A data-driven digital twin approach to optimize continuous production environment with deep reinforcement learning
Derin pekiştirmeli öğrenme ile sürekli üretim ortamını optimize etmeye yönelik veri odaklı dijital ikiz yaklaşımı
- Tez No: 831056
- Danışmanlar: PROF. DR. ALTAN KOÇYİĞİT, DR. MERT ONURALP GÖKALP
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Bugün dünya, enerji maliyetlerini ve sera etkisini azaltmak için enerji üretiminde karbon emisyonlarını minimize etmeyi ve verimliliği maksimize etmeyi hedeflemektedir. Bu bağlamda, üretimde önemli enerji tüketen enerji üreticileri için hidrojen üretim süreçlerini optimize etmek kritik bir hedef haline gelir. Kuruluşlar, rekabet avantajı elde edebilmek ve hayatta kalabilmek için üretim süreçlerini en optimum koşullar altında işletmelidir. Ancak, üretim süreçlerinde enerji kullanımlarını optimize etmede önemli zorluklarla karşılaşırlar. Bu zorluklar, süreç akışlarını yönetmek ve optimize etmek için veriye dayalı bir yaklaşım ve dinamik bir çerçeve kullanmayı zorunlu kılar. Bu tez çalışması iki ana aşamadan oluşmaktadır. İlk aşama, ML yaklaşımlarını kullanarak süreçlerin karmaşıklığına ve değişkenliğine uyum sağlayabilen Derin Pekiştirmeli Öğrenme (DRL) için bir veriye dayalı simülasyon ortamı (DDSE) geliştirmeye odaklanır. DDSE, hidrojen üretim sürecinin karmaşıklıklarını, sıcaklık, basınç ve katalizör değişkenleri gibi kritik parametreleri içerir. İkinci aşamada, sürekli öğrenmeyi desteklemek ve uzun vadeli sonuçlara dayalı kararlar almak için gelişmiş DRL algoritmaları geliştirilir. DRL modeli, hidrojen üretim verimini optimize etmek için kontrol edilebilir üretim parametrelerini ayarlamada DDSE ile etkili bir şekilde etkileşim kurar. Önerilen modelin doğrulama ve etkinliği, kapsamlı simülasyonlar ve gerçek dünya verileri aracılığıyla gösterilmiştir. Test sonuçları, enerji verimliliğini yaklaşık olarak %4 artırabileceğimizi göstermektedir.
Özet (Çeviri)
Today, the world mainly strives to minimize carbon emissions and maximize efficiency in energy production to lower energy costs and greenhouse effect. Therefore, optimizing hydrogen production processes becomes a crucial objective in organizations, especially for manufacturers that consume significant energy in production. Organizations should operate their production processes under the most optimum conditions to ensure their survival and attain competitive advantage. However, they face substantial challenges in optimizing their energy utilizations in their production processes. Those challenges consequently necessitate utilizing a data-driven approach and dynamic framework for managing and optimizing their process workflows. This thesis study consists of two main phases. The first phase focuses on developing a data-driven simulation environment (DDSE) of the hydrogen unit for Deep Reinforcement Learning (DRL) that can adapt to the complexity and variability of processes by utilizing the machine learning approaches. The DDSE comprises the intricacies of the hydrogen production process, including critical parameters such as temperature, pressure, and catalyst variables. At the second phase, advanced DRL algorithms are developed to support continuous learning and making decisions based on long-term outcomes rather than immediate rewards. The DRL model effectively interacts with the DDSE in adjusting controllable production parameters to optimize the hydrogen production yield. The proposed model's validation and efficacy are demonstrated through extensive simulations and real-world data. The test results reveal that we can improve energy efficiency by approximately 4%.
Benzer Tezler
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Digital twin-driven building information modeling (BİM) for sustainable design practices in design offices
Tasarım ofislerinde sürdürülebilir tasarım uygulamaları için dijital ikiz odaklı yapı bilgi modelleri (BİM)
YOUSIF O K NASSER YOUSIF O K NASSER
Yüksek Lisans
İngilizce
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. HÜSNÜ MURAT GÜNAYDIN
- Afet yönetimi odaklı hücresel ağ kapsama performansı için mekansal yapay zeka tabanlı model önerisi
Geospatial artificial intelligence (GeoAI) based model proposal for cellular network coverage performance with a focus on disaster management
GÜZİDE MİRAY PERİHANOĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİMMET KARAMAN
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN
- Accelerating Preliminary Design Through a Fast CFD solver and a Data-Driven Method
Hızlı CFD Çözümleyici ile Veri Güdümlü (Verilere Dayalı) yöntem vasıtasıyla Hızlandırılan Ön Tasarım
BERKAY ORALALP
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTechnische Universität MünchenHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. FABIAN DUDDECK