Çevre kirliliğinin izlenmesinde makine öğrenmesi algoritmaları kullanımı
Use of machine learning algorithms in monitoring environmental pollution
- Tez No: 942780
- Danışmanlar: PROF. DR. SEDAT BALLIKAYA, DOÇ. DR. HASAN TİRYAKİ
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mühendislik Bilimleri Ana Bilim Dalı
- Bilim Dalı: Mühendislik Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Artan nüfus, sanayileşme, toksik atıkların bertarafı ve sağlıksız tarımsal faaliyetler toprak kirliliğini artırarak çevresel dengeyi bozmaktadır. Bunlardan biri de hidrokarbon kirliliğidir. Hem ekosistemlerin doğal yapılarında kalabilmesi hem de insan sağlığının olumsuz etkilenmemesi için oluşan hidrokarbon kirliliğinin sınırlarının belirlenmesi, izlenmesi ve doğru şekilde müdahale edilmesi gerekmektedir. Kimyasal deneyler yapmak bir yöntem iken bir diğer yöntem de belirli zaman aralıklarında ortamın elektriksel özelliklerini incelemektir. Kimyasal deneylere göre daha geniş alanları tarayabilen ve alınan numunelere zarar vermeden bunu yapabilen jeofizik spektral indüklenmiş polarizasyon (SIP) yöntemi son yıllarda popüler hale gelmiştir. Zamanla hidrokarbonlarla kirlenen alanlarda manyetit gibi çeşitli metalik mineraller artmaktadır. Özellikle manyetit olmak üzere farklı tipteki metalik minerallerin elektriksel özelliklerini tespit edebilen SIP yöntemi bu tip çevre kirliliğinin sınırlarını belirlemek için kullanılmaktadır. Bu yöntemi geliştirmek için laboratuvar deneylerine ihtiyaç duyulmaktadır. Ancak bu deneyler genellikle zaman alıcı ve maliyetli olabilmektedir. Verilerle oluşturulan örüntüleri ve ilişkileri öğrenen makine öğrenmesi algoritmaları, bazı işlemleri daha etkili bir şekilde gerçekleştirme, zaman kaybını önleme ve maliyetleri en aza indirme potansiyeline sahiptir. Bu tezde, laboratuvar ortamında toplanan metalik bir mineral olan manyetitin elektriksel tepkileri kullanılmıştır. SIP sonuçları farklı makine öğrenmesi algoritmalarıyla test edilmiş ve algoritmaların performansları hakkında değerlendirmeler yapılmıştır. Tezde kullanılan makine öğrenmesi algoritmalarının performansları gerçek verilerle karşılaştırılmış ve bu süreçte %95'in üzerinde başarı gösteren 13 algoritma belirlenmiştir. Rastgele Komite ve Rastgele Ağaç algoritmalarının en düşük hata oranlarına sahip olduğu ve hızlı çalışma süreleriyle en iyi performansı gösterdiği belirlenmiştir. Ayrıca diğer algoritmaların başarı oranının %95 ve üzeri olduğu da dikkate alınmalıdır. Bu tez, hidrokarbonlardan kaynaklanan çevre kirliliği analizlerinde kullanılan SIP yöntemi (laboratuvar koşullarında) için bir ölçek oluşturmak amacıyla makine öğrenmesi algoritmalarının nasıl kullanılabileceği konusunda önemli bilgiler sunmaktadır. Son olarak, laboratuvar çalışmalarının zaman ve maliyetini azaltma ve elde edilen verilerin insan kaynaklı hatalardan arındırılmasına yardımcı olma potansiyeline sahip olan makine öğrenmesi algoritmalarının, çevre kirliliği sınırlarının belirlenmesi ve izlenmesinde kullanılabilecek ölçeğin oluşturulmasında kullanılması önerilmektedir.
Özet (Çeviri)
Increasing population, industrialization, disposal of toxic wastes, and unhealthy agricultural activities increase soil pollution and disrupt the environmental balance. Hydrocarbon pollution is one of them. For both ecosystems to remain in their natural structure, and for human health not to be adversely affected, the boundaries of the hydrocarbon pollution that occurs must be determined, monitored, and intervened correctly. While conducting chemical experiments is one method, another method is to examine the electrical properties of the environment at certain time intervals. The geophysical spectral induction polarization (SIP) method, which can scan larger areas compared to chemical experiments and do this without damaging the samples taken, has become popular in recent years. Various metallic minerals - such as magnetite - increase in areas contaminated with hydrocarbons over time. The SIP method, which can detect the electrical properties of different types of metallic minerals, especially magnetite, is used to determine the boundaries of this type of environmental pollution. Laboratory experiments are needed to develop this method. However, these experiments can usually be time-consuming and costly. Machine learning algorithms that learn patterns and relationships formed with data have the potential to perform some operations more effectively, prevent loss of time, and minimize costs. In this thesis, electrical responses of magnetite, a metallic mineral, collected in a laboratory environment were used. SIP results were tested with different machine learning algorithms and evaluations were made about the performances of the algorithms. The performances of the machine learning algorithms used in the thesis were compared with real data, and 13 algorithms that showed over 95% success were determined in this process. It was determined that Random Committee and Random Tree algorithms had the lowest error rates and exhibited the best performance with fast working times. In addition, it should be taken into account that the success rate of other algorithms was 95% and above. This thesis provides important information on how machine learning algorithms can be used to create a scale for the SIP method (in laboratory conditions)used in environmental pollution analyses caused by hydrocarbons. Finally, it is recommended that machine learning algorithms, which have the potential to reduce the time and costs of laboratory studies, and help the obtained data to be free from human-induced errors, be used to create the scale to can be used for determining and monitoring environmental pollution limits.
Benzer Tezler
- State of charge estimation of lithium-ion batteries using machine learning approach
Makine öğrenmesi yaklaşımı kullanılarak lityum iyon pillerin şarj durumu tahmini
OSMAN ALPER ALTUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. EMİNE AYAZ
- Orman yangınlarının hava kirliliğine etkisinin araştırılması ve makine öğrenmesi ile modellenmesi
Investigation of the effects of forest fires on air pollution using machine learning modeling
HİLAL ARSLAN
Doktora
Türkçe
2026
Çevre Mühendisliğiİstanbul Üniversitesi-CerrahpaşaÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN KURTULUŞ ÖZCAN
- Bölgesel ölçekte klorofil-a konsantrasyonunun belirlenmesinde sentınel-3 olcı verilerinin kullanım olanaklarının araştırılması
Investigation of opportunity to use sentinel-3 olci data in the determination of chlorophyll-a concentration at regional scale
BAŞAK DEMİR
Yüksek Lisans
Türkçe
2022
Deniz Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ŞİNASİ KAYA
- Yeşil liman yaklaşımı ve liman işletmelerinde sürdürülebilirlik
Green port approach and sustainability in port authorities
GİZEM DİLEK GÜLTEPE MATARACI
Yüksek Lisans
Türkçe
2016
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. FATMA GÜLEN İSKENDER
- Türkiye'de OECD testlerine tabi tutulan tarım traktörlerinde Avrupa Birliği enerji etiketinin oluşturulması
EU energy label creation for the agricultural tractors subjected to the OECD tests in Turkey
SELÇUK OLUM
Doktora
Türkçe
2022
Makine MühendisliğiAnkara ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. ERGİN DURSUN