Geri Dön

Farklı katı yakıt türlerinin üst ısıl değerlerinin çoklu lineer regresyon, karar ağacı, random forest ve yapay sinir ağları yöntemleriyle belirlenmesi

Prediction of calorific value of solid fuel by multiple linear regression, decision tree, random forest and artificial neural network

PDF İndir

  1. Tez No: 776627
  2. Yazar: KAAN BÜYÜKKANBER
  3. Danışmanlar: PROF. DR. HANZADE AÇMA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Kimya Mühendisliği, Chemical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kimya Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 95

Özet

İnsanlar, hayatlarının her alanında enerjiye ihtiyaç duyarlar. Bu ihtiyaçların çoğunu fosil yakıtları (doğal gaz, kömür, petrol) kullanarak karşılamaktadırlar. Geçmişten günümüze; nüfus artışı, teknolojik gelişmeler ve hızlı sanayileşme fosil yakıt tüketimini arttırmıştır. Kömür; dünya üzerindeki dağılımı, kullanım ve depolama kolaylığı bakımından emniyetli ve güvenli oluşu, fiyat istikrarı ve şu anki üretim seviyeleri karşılaştırıldığında diğer fosil yakıtlara göre rezerv ömrünün fazla oluşu nedeniyle geçmişte olduğu gibi bugün de önemli bir enerji kaynağı özelliğini taşımaktadır. Kömür rezervlerinin en çok bulunduğu ülkelerin başında Çin, Amerika Birleşik Devletleri ve Hindistan gelmektedir. Üç ülkenin toplam rezervi dünyadaki bütün rezervlerin yaklaşık %70'ini kapsamaktadır. Türkiye, dünyada bulunan kömür rezervleri arasında küçük bir paya sahip olsa da ülkede bulunan fosil kaynaklar içerisinde en yüksek paya sahiptir. Türkiye'de pek çok endüstri alanında, hammadde veya enerji kaynağı olarak kömür kullanımı yaygınlaşmıştır. Başlıca kullanım alanları, elektrik, ısı, çimento, tuğla, gübre ve şeker üretimi vb. olarak sıralanabilir. Kömürün kalitesinin ölçütleri içerisinde ısıl değer başta gelmektedir. Isıl değeri yüksek olan bir kömürün yakılmasıyla ortaya çıkacak enerji de fazla olur. Rezerv olarak aynı bölgede bulunan kömürlerin özellikleri de farklılık gösterebilir. Özellikle, elektrik üretiminin gerçekleştiği büyük miktarda kömür yakılan termik santrallerde aynı ısıl değere sahip kömürlerin yakılması verim ve sürdürülebilirlik açısından önemlidir. Sürekli çalışan sistemlerde kömürün aynı ısıl değerde sisteme beslenebilmesi için kömürün ısıl değeri en kısa sürede belirlenmelidir. Kömürün içerdiği nem ve inorganik maddelerin oksitlenmesi neticesinde oluşan kül ve kükürt istenmeyen kısımlarıdır. Yüksek nemli kömürlerde farklı kurutma yöntemleri uygulanmaktadır. Kömürün külünü azaltmak için lavvarda yıkamak gibi farklı yöntemler mevcuttur. Kısa analiz (uçucu madde, nem, kül ve sabit karbon), ASTM D7582-15 standardı uygulanarak gerçekleştirilir. Kömürdeki elementel hidrojen, oksijen, karbon, kükürt ve azot miktarları ASTM D5373-16 ve D4239-18 standardtlarına göre belirlenir. Sürekli çalışan yakma sistemlerinde bu analiz yöntemlerinin uygulanabilmesi için homojen numune alınması, tane boyutunun 250 mikrometrenin altına indirilmesi gereklidir ve bu analizler belirli bir süre almaktadır. Sürekli çalışan yakma sistemlerinde bu analizler için geçen süre çok önemlidir. Kömürün daha önce yapılmış kısa analiz ve elemental analizlerine dayanarak ısıl değeri bu süreye ihtiyaç kalmaksızın tahmin edilebilir. Ayrıca yakma sistemlerinin tasarımında, esnek yakıt seçiminde farklı kalitedeki katı yakıtların ısıl değerlerine ihtiyaç vardır. Bu çalışma kapsamında turba, linyit, taşkömürü, antrasit kömür numuneleri ile birlikte asfaltit, petrokok ve biyokütleden elde edilen yarıkok numuneleri kullanılmıştır. Sürekli çalışan sistemlerde yakıtların ısıl değerlerini kısa sürede belirlemek için alternatif hesaplama yöntemleri (doğrusal ve doğrusal olmayan) kullanılmaktadır. Bu yöntemler içerisinde, makine öğrenimi metodolojileri olarak da bilinen yapay zeka tabanlı yöntemlerin kullanılması, hızlı ve yüksek hassasiyetli tahminler yapılmasını sağlayacaktır. Bu çalışmada, çoklu lineer regresyon, karar ağacı, random forest ve yapay sinir ağları yöntemleri kullanılmıştır. Breiman tarafından önerilen random forest, torbalama tabanlı bir topluluk öğrenme yöntemidir ve algoritması, ilerici ve uyarlanabilir bir şekilde bilinen girdi-çıktı ilişkilerinin kalıpları ile eğitime dayalıdır. Bu yaklaşım, birkaç karar ağacını birleştirir ve eğitim setindeki küçük bozulmalara karşı hassasiyeti önler. Ayrıca değişkenler arasındaki doğrusal olmayan ilişkileri ortaya çıkarmada kolaylık sağlar. Diğer makine öğrenimi algoritmalarından farklı olarak, yüksek boyutlu, dengesiz ve gürültülü verilere karşı yüksek tahmin doğruluğu sağlar ve fazla uyumlu model oluşturulmasının önüne geçer. Ancak, yapay sinir ağları (ANN) eğitim aşamasında aşırı uyum sağlamaya eğilimlidir. ANN'ların ve yapay zeka tabanlı regresyon tekniklerinin aksine, RF aşırı uyum (overfitting) sorununa yol açmaz. RF algoritması girdi rastgeleliği sunar ve çoklu karar ağaçlarının bir kombinasyonudur, bu da RF'yi diğer modelleme algoritmalarına kıyasla fazla uyumluluğa daha az eğilimli hale getirir. Bununla birlikte, karar ağaçlarında büyük bir ağaç yapısının aşırı uyumla sonuçlanabileceği ve bu nedenle fazla dalların çıkarılması gerektiği de bildirilmektedir. RF algoritması, çok boyutlu problemleri çözmek için güçlü bir yöntemdir. Bununla birlikte, RF çalışmalarının çoğu, genellikle dar aralıklarda değişen çok sayıda veri kullanılarak gerçekleştirilmiştir. Bu çalışmada, Türkiye, Ukrayna, Rusya, Kolombiya, Güney Afrika, Finlandiya ve ABD'den sınırlı sayıda (turbadan antrasite kadar sıralanmış 85 kömür örneği ve birer adet petrokok, asfaltit ve biyokütle yarıkoku) numunenin kalorifik değer, kısa ve elementel analizleri gerçekleştirilmiştir. Tahmini doğrulamak için, verilerin %70'i modeli eğitirken ve %30'u test ederken kullanılmıştır. RF ile yapılan çalışmalar neticesinde, altı parametreli (sabit karbon, uçucu madde, kül, C, H, ve S içerikleri) ve tek parametreli (C içeriği) modeller, sırasıyla 0,968 ve 0,961 R2 değerleriyle karşılaştırılabilir tahmin performansları vermiştir. RF yönteminin tahmin performansını kontrol etmek için yapay sinir ağı, karar ağacı ve çoklu doğrusal regresyon yöntemleri de test edilmiş ve uyumlu sonuçlar bulunmuştur. Tek değişkenli bir karbon modelini bile kullanan RF yönteminin, örnek özelliklerinin geniş aralıklarda değişmesine ve veri sayısının sınırlı olmasına rağmen tatmin edici bir tahmin sağlayabileceği sonucuna varılmıştır.

Özet (Çeviri)

People need energy in all areas of their lives. The majority of this need is met by the use of fossil fuels such as natural gas, coal and oil. From past to present; Population growth, technological developments and rapid industrialization have increased fossil fuel consumption. Coal; It is used as an important energy source today as it was in the past, due to its distribution around the world, being safe and secure in terms of ease of use and storage, price stability and longer reserve life compared to other fossil fuels when current production levels are compared. The countries with the most coal can be counted as China, the United States and India. The total reserves of the three countries represent approximately 70% of all reserves in the world. Although Turkey has a small share among the coal reserves in the world, it has the highest share among the fossil resources in the country. The use of coal as a raw material or energy source has become widespread in many industrial areas in Turkey. The main areas of use can be counted as electricity energy, heat, cement, brick, fertilizer and sugar production. The measure of the quality of coal is its calorific value. The energy to be produced by burning a coal with a high calorific value will also be more. Heating value characteristic of coal; The organic compositions it contains differ depending on the moisture and ash content. The characteristics of the coals in the same region as a reserve may differ. In order to ensure that the coal is fed at the same calorific value in continuously operating systems, the calorific value analysis result to be determined in a short time is needed. Proximate analysis of coal cover the determination of moisture, volatile matter, and ash, and the calculation of fixed carbon. The undesired features of coal are high amount of moisture and ash owing to increasing in transportation cost and reducing calorific value. Proximate analysis is carried out by ASTM D7582-15. Instrumental test methods are only applicable for macro thermogravimetric analysis. The main concept of the examination is measuring mass loss in the specified conditions. After the moisture, volatile matter and ash analysis fixed carbon can be calculated. It is the difference between 100 and the sum of the percent moisture, ash, and volatile matter. All percents shall be on the same moisture reference base. Ultimate analysis is used to determine the amount of hydrogen, oxygen, carbon, sulfur and nitrogen found in coal. The analysis is based on the absorption and identification of the gases produced by the combustion of coal. In this study, hydrogen, carbon and sulfur are selected to examine because of their high flammability and impact of the calorific value. Nitrogen is also effective on calorific value; however, the quantity of it in coal is very low. Experimental calorific value is usually obtained by using calorimeter devices operating at constant volume or constant pressure. The quality of the calorific value of the coal is related to the degree of carbonization and the amount of non-combustible material in it. Combustion of coal in calorimeter bomb by feeding with oxygen under high pressure is a widely used experimental method. With this method, the combustion products are cooled at room temperature to obtain the calorific value. While burning the calorimeter bomb, the moisture and the water formed as a result of the combustion of hydrogen bound to carbon in the coal sample first evaporates and then condenses as liquid water. however, condensation of water does not occur in open systems where coal is used, water vapor is given out together with flue gases. To account for this distinction, gross calorific value and net calorific value calculations are made. Calorific value is one of the most important characteristics of fuels and is a key parameter in the design and operation of energy systems. However, the experimental determination of the calorific value is time consuming and requires the use of calibrated equipment and an experienced operator. As an alternative, predicting the calorific value by developing an accurate model have gained great importance and numerous linear and non-linear models have been developed. Within this approach, the use of artificial intelligence-based methods also known as machine-learning methodologies enables fast and high-precision predictions. Ensemble-learning methods including boosting and bagging have been usually employed to develop decision trees for prediction. RF proposed by Breiman is a bagging-based ensemble learning method and its algorithm bases on training by patterns of known input-output relationships in progressive and adaptive manner. This approach combines several decision trees and avoids the sensitivity to small disturbances in training set. It also provides convenience in revealing non-linear relationships between variables. Unlike other machine-learning algorithms, it provides high prediction accuracy against high-dimensional, imbalanced, and noisy data, and overcomes overfitting. To prevent the model from overfitting, different combinations of input parameters are selected for model training. But, artificial neural networks (ANNs) are prone to overfitting in training stage. In contrast to ANNs and artificial intelligence based regression techniques, RF does not lead overfitting problem. RF algorithm introduces input randomness and is a combination of multiple decision trees, which makes the RF less prone to overfitting in comparison to other modeling algorithms. Nevertheless, it is also reported that a large tree structure in decision trees may results in overfitting and thus the excess branches should be removed. The performance of predictions are tested considering the scatter plot of measured input values and the predicted values. The variables are ordered in terms of their relative importance in prediction. Also, for quantitative evaluation of the prediction performance, mean square error (MSE), mean absolute error (MAE), mean absolute percentage error (MAPE), root-mean-square error (RMSE), coefficient of determination (R2), etc. are taken into account. In many studies, high R2 values have been emphasized to show how well the RF method has predicted the target variable. Besides, a trade-off between generalization capability of a model and its prediction accuracy exists depending on the type of training data. Using highly homogeneous experimental data means the model is only applicable for the narrow range of parameters. In existing studies, several machine-learning methods have been used comparatively and the number of data was kept high in order not to decrease the prediction sensitivity of the methods. However, there has not been enough study on the accuracy of the predictions made by the RF method for the relatively limited number of datasets that change in wide range. For this purpose, in our study, the RF method was applied in the prediction of the calorific value of relatively less in number but quite different rank and properties of coal samples from several countries. In this study, limited number of data (85 coal samples ranging from peat to anthracite and one each petcoke, asphaltite and biochar) from Turkey, Ukraine, Russia, Colombia, South Africa, Finland, and USA was used to estimate the calorific value by RF method based on proximate- and ultimate analysis results. To validate the prediction, 70% of the data was used to train the model and 30% was used to test by using a decision tree numbers up to 100. Equations including six parameters (fixed carbon, volatile matter, ash, C, H, and S contents) and single parameter (C content) gave comparable prediction performances with R2 values of 0.968 and 0.961, respectively. Artificial Neural Network, Decision Tree and Multiple Linear Regression methods were also tested to check the prediction performance of RF method and compatible results were found. It was concluded that the RF method, which uses even a univariate equation of C, can provide satisfactory prediction, despite the fact that the sample properties changed in wide ranges and the number of data was limited.

