Analysis of published data in the literature to extract knowledge for Fischer-Tropsch synthesis
Fischer-Tropsch sentezi ile ilgili bilgi çıkarımı için literatürde yayımlanan verilerin analizi
- Tez No: 410503
- Danışmanlar: PROF. DR. RAMAZAN YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2015
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 160
Özet
Bu çalışmada, literatürde yayımlanan deneysel veriler üzerine özdevimli öğrenme algoritmaları kullanılarak Fischer-Tropshc Sentezi (FTS) üzerine genelgeçer ampirik modeller oluşturulmuştur. FTS'deki CO dönüşümü R 3.1.2 ortamında çoklu doğrusal regresyon, yapay sinir ağı (YSA), karar ağacı ve rastgele orman (random forest) algoritmaları kullanılarak katalizör tasarımı değişkenleri, katalizörün fiziksel özellikleri ve operasyon koşullarının bir fonksiyonu olarak modellenmiştir. Katalizörün fiziksel özelliklerindeki eksik değerler, bilinen değerlere dayanan YSA modelleri kullanılarak tahmin edilmiştir. Tamamlanan veri tabanı üzerine kurulan çoklu doğrusal regresyon ve karar ağacı sınıflandırma modelleri deneme seti üzerinde düşük tahmin oranıyla en az güvenilir sonuçları üretmişlerdir. Öte yandan, YSA ve rastgele orman modellerinin tahmin gücü sırasıyla 0.40 ve 0.59 R2 değerleri ile çok daha yüksek bulundu. Bu iki model üzerinde yapılan önem analizi, operasyon sıcaklığının FTS katalitik aktivitesindeki en önemli değişken olduğunu göstermiştir. Bu modellerin tahmin güçleri, bütün veri tabanının temel metal ve operasyon sıcaklığına göre ayrılmış Co tabanlı, Fe tabanlı, düşük sıcaklık ve yüksek sıcaklık alt gruplarıyla eğitilmiş alt modeller oluşturularak geliştirilmiştir. Bu alt modellerin R2 değerleri YSA algoritmasıyla 0.43 ve 0.53, rastgele orman algoritmasıyla ise 0.62 ve 0.66 değerleri arasında değişkenlik göstermiştir. Bu alt modellerde yapılan önem analizi, Fe tabanlı alt grupta katalizör hazırlama değişkenleri daha baskınken, Co tabanlı alt grupta operasyon koşullarının en önemli değişkenler olduklarını göstermiştir. YSA modellerindeki en önemli üç değişkenin etkisini gözlemlemek için hassaslık analizi yapılmıştır. Bütün modeller üzerinde yapılan kalıntı analizi, kullanılan algoritmaların akıştaki zamanın CO dönüşümü üzerindeki etkisini yansıtamadığını göstermiştir. Bu kestirimci yaklaşımlara ilaveten, giriş değişkenleri ve CO dönüşümü arasındaki korelasyonları betimlemek için temel bileşen analizi kullanılmıştır. Bu analiz, operasyon sıcaklığının en önemli değişken olduğunu belirleyerek YSA ve rastgele orman modellerinin sonuçlarını doğrulamıştır.
Özet (Çeviri)
In this study, empirical global models for Fischer-Tropsch Synthesis (FTS) performance were constructed by using machine learning algorithms on the experimental data published in the literature. CO conversion in FTS was modelled as a function of catalyst design variables, physical properties of the catalyst, and operating conditions by using multiple linear regression, artificial neural network (ANN), decision tree, and random forest in R 3.1.2 environment. The missing values in the physical properties were estimated by constructing ANN models on the known instances. Multiple linear regression and decision tree classification models on the completed dataset yielded the least reliable results with low prediction accuracies. The predictive power of the ANN and random forest models, on the other hand, were much higher with R2 values of 0.40 and 0.59, respectively. The importance analysis on both models revealed that operating temperature is the most crucial attribute in FTS catalytic activity. The predictive power of the models were improved by constructing sub-models trained by the Co-based, Fe-based, low temperature, and high temperature subsets, which were generated by splitting the entire dataset with respect to the base metal and operating temperatures. The R2 values for these sub-models ranged between 0.43 and 0.53 with ANN, and 0.62 and 0.66 with random forest algorithms. According to the importance analyses on these sub-models, the catalyst design variables were determined to be more dominant in Fe-based subset, whereas operating conditions had the utmost importance for Co-based subset. Sensitivity analysis was conducted to observe the effect of three of the most important attributes in the ANN models. The residual analysis on each model revealed that all of the algorithms failed to represent the effect of time on stream on CO conversion. In addition to these predictive approaches, principal component analysis was used to describe the correlations between the input variables and CO conversion. It validated the outcomes of ANN and random forest models by determining the operating temperature as the most important attribute.
Benzer Tezler
- Knowledge extraction for the steam reforming of methane from the published papers in the literature using data mining techniques
Literatürde yayınlanmış makalelerden veri madenciliği teknikleri kullanarak metan buhar reformu ile ilgili bilgi çıkarımı
MELTEM BAYSAL
Yüksek Lisans
İngilizce
2015
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM
YRD. DOÇ. DR. MEHMET ERDEM GÜNAY
- Knowledge extraction from published papers in literature for the catalytic methanol production from synthesis gas using data mining tools
Veri madenciliği araçları kullanılarak literatürde yayınlanan makalelerden sentez gazından katalitik metanol üretimi konusunda bilgi çıkarımı
DENNIS MOSKOV
Yüksek Lisans
İngilizce
2016
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. RAMAZAN YILDIRIM
YRD. DOÇ. MUSTAFA GÖKÇE BAYDOĞAN
- Construction and analysis of a database for photocatalytic water splitting from the published articles
Yayınlanmış makalelerden suyun fotokatalitik ayrıştırılması ile ilgili veri tabanı oluşturulması ve analizi
ELİF CAN
Yüksek Lisans
İngilizce
2015
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM
- Markov ve Gibbs rastlantı alan modelleri ile doku sentezleme ve sınıflandırma
Texture synthesis and classification using Markov and Gibbs random field models
ERDOĞAN CAMCIOĞLU
Yüksek Lisans
Türkçe
1990
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. ERDAL PANAYIRCI
- Machine learning analysis of data collected from published literature on photocatalytic reforming of glycerol
Gliserolün fotokatalitik reformlaması hakkında literatürden toplanan veriler ile makine öğrenmesi analizi
RÜVEYDA KARAKOYUN
Yüksek Lisans
İngilizce
2023
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM