Geri Dön

Machine learning based truncation point estimation in steady-state simulation

Kararlı durum simülasyonunda makine öğrenmesi tabanlı kesme noktası tahminlenmesi

PDF İndir

  1. Tez No: 826712
  2. Yazar: BURAK GİRİT
  3. Danışmanlar: PROF. DR. NUR EVİN ÖZDEMİREL, PROF. DR. PINAR KARAGÖZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    981681

    Design and optimization of compact vivaldi antenna with matching medium for microwave brain imaging applications

    Mikrodalga beyin görüntüleme uygulamaları için eşleştirme ortamına sahip kompak vıvaldı antenin tasarımı ve optimizasyonu

    CAFER UYANIK

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM AKDUMAN

  2. Tez No

    488414

    Machine learning based DDOS attack detection for software-defined networks

    Yazılım tanımlı ağlar için makine öğrenme esaslı DDOS attack algılama

    DOUGLAS OMURO MAKORI

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Assist. Prof. Dr. SEÇKİN ARI

  3. Tez No

    495909

    Machine learning based anomaly detection technique for in-vehicle networks

    Araç içi ağlar için makine öğrenmesi tabanlı anomali tespit tekniği

    ARİF AKAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik MühendisliğiÇankaya Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KLAUS WERNER SCHMIDT

  4. Tez No

    631041

    Machine Learning Based Social Bot Detection

    Makine Öğrenmesi Tabanlı Sosyal Bot Algılama

    ONUR KAPÇIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji Enstitüsü

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERAP ŞAHİN

  5. Tez No

    639135

    Machine learning based fusion of different segmentation techniques for liver visualization for enhanced accuracy and sensitivity

    Karaciğerde başarımı ve duyarlılığı geliştirilmiş bölütleme için farklı yöntemlerin makina öğrenmesi tabanlı en iyilenmiş füzyonu

    ALİ EMRE KAVUR

    Doktora

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ALPER SELVER

Geri Dön