Machine learning analysis of photocatalytic CO2 reduction on perovskite materials
Perovskit materyaller üzerinde CO2 fotokatalitik indirgenmenin yapay öğrenme yöntemler ile analizi
- Tez No: 832584
- Danışmanlar: PROF. DR. RAMAZAN YILDIRIM
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
Bu çalışmanın amacı, yayınlanmış makalelerde bulunan deneysel çalışmalardan perovskit fotokatalizörler üzerinde gerçekleşen CO2 indirgenmesi ile ilgili bir veri seti oluşturmak ve bu veri set yapay öğrenme yöntemleri kullanılarak bilgi çıkarmak, toplam üretim hızını ve perovskitlerin bant aralığı tahmin etmektir. Karar ağacı (DT), rassal orman (RF), gredyan arttırma (XGBoost), birliktelik kural çıkarımı (ARM) ve doğrusal regresyon (LR) gibi yapay öğrenme yöntemleri kullanılmıştır. Web of Science kullanılarak, bu konuyla ilgili tüm makaleler incelenmiş ve 61 makaleden, 29 tanımlayıcı özelliği olan 309 örnek toplanmıştır. Makalelerden, bant aralığı, elementel bilgiler gibi perovskit özellikleri ve reaksiyon sıcaklığı, reaksiyonun gerçekleştiği faz gibi reaksiyon koşulları tanımlayıcı özellik (girdi değişkeni) olarak toplanmıştır. Yapay öğrenme yöntemlerine geçmeden önce veri seti ön analiz adımından geçirilmiş, gereksiz veriler temizlenmiş, eksik bilgiler uygun yöntemlerle doldurulmuştur. Doğrusal regresyon modeli, eksik bant aralıklarını tahmin etmek için kullanılmıştır. Çok sayışa tanımlayıcı özelliği eksin olan veriler çıkartılmış, diğerleri ise ortalama ve mod kullanılarak doldurulmuştur Yapay öğrenme yöntemleri, gaz ve sıvı faz verilerini kapsamak üzere iki farklı veri seti için uygulanmıştır. 309 örnekten 30 tanımlayıcı özellik içeren 133 tanesi gaz fazı için kullanılırken geri kalan 176 veri noktası 29 tanımlayıcı özellikle birlikte sıvı veri setinde yer almıştır. Doğrusal regresyon kullanılarak veri setindeki eksik 17 bant aralığı diğer bant aralığı verilerinden yararlanılarak tahmin edilmiş, modelin kök ortalama hatanın karesi (RMSE) değerleri gaz ve sıvı fazların doğrulama setleri için sırasıyla 0.75 ve 0.36 bulunmuştur. DT ile gaz fazı için test setinde doğruluk oranı 0.75, sıvı fazında ise 0.84 olarak elde edilmiştir. RF ile gaz fazı için test setinde R2 değeri 0.64 ve RMSE değeri 24.5 , sıvı fazı için bu değerler 0.49 ve 221.0 olarak bulunmuş; en önemli özelliğin gaz faz için bant aralığı iken, sıvı faz için ko-katalizör olduğu saptanmıştır. XGBoost ile gaz fazı için test setinde R2 ve RMSE değerleri sırasıyla 0.65 ve 14.75 olarak bulunmuştur ve bu değerler sıvı fazında 0.79 ve 145.6'dır.
Özet (Çeviri)
The purpose of this study is to construct a database from the experimental studies about CO2 reduction on perovskite materials from published articles, then to extract information from this dataset to predict CO2 production yields and the bandgap of the perovskites by using machine learning methods such as decision tree (DT), random forest (RF), gradient boosting (XGBoost), association rule mining (ARM), and linear regression (LR). By using Web of Science, relevant articles were examined, and 61 articles were selected for data extraction; 309 samples with 29 features (14 numerical and 15 categorical) were collected; these features included properties of perovskites such as bandgap, elemental information, and conditions of the experiments such as reaction temperature, phase of reaction collected as the features. Before the machine learning applications, pre-processing steps were applied to the dataset for cleaning and organizing. For the missing bandgap values, linear regression was applied for prediction from the available data. The biased and the highly absent features were eliminated while the missing values of others were filled with the mod or mean of the dataset. The ML methods were applied using two separate databases which were for gas and liquid phase reactions. 133 out of 309 samples with 30 features were used for gas phase dataset while the remaining 176 samples with 29 features were for liquid phase. 17 missing band gap values were predicted using linear regression with the R-square and RMSE were found as 0.75 and 0.36 respectively for validation set. With DT, the accuracy for test set was obtained 0.76 for gas phase and 0.84 for liquid phase. In the RF predictions, R-square and RMSE were found to be 0.64 and 24.5, respectively for test set in gas phase while they were 0.49 and 221.0 in liquid phase. Bandgap was the most important feature for gas phase while the most important feature for the liquid phase was found to be the cocatalyst. Finally, in the XGBoost, R-square and RMSE for test set in gas phase were 0.65 and 14.75, respectively and for liquid phases, they were 0.79 and 145.6.
Benzer Tezler
- Machine learning in solar energy utilization
Solar enerji kullanımında makine öğrenmesi
BURCU ORAL
Doktora
İngilizce
2023
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM
- Machine learning analysis of data collected from published literature on photocatalytic reforming of glycerol
Gliserolün fotokatalitik reformlaması hakkında literatürden toplanan veriler ile makine öğrenmesi analizi
RÜVEYDA KARAKOYUN
Yüksek Lisans
İngilizce
2023
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM
- Photocatalytic hydrogen production over ionic liquid coated semiconductors
İyonik sıvı kaplı yarı iletkenler kullanılarak foto katalitik hidrojen üretimi
ELİF CAN
Doktora
İngilizce
2021
Kimya MühendisliğiBoğaziçi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. RAMAZAN YILDIRIM
- WSi2N4 ve WSiGeN4 iki boyutlu malzemelerin fotokatalitik hidrojen üretim performansının incelenmesi
Investigation of photocatalytic hydrogen production performance of WSi2N4 and WSiGeN4 two-dimensional materials
FATİH HİMMET
Yüksek Lisans
Türkçe
2024
EnerjiGazi ÜniversitesiEnerji Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN SÜRÜCÜ
- Machine learning analysis of pulsar timing data
Atarca zaman verisinin makine öğrenmesi yöntemleri ile analizi
ESMA HASANÇEBİ ESER
Yüksek Lisans
İngilizce
2021
Astronomi ve Uzay Bilimleriİstanbul Teknik ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF. DR. MUAMMER ALTAN ÇAKIR