Data mining for carbon dioxide adsorption over amine modified adsorbents from publications in literature
Literatürde yayınlanmış makalelerden aminle modifiye edilmiş adsorbanlar üzerinde karbondioksit tutulumu için veri madenciliği
- Tez No: 474304
- Danışmanlar: PROF. DR. RAMAZAN YILDIRIM, DOÇ. DR. TUĞBA DAVRAN CANDAN
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezin amacı, karar ağaçları ve yapay sinir ağları gibi veri madenciliği tekniklerini kullanarak aminle modifiye edilmiş adsorbanların karbondioksit adsorpsiyonu için bilgi çıkarmaktır. 2002 ve 2016 yılları arasında yayınlanmış 30 makaleden deneysel veriler toplanmış, 26 değişken ve 1356 veri noktasından oluşan bir veri seti oluşturulmuştur. Adsorpsiyon kapasitesi (mmol CO2/g adsorbent) ve amin verimi (CO2/N oranı) ise performans (çıktı) değişkenleri olarak seçilmiştir. Karar ağaçları kullanarak analiz yapılırken hem adsorpsiyon kapasitesi hem de amin verimi için dörder sınıf tanımlanmış, her iki değişken için de en yüksek değerleri veren koşullar saptanmıştır. Karar ağaçlarının eğitim ve test için doğruluk oranları adsorpsiyon kapasitesi için sırasıyla 83.4% ve 82%, amin verimliliği için ise 80.8 %ve 77.3% bulunmuştur ki; bu değerler karar ağaçlarıyla yapılan analizin başarılı olduğunu göstermektedir. Tahmin edebilme gücü olan modeller geliştirmek için ise aynı set yapay sinir ağları kullanılarak modellenmiş, bunun için aktivasyon fonksiyonu olarak tansig, eğitim ve test algoritmaları olarak sırasıyla trainlm ve trainbr kullanılmıştır. Tahmin edebilme gücü en uygun sinir ağ yapısı adsorpsiyon kapasitesi için 26-10-1 (bir gizli katmanda 10 nöron), amin etkinliği için ise 26-9-1 (bir gizli katmanda dokuz nöron) olarak bulunmuştur. Adsorpsiyon kapasitesi için yapılan modelde R2 ve RMSE değerleri eğitim için sırasıyla 0.97 ve 0.118, test için ise 0.90 ve 0.250 olarak hesaplanmıştır. Amin etkinliği için ise R2 ve RMSE değerlerinin eğitim için sırasıyla 0.97 ve 0.023, test için ise 0.83 ve 0.053 olduğu görülmüştür. Bu sonuçlar yapay sinir ağlarıyla geliştirilen modellerin de başarılı olduğunu göstermektedir. Bu modeller ayrıca RMSE değişimi yöntemiyle birlikte değişkenlerin göreceli önem analizleri için de kullanılmıştır. Operasyon değişkenlerinin her iki analiz için de adsorpsiyon özelliklerinden daha yüksek öneme sahip oldukları belirlenmiştir.
Özet (Çeviri)
The aim of this thesis is to extract knowledge for carbon dioxide adsorption over amine modified adsorbents using two data mining techniques that are decision trees (DT) and artificial neural networks (ANN). The experimental data were collected from 30 papers published between 2002 and 2016. The data set consisted of 1356 data points with 26 attributes; the adsorption capacity (mmol CO2/g adsorbent) and amino efficiency (CO2/N ratio) were chosen as performance (output) variables. In DT analysis, the adsorption capacity and amino efficiency were classified in four groups, and the conditions leading to high adsorption capacity and amino efficiency were identified. Training and testing accuracies for adsorption capacity were 83.4% and 82%, respectively; while these values were 80.8 % and 77.3 % for the amino efficiency; from which the analysis for both output variables could be considered as successful. ANN analysis was also used to model the same data to develop predictive models; tansig function was used as the activation function and trainlm and trainbr were used as the training algorithms for training and testing, respectively. The optimal network topology was determined as 26-10-1 (10 neurons in one hidden layer) for adsorption capacity and 26-9-1 (nine neurons in hidden layer) for amino efficiency. The R2 and RMSE values for adsorption capacity were respectively found to be 0.97 and 0.118 for training, and 0.90 and 0.250 for testing. Similar results were obtained for the amino efficiency. The R2 and RMSE were 0.97 and 0.0230 respectively for training while R2 was 0.83 and RMSE was 0.053 for testing. These results indicate that ANN models were also successful. The relative significances of input variables were also calculated by using the optimal neural network topology and change of mean square error method. Operational variables had greater significance on both amino efficiency and adsorption capacity relative to the adsorbent properties.
Benzer Tezler
- Ovulasyon indüksiyonu tedavisinde folliküler gelişimin ultrasonografik takibi
Başlık çevirisi yok
MERİH BAYRAM
Tıpta Uzmanlık
Türkçe
1987
Kadın Hastalıkları ve DoğumGazi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. MÜLAZIM YILDIRIM
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Doğuştan kalça çıkıklı hastalarda kalça patolojilerinin bilgisayarlı tomografi ile değerlendirilmesi
Başlık çevirisi yok
NECDET ŞÜKRÜ ALTUN
Tıpta Uzmanlık
Türkçe
1987
Ortopedi ve TravmatolojiGazi ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF.DR. ORHAN ASLANOĞLU
- İşletmelerde veri örgütlenmesi ve yönetim açısından bilgi sistemleri
Başlık çevirisi yok
FAHAMET TOPALOĞLU
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