Knowledge extraction for Fischer-Tropsch synthesis using local learning approaches
Fischer-Tropsch sentezi ile ilgili yerel öğrenme kullanılarak bilgi çıkarımı
- Tez No: 503310
- Danışmanlar: PROF. RAMAZAN YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 61
Özet
Bu çalışmada, literatürde yayımlanan deneysel veriler üzerine özdevimli öğrenme algoritmaları kullanılarak Fischer-Tropshc Sentezi (FTS) üzerine yerel ampirik modeller oluşturulmuştur. FTS'deki CO dönüşümü R 3.2.2 ortamında gradyan güçlendirme, yapay sinir ağı (YSA) ve rastgele orman algoritmaları kullanılarak katalizör tasarımı değişkenleri, katalizörün fiziksel özellikleri ve operasyon koşullarının bir fonksiyonu olarak modellenmiştir. Çalışmada, önceki çalışmalarda kullanılan FTS veritabanı kullanılmıştır. FTS veritabanını modellenmeden önce yerel ve global öğrenme teknikleri seçici CO oksidasyonu reaksiyonu, su-gazı geçiş reaksiyonu ve metan buhar reformu reaksiyonlarına ait olmak üç farklı ve önceden bilinen veritabanı kullanılarak karşılaştırılmıştır. Bu veri tabanları, hem yerel hem global teknikler ile gradyan güçlendirme, YSA ve rastgele orman kullanılarak modellenmiştir. Yerel öğrenme her bir veri tabanında görülmemiş veriyi tahmin etmede daha iyi performans göstermiştir. Bu yüzden FTS veritabanı yerel öğrenme kullanılarak farklı sorgu verileri ile analiz edilmiştir. En iyi parametreler çeştili paremetre kümeleri denenerek standart sapma ve ortalamalar kıyaslanarak belirlenmiştir. En iyi sonucu veren parametrelerle oluşturulan model nihai model olarak seçilmiştir. R2 değerleri gradyan güçlendirme için 0.86 ve 0.87 aralığında, YSA için 0.68 ve 0.75 aralığında ve rastgele orman için 0.82 ve 0.86 aralığında, kök ortalama kare hatası (KOKH) ise gradyan güçlendirme için 8.60 ve 9.16 aralığında, YSA için 12.24 ve 13.98 aralığında ve rastgele orman için 9.23 ve 10.32 aralığında bulunmuştur. R2 ve KOKH değerleri global öğrenme sonuçlarına göre daha iyi çıkmış, gradyan güçlendirme algoritması FTS veritabanında hem R2 hem KOKH bakımında daha iyi performans göstermiştir.
Özet (Çeviri)
In this study, local empirical models for Fischer-Tropsch Synthesis (FTS) were constructed by using machine learning algorithms on the experimental data published in the literature. CO conversion in FTS was modeled as a function of catalyst design variables, physical properties of the catalyst, and operating conditions by using gradient boosting method (GBM), artificial neural network (ANN) and random forest in R 3.2.2 environment. The FTS database was taken from a previous study. Before modeling FTS database, local and global learning techniques were compared using three different simpler and known databases involving selective CO oxidation reaction, water gas shift reaction and steam reforming of methane reaction. These databases were modeled by using GBM, ANN and random forest with both local and global techniques to see the difference in a known model. Local learning showed better performance in each database on the prediction of unseen data. Then the Fischer-Tropsch synthesis database was analyzed by using local learning with a different number of query data. Optimal parameters were determined for each method by training the model with each combination of parameters the standard deviation and mean were calculated and compared to determine the optimal parameters. The model with the best results was chosen as the final model. The R2 values ranged between 0.86 and 0.87 with GBM, 0.68 and 0.75 with ANN and 0.82 and 0.86 with random forest algorithms. RMSE values ranged between 8.60 and 9.16 with GBM, 12.24 and 13.98 with ANN and 9.23 and 10.32 with random forest algorithms. R2 and RMSE values were better than global learning results. GBM algorithm performed better on FTS database both in terms of R2 and RMSE.
Benzer Tezler
- Knowledge extraction for organometallic perovskite solar cells from published data in literature
Organometalik perovskit güneş hücreleri için literatürden bilgi çıkarımı
ÇAĞLA ODABAŞI ÖZER
Doktora
İngilizce
2019
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM
- 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
- Automatic knowledge extraction for filling in biography forms from Turkish texts
Türkçe metinlerden biyografi formları doldurmak için otomatik bilgi çıkarımı
İLKNUR DEMİRCİ
Yüksek Lisans
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ZEYNEP ORHAN
- Knowledge extraction from experimental and computational data for selective CO oxidation and water gas shift reaction using data mining techniques
Seçimli CO oksidasyonu ve su gaz değişim reaksiyonlarına ait deneysel ve hesaplamalı verilerden veri madenciliği teknikleri kullanarak bilgi çıkarımı
MEHMET ERDEM GÜNAY
Doktora
İngilizce
2012
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. RAMAZAN YILDIRIM
- Neural networks analysis of water gas shift reactions over noble metal catalysts using published data in literature
Soy metal katalizörleri üzerinde su-gazı geçiş reaksiyonunun literatürde yayınlanmış veriler kullanılarak yapay sinir ağlarıyla incelenmesi
ÇAĞLA ODABAŞI
Yüksek Lisans
İngilizce
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM