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
- Machine learning based selection of candidate wells for extended shut-in due to fluctuating oil prices
Değişken petrol fiyatları nedeniyle uzun süreli kapatılması gereken kuyuların makine öğrenmesi ile belirlenmesi
BEYZA LOBUT
Yüksek Lisans
İngilizce
2024
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İHSAN BURAK KULGA
DOÇ. DR. FAZIL EMRE ARTUN
- Standart penetrasyon deney verileri ile zemin parametrelerinin makine öğrenmesi tabanlı tahmini
Machine learning based prediction of soil parameters with standard penetration test data
HATİCE BEYZA URGANCI
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiKTO Karatay Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ESRA URAY
- Machine learning based for insurance claims fraud detection technique for safeguarding the health industry
Sağlık sektörünü koruma amaçlı makine eğitimi tabanlı sigorta talep dolandırıcılığı tespit tekniği
GHİNA ÖZDEMİR
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. RAFET AKDENİZ
- Özgün veri seti kullanarak makine öğrenmesi tabanlı araçtan şebekeye enerji akış yönetimi
Machine learning based vehicle to grid energy flow management using a novel data set
SADIK YILDIZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN HÜSEYİN SAYAN
- Makine öğrenmesi tabanlı anten seçimi ve fiziksel katman güvenliği
Machine learning based antenna selection and physical layer security
BURAK ERDURAK
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Medeniyet ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FİLİZ GÜRKAN GÖLCÜK