Ayırma işlemlerinin derin öğrenme algoritmaları ile modellenmesi
Modeling of separation process with deep learning algorithms
- Tez No: 806375
- Danışmanlar: PROF. DR. DİLEK ÖZMEN
- Tez Türü: Doktora
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Temel İşlemler ve Termodinamik Bilim Dalı
- Sayfa Sayısı: 189
Özet
Ayırma işlemlerinde sıvı-sıvı denge (LLE) ve sıvı-buhar denge (VLE) verilerinin güvenilir modeller kullanılarak tahmini, maliyetli ve zaman alıcı deneysel çalışmalara kıyasla çekici bir alternatif sunmaktadır. Günümüzde kimyasal proseslerin modellenmesi, tasarımı ve optimizasyonu için geleneksel hesaplama yöntemleri yerine yapay zekâ (AI) teknikleri basit uygulama, kolay tasarım, sağlamlık, ve genellik gibi özellikleri dolayısıyla tercih edilmektedir. Temeli AI'ya dayanan derin öğrenmede (DL) özellikle son yıllarda yaşanan büyük atılım ve gelişmeler, kimya mühendislerinin çalışmalarına da hız kazandırmıştır. Böylece DL ve derin sinir ağları (DNN) kimya mühendisliği araştırmalarında bir tecrübe alanı haline gelmiştir. Bu tez kapsamında DL ve DNN'nın kimya mühendisliği uygulamalarında kullanılabilir olması için algoritmalar geliştirilmiş, literatürden seçilen LLE ve VLE verilerine geliştirilen DNN yapıları uygulanmış ve elde edilen sonuçlar termodinamik modeller ile kıyaslanmıştır. Bu amaçla tezin ilk bölümünde literatürden seçilen üçlü su + bütirik asit + 5M2H sistemine ait LLE verilerinin tahmini için bir DNN yapısı oluşturulmuştur. Geliştirilen DNN yapısı ile üçlü sisteme ait bağlantı doğruları ve aktivite katsayıları hesaplanmıştır. DNN modelinin performansı, NRTL ve UNIQUAC modelleriyle RMSE değerleri hesaplanarak karşılaştırılmıştır. NRTL ve UNIQUAC için elde edilen RMSE değerleri 0.02-0.06 arasında hesaplanmıştır. DNN için ise tüm sıcaklıklar için hata değerleri 0.00005-0.01 arasında elde edilmiştir. Hal denklemlerini karışımların faz dengesi davranışıyla ilişkilendirebilmek amacıyla hesaplama açısından kolay programlanabilir karıştırma ve birleştirme kuralları geliştirmek önemlidir. Bu amaçla tezin ikinci bölümünde, literatürde yaygın olarak kullanılan modelleri sadeleştiren, ikili karışımların VLE verilerinin tahmininde kullanmak üzere 1PVDW karıştırma ve birleştirme kuralındaki aij parametresini iyi bir doğrulukla elde eden DNN tabanlı bir model sunulmuştur. PR+1PVDW modeli ve DNN tabanlı model ile literatürden seçilen 24 adet soğutucu akışkan sistemine ait buhar fazı mol fraksiyonları (yi) ve denge basınçları (P) hesaplanmıştır. Hesaplanan %ΔP/P ve %Δy1/y1 sonuçları literatürdeki modellerle karşılaştırıldığında, yi hesaplamalarında literatürdeki modellerle benzer sonuçlar elde edilirken, P hesaplamaları literatürle karşılaştırıldığında DNN tabanlı model ile çok daha iyi sonuçlar elde edilmiştir.
Özet (Çeviri)
The estimation of liquid-liquid equilibrium (LLE) and vapor-liquid equilibrium (VLE) data using with suitable models presents an attractive alternative to costly and time-consuming experimental studies in separation processes. Nowadays, artificial intelligence (AI) techniques are preferred for modeling, design and optimization of chemical processes instead of traditional computational methods due to their features such as simple application, easy design, robustness, and generality. Especially in recent years, the significant breakthroughs and developments in deep learning (DL), which is based on AI, have accelerated the work of chemical engineers. Thus, DL and deep neural networks (DNN) have become a field of expertise in chemical engineering research. In the scope of this thesis, algorithms were developed to make DL and DNN applicable in chemical engineering applications, DNN structures were applied to LLE and VLE data selected from the literature, and the results were compared with thermodynamic models. For this purpose, in the first part of the thesis, a DNN structure was developed for the estimation of the LLE data of the ternary water + butyric acid + 5M2H system selected from the literature. With the developed DNN structure, tie-lines and activity coefficients of the ternary systems were calculated. The performance of the DNN model was compared with the NRTL and UNIQUAC models by calculating RMSE values. The RMSE values obtained for NRTL and UNIQUAC are calculated to between 0.02-0.06. For DNN, error values were obtained between 0.00005-0.01 for all temperatures. In order to relate the equations of state to the phase equilibrium behavior of mixtures, it is important to develop computationally easy programmable mixing and combining rules. For this purpose, in the second section of the thesis, a DNN-based model is presented that simplifies commonly used models in the literature and accurately obtains the aij parameter in the 1PVDW mixing and combining rule to be used in predicting VLE data of binary mixtures. Vapor phase mole fractions (yi) and equilibrium pressures (P) of 24 refrigerant systems which selected from the literature were calculated with the PR+1PVDW model and the DNN-based model. When the calculated %ΔP/P and %Δy1/y1 results were compared with the models in the literature, similar results were obtained in yi calculations with the models in the literature, while much better results were obtained in P calculations with the DNN-based model when compared with the literature.
Benzer Tezler
- Deep image prior based high resolution isar imaging for missing data case
Eksik veri için derin görüntü önceli tabanlı yüksek çözünürlüklü tyar görüntüleme
NECMETTİN BAYAR
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Deep unfolding for clutter removal in ground penetrating radar
Yere nüfuz eden radarda kargaşa gidermek için derin katman açma
SAMET ÖZGÜL
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. IŞIN ERER
- Neural network based multi-carrier receiver design and doppler estimation
Yapay sinir ağı tabanlı çok taşıyıcılı alıcı tasarımı ve doppler kestirimi
YASİN YILDIRIM
Yüksek Lisans
İngilizce
2020
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. SEDAT ÖZER
- Manyetik partiküller kullanılarak ksilanaz enziminin ayırma ve saflaştırma işlemlerinin incelenmesi
Investigation of separation and purification processes of xylanase enzyme by using magnetic particles
AHMET DÜZEL
Doktora
Türkçe
2023
BiyomühendislikEge ÜniversitesiBiyomühendislik Ana Bilim Dalı
PROF. DR. GAYE ÖNGEN ÖZGEN
PROF. DR. SUNA TİMUR
- Cognitive network optimization via network virtualization
Ağ sanallaştırması üzerınden bilişsel ağ optimizasyonu
TOBIE YEFFERSON BIYIHA AFOUNG
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NURAY AT