Geri Dön

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

  1. Tez No: 831056
  2. Yazar: ALİ HAYDAR SİVRİ
  3. Danışmanlar: PROF. DR. ALTAN KOÇYİĞİT, DR. MERT ONURALP GÖKALP
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Enformatik Enstitüsü
  11. Ana Bilim Dalı: Bilişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖKHAN İNALHAN

    DR. MUSTAFA UMUT DEMİREZEN

  2. Sosyal hızlanma teorisi kapsamında zaman kavramı ve yaşam hızı: Dijital kuşaklar üzerine bir analiz

    Concept of time and pace of life within the scope of social acceleration theory: An Analysis on digital generations

    METİN DÜZ

    Doktora

    Türkçe

    Türkçe

    2024

    Halkla İlişkilerGazi Üniversitesi

    Halkla İlişkiler ve Tanıtım Ana Bilim Dalı

    PROF. DR. MUHARREM ÇETİN

  3. Veri güdümlü dijital ikiz modeli ile freze takım tezgahı takım aşınma tahminlemesi ve kesme parametreleri optimizasyonu

    Prediction of tool wear and cutting parameter optimization of milling machine tool with data-driven digital twin model

    GİZEM BURUN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. ALP ÜSTÜNDAĞ

  4. Nesnelerin internetinde uç bilişim için güven yönetim modeli

    Trust management model for edge computing in the internet of things

    BURCU BOLAT AKÇA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF BOZKAYA ARAS

  5. Level of detail optimization for 3D city models

    3 boyutlu kent modelleri için LOD optimizasyonu

    BARKIN EMİRHAN GÜLER

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Şehircilik ve Bölge PlanlamaDokuz Eylül Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHAMMED AYDOĞAN