Effective discrimination of different particles including smoke, dusts, oil vapours and test aerosols using simple optical cell and machine learning techniques
Basit optik hücre ve makine öğrenimi teknikleri kullanılarak duman, toz, yağ buharı ve test aerosolleri dahil farklı partikül tiplerinin etkin olarak sınıflandırılması
- Tez No: 878632
- Danışmanlar: PROF. DR. FETHİ İÇSEL OLCAYTUĞ
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yeditepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 176
Özet
Bu tez, basit ve yeni bir dedektör hücresi kullanılarak farklı partikül tiplerinin doğru şekilde sınıflandırılmasını göstermektedir. Bu tez dört ana bölüme ayrılmıştır. Dedektör hücresi ilk bölümde sunulmuştur. Dedektör hücresi, ışığın ileri, geri ve yana saçılımını ölçmek için mavi ve kızılötesi lazer diyotlardan ve beş fotodiyottan oluşur. Geliştirme sürecinde Monte Carlo ışın izleme yöntemi ile optik simülasyonlar gerçekleştirildi. Ölçümlenebilen minimum duman yoğunluğu %0.024 obs/m'dir. İkinci bölüm, çeşitli partikül tiplerini test etmek için kullanılan deneysel platformu açıklamaktadır. Üçüncü bölümde, tek pencere zaman çözünürlüklü saçılan ışık bilgileri ile oluşturulan makine öğrenmesi algoritmalarının, partikül sınıflandırmaları sunulmaktadır. Bu bölümde iki farklı çalışma yapılmıştır. İlk bölümde DEHS, PAO ve parafin aerosolleri test edilmiş, sınıflandırılmıştır. Bu bölümün ana katkısı, benzer fiziksel özellikler sergileyen aerosoller için sınıflandırma performansı %82 ila %96 arasında çıkmasıdır. İkinci bölümde, altı farklı malzeme, farklı test senaryoları ile test edildi. Asimetri oranı, Sauter ortalama çap bilgisi ve saçılan ışığın zaman korelasyon fonksiyonu incelenmiştir. Bu bölümün ana katkıları, çok düşük duman yoğunluklarında ve farklı test senaryolarında, yangın dumanı için yüksek sınıflandırma kabiliyeti (%99,9) ve makine öğrenmesi teknikleri kullanılarak zaman korelasyon fonksiyonlarının kullanılmasıdır. Son bölüm, zaman çözünürlüklü saçılan ışık desenlerini kullanan derin öğrenme modelleriyle sınıflandırma içermektedir. Bu bölümün ana katkıları, amplifikatör devresinin Monte Carlo simülasyonlarına göre değiştirilen verilerinde bile on iki farklı partikül türü için %88'den daha yüksek F1 puanları elde edilmiştir, çoklu malzeme ve kumaş yakma ile ek bilinmeyen veri testleri gerçekleştirilmiş, ve manipüle edilmiş test datasında bile performansı etkilenmeyen derin öğrenme modeli ve çalışma algoritması önerilmiştir. Dedektör hücresi ve makine öğrenimi modellerine ilişkin ayrıntılar ve tüm test sonuçları verilmiştir.
Özet (Çeviri)
This dissertation illustrates the accurate classification of various particle types using a simple novel detector cell. This thesis is divided into four major chapters. The first chapter describes the detector cell details. The detector cell consists of blue and infrared laser diodes and five photodiodes that measure the forward, backward, and side scattering of light. During the development process, optical simulations were conducted using the Monte Carlo ray tracing method. The detector cell can measure smoke densities as low as 0.024% obs/m. The second chapter outlines the experimental platform used to test diverse particle types. The third chapter presents particle discrimination by machine learning algorithms using scattered light with single time windowing. In this chapter, two different studies were conducted. In the first part, DEHS, PAO, and paraffin aerosols were experimented and discriminated. The main contribution of this part is to achieve the discrimination performance resulting between 82% to 96% for aerosols exhibiting similar physical features. In the second part, six different materials were tested under different scenarios. The asymmetry ratio, Sauter mean diameter information, and time correlation function of the scattered light were investigated. In this part of the study, fire smoke was accurately identified (99.9%) at extremely low densities across diverse test scenarios using ML techniques, which also integrated time correlation functions into particle classification. The last chapter presents particle and event type discriminations using deep learning techniques with time-resolved scattered light patterns. High accuracy classifications with F1 scores above 88.0% for particle types and 99.4% for event classifications were achieved against altered data according to Monte Carlo simulation results. The largest model and algorithm demonstrated consistent performance when tested against unknown altered or unaltered data related to burning multi-materials and fabrics. Details of the implementation of the detector cell and machine learning models and the test results for all parts of the study are provided.
Benzer Tezler
- İyon seçici sol-jel film sentezi ve optik sensör olarak kullanmı
Ion selective sol-gel film synthesis and usage as optical sensor
MERVE UMUTLU
- Uydu verileri ile İstanbul Boğazı ve Haliç'de su kirliliğinin makro düzeyde belirlenmesi
Intrepretation at macro level as pollution of water resources of remotely sensed data of Bosphorus and golden horn estuary by an unsupervised and supervised classification method
H.GONCA COŞKUN
- L'Islamophobie croissante en Europe
Avrupa'da yükselen İslam karşıtlığı
ONUR SEVİM
Yüksek Lisans
Fransızca
2024
Uluslararası İlişkilerGalatasaray ÜniversitesiUluslararası İlişkiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEYNEP ARIKANLI
- Uruguay anlaşmaları ve dünya ticaretine olası etkileri
Başlık çevirisi yok
ARMAĞAN ZALOĞLU
Yüksek Lisans
Türkçe
1998
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. LERZAN ÖZKALE