN-based modeling study was performed by using MATLAB® V7.9.0.529 (R2009b, License No: 161051) software. Following to pricipal component analysis (PCA), a benchmark comparison of 11 back-propagation (BP) algorithms was employed by means of their respective mean squared errors (MSE), and scaled conjugate gradient algorithm was found as the best of 11 BP algorithms. According to the selected training algorithm (trainscg), the number of neurons at the hidden layer was optimized as 14, and the coefficient of determination (R2) was obtained as 0.6496 for the optimal three-layer ANN structure (5:14:1).In the second part of the present study, a fuzzy-logic-based methodology was conducted to predict biogas production rate from the full-scale sludge digestion process. In this part, a“Fuzzy Logic Module”(Fuzzy Logic Toolbox) was created by using a“Fuzzy Inference System”(FIS) within the framework of MATLAB® V7.9.0.529 software. For this purpose, a MISO (multiple inputs single output) type fuzzy-logic model was developed and five input variables were fuzzified in a knowledge-based manner. Trapezoidal membership functions with ten and twenty levels were implemented for the fuzzy subsets, and a Mamdani-type fuzzy inference system was used to implement a total of 394 rules in IF-THEN format. The most widely used methods in the literature, prod, max, prod, sum, centroid, were employed as the inference operators for IMPLICATION, AGGREGATION and DEFUZZIFICATION methods conducted in this study.Fuzzy logic predicted results were compared with the outputs of both ANN-based model and a polynomial multiple regression-based model (the third part of the present work) derived in this study. Findings of this study clearly indicated that, compared to ANN model and conventional multiple regression approach, the proposed MISO fuzzy-logic-based model produced smaller deviations and exhibited a superior predictive performance on forecasting both COD removal efficiency and biogas production rates with satisfactory determination coefficient (R2) about 0.8765.

Benzer Tezler

  1. Deep learning based road segmentation from multi-source and multi-scale data

    Çok kaynaklı ve çok ölçekli veriyle derin öğrenme tabanlı yol bölütlenmesi

    OZAN ÖZTÜRK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. DURSUN ZAFER ŞEKER

  2. Application of hybrid simulation and improvement of decision tree algorithms for real-time transient stability prediction based on PMU measurements

    PMU ölçümlerine dayalı gerçek zamanda geçici hal kararlılığı kestirimi için hibrit simülasyon uygulaması ve karar ağacı algoritmalarının geliştirilmesi

    TOHID BEHDADNIA

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

  3. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  4. 155 mm. MKE mod 274 uzun menzilli topçu mühimmatı sevk çemberi kaynak prosesinin yapay sinir ağları ile iyileştirilerek hatalı ürün oranlarının azaltılması

    Reducing rates of faulty products of 155 mm. MKE mod 274 long-range artillery ammunition rotating band welding process with artificial neural network

    İHSAN ÇAĞATAY ÖNCEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Endüstri ve Endüstri MühendisliğiKırıkkale Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SÜLEYMAN ERSÖZ

  5. Görüntü işleme süreç ve sonuçları açısından google ve yerel makine öğrenmelerinin kıyaslanması

    Comparison of google and local machine learning in terms of image processing process and results

    ZAFER KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKütahya Dumlupınar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DOĞAN AYDIN