Benzer Tezler

  1. Tez No

    322840

    Katı membranlı yakıt pillerine yönelik LaSrNiO4 esaslı elektrotların termokimyasal analizi

    Thermochemical analysis of LaSrNiO4 based electrodes on solid oxide fuel cells

    ANIL ÇELEBİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    Metalurji Mühendisliğiİstanbul Teknik Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. NURİ SOLAK

  2. Tez No

    360862

    Korunan, otlanan ve sürülüp terk edilen meraların bazı işlevleri ile kimi ekolojik faktörler arasındaki ilişkiler

    Relations between with some ecological factors of some functions of protected, grazing and ploughed abandoned natural rangelands

    MUSTAFA GÜR

    Doktora

    Türkçe

    Türkçe

    2014

    ZiraatNamık Kemal Üniversitesi

    Tarla Bitkileri Ana Bilim Dalı

    PROF. DR. MURAT ALTIN

  3. Tez No

    614888

    Farklı su kaynaklarından izole edilen acanthamoeba türlerinin moleküler prevalansı ve genotiplerinin belirlenmesi

    Molecular prevalance and genotyping of acantahamoeba species isolated from different water supplies

    BURCU CENİKLİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Veteriner HekimliğiErciyes Üniversitesi

    Parazitoloji (Veterinerlik) Ana Bilim Dalı

    DOÇ. DR. ÖNDER DÜZLÜ

  4. Tez No

    904951

    Eşit çaplı çubuklarla izotropiye yakın özellikler gösteren bir latis malzemenin belirlenmesi ve topoloji optimizasyonunda kullanımı

    Determination of a lattice material with near - Isotropic properties using equal diameter struts and its application in topology optimization

    MEHMET DEMİRTUNÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Makine MühendisliğiTOBB Ekonomi ve Teknoloji Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. RECEP MUHAMMET GÖRGÜLÜARSLAN

  5. Tez No

    605769

    Production and characterization of white light based on energy up conversion mechanisms in Yb+3,Nd+3,Tm+3 rare earth ions doped y2o3-sio2 nano-phosphor materials

    Yb+3,Nd+3,Tm+3 nadir toprak iyon katkili Y2O3-SiO2 nanofosfor malzemelerde üst enerji̇ dönüşüm mekanizmasına dayalı beyaz ışık üretimi ve karakterizasyonu

    HATUN ÇINKAYA YILMAZ

    Doktora

    İngilizce

    İngilizce

    2019

    Fizik ve Fizik Mühendisliğiİstanbul Teknik Üniversitesi

    Fizik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖNÜL ERYÜREK

Geri Dön