Machine learning based truncation point estimation in steady-state simulation
Kararlı durum simülasyonunda makine öğrenmesi tabanlı kesme noktası tahminlenmesi
- Tez No: 826712
- Danışmanlar: PROF. DR. NUR EVİN ÖZDEMİREL, PROF. DR. PINAR KARAGÖZ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 148
Özet
Bu çalışmada, kararlı durum simülasulasyonunda karşılaşılan başlangıç sapması problemini çözebilmek amacıyla, makine öğrenmesi teknikleri kullanılarak kesme noktası tahminlemeye odaklanılmıştır. Simülasyonda başlangıç koşulları kararlı durumu temsil etmediğinden, simülasyon çıktılarının sağlıklı bir şekilde analiz edilebilmesi için, başlangıç durumundan kaynaklanan sapmalı veriler elenmelidir. Bu başlangıç sapmasını elemek için, simülasyon çıktısında bir kesme noktası belirlenmesi gerekir. Bu çalışmada, çok katmanlı algılayıcı regresör, uzun kısa dönemli hafıza ve koşullu yinelenen sinir ağlarının kesme noktası tahminleme yetenekleri araştırılmıştır. Bu üç tip sinir ağının eğitilmesi ve performanslarının test edilmesi amacıyla kullanılmak üzere, simülasyon çıktılarını temsil eden verileri üretmek için, ikinci derece özbağlanımlı model ve M/M/1 kuyruk sistemi modeli kullanılmıştır. Ek olarak, bu üç makina öğrenmesi temelli yöntem, bilinen kesme noktası tahminleme yöntemleri olan MSER ve MSER-5 ile karşılaştırılmıştır. Deneysel sonuçlara göre, kesme noktası tahminleme hatası ve kararlı durum beklendik değerleri için kurulan güven aralıklarının bu beklendik değerleri kapsaması dikkate alındığında, çok katmanlı algılayıcı regresör ağı diğer yöntemlerden kayda değer daha iyi performans göstermiştir. Buna karşılık, uzun kısa dönemli hafıza ve koşullu yinelenen sinir ağları, belirlenen ağ konfigürasyonları ile, etkin kesme noktası tahminlemesi yapmayı öğrenememiştir.
Özet (Çeviri)
In this study, we focus on estimating the truncation point for solving the initialization bias problem encountered in output analysis for steady-state simulations by using machine learning methods. Since the initial conditions of simulation do not represent the steady-state, biased data originating from the initial state must be eliminated in order to analyze the simulation output properly. A truncation point in simulation output data has to be determined for eliminating this initialization bias. In this study, the truncation point estimation capabilities of multilayer perceptron regressor, long short-term memory, and conditional recurrent neural networks are investigated. In order to train these three neural networks and test their performances, the second order autoregressive model and M/M/1 queueing system model are used to generate data representative of the simulation output. Moreover, these three machine learning methods are compared with the conventional truncation estimation methods MSER and MSER-5. Experimental results show that the multilayer perceptron regressor network has superior performance compared to other methods, in terms of truncation point estimation error and coverage of the confidence intervals for steady-state expected values. However, the long short-term memory and conditional recurrent neural networks cannot learn effective truncation point estimation with the network configurations used.
Benzer Tezler
- Hidroelektrik santrallerde makine öğrenmesi temelli anomali tespiti
Machine learning based anomaly detection in hydroelectric power plants
MEHMET AKİF BÜTÜNER
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN KOŞALAY
- Machine learning based model for clinical characterization of germline variants from RNA-seq data
RNA-seq datasından germ hattı varyantların klinik karakterizasyonu için makine öğrenmesi tabanlı model
ÖZGENUR AKDAŞ
Yüksek Lisans
İngilizce
2022
BiyomühendislikGebze Teknik ÜniversitesiBiyoinformatik Sistemler Biyolojisi Ana Bilim Dalı
PROF. DR. FATİH ERDOĞAN SEVİLGEN
- Machine learning based smart beehive monitoring system without Internet network
İnternet ağı olmadan makine öğrenimi tabanlı akıllı arı kovanı izleme sistemi
ESRA ECE VAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri MühendisliğiGalatasaray ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLÇİN BÜYÜKÖZKAN FEYZİOĞLU
- Machine learning based autonomous quality check and characteristics extraction for chip research
Çip araştırmaları için makine öğrenmesi temelli otonom kalite kontrolü ve karakteristik parametre çıkarımı
HÜSNÜ MURAT KOÇAK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET TEOMAN NASKALİ
- BUCK-BOOST DC-DC dönüştürücü kaynaklı EMI/EMC problemlerinin çözümüne yönelik makine öğrenmesi temelli yaklaşımlar
Machine learning based approaches to solving EMI/EMC problems caused by BUCK-BOOST DC-DC converter
FURKAN HASAN SAKACI
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
DOÇ. DR. ŞUAYB ÇAĞRI YENER