Gerçek işletme verilerine dayalı makine öğrenmesi yöntemleri ile anaerobik metan üretiminin tahmini ve simülasyon analizi
Prediction and simulation analysis of anaerobic methane production using machine learning methods based on real operational
- Tez No: 959199
- Danışmanlar: PROF. DR. YÜKSEL OĞUZ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gerçek bir biyogaz işletmesinden elde edilen operasyonel verilere dayalı olarak, anaerobik metan üretiminin tahmini amacıyla veri odaklı modelleme yöntemleri geliştirilmiştir. Çalışma, ardışık yapıda kurgulanmış bir tahmin zinciri yaklaşımına dayanmaktadır. Bu zincirin ilk halkasında, atık miktarı ve giriş bileşenleri temel alınarak reaktör içi Kuru Madde (KM), Organik Kuru Madde (OKM), Uçucu Yağ Asitleri (FOS) ve Toplam Alkali Kapasite (TAC) tahmin edilmiştir. İkinci halkada ise bu parametreler ve atık miktarı birlikte değerlendirilerek nihai metan üretimi öngörülmüştür. Bu yapı kapsamında, Makine Öğrenmesi (ML) algoritmaları Karar Ağaçları (Decition Tree-DT), Rastgele Ormanlar (Random Forrest-RF), Destek Vektör Regresyonu (Support Vector Machine-SVM), Gradyan Artırmalı Makineler(Gradient Boosting Machine-GBM), K-En Yakın Komşu (K-Nearest Neighbors-KNN), Yapay Sinir Ağı (YSA) modelleri Levenberg-Marquardt Öğrenme Algoritması (Levenberg-Marquardt-trainLM), Bayesyen Regülasyonlu Öğrenme (Bayesian Regularization-TrainBR), Ölçeklenmiş Eşlenik Gradyan Algoritması (Scaled Conjugate Gradient- TrainSCG) ile çeşitli tahmin modelleri oluşturulmuştur. Her bir algoritma için ayrı hiperparametre optimizasyonları uygulanmıştır. Elde edilen bulgular, ML tabanlı modellerin genel olarak YSA modellerine kıyasla daha yüksek doğruluk ve genelleme başarısı sağladığını ortaya koymuştur. Özellikle Gradyan Artırmalı Makineler (GBM) ve Destek Vektör Regresyonu (SVR) gibi algoritmalar, sistemin karmaşık yapısına yüksek duyarlılıkla adapte olarak en başarılı tahmin performanslarına ulaşmıştır. Geliştirilen veri odaklı modeller, MATLAB/Simulink ortamında tasarlanan kinetik denklemlere dayalı klasik modeller ile karşılaştırılmış, sabit parametreli yapıların dinamik sistem davranışlarını yeterince temsil edemediği gösterilmiştir. Ayrıca, her aya ait minimum ve maksimum atık değerlerinden oluşturulan test setleriyle yapılan değerlendirmeler, geliştirilen modellerin gerçek saha koşullarındaki güvenilirliğini ortaya koymuştur. Bu yönüyle çalışma, biyogaz üretim süreçlerinde makine öğrenmesi temelli tahmin zincirlerinin pratik uygulanabilirliğini ve yüksek doğruluk potansiyelini göstererek literatüre özgün ve bütüncül bir katkı sunmaktadır.
Özet (Çeviri)
In this study, data-driven modeling techniques have been developed to estimate anaerobic methane production using real operational data obtained from a functioning biogas plant. The methodological framework is constructed around a sequential prediction chain. In the initial stage of this chain, the reactor's internal characteristics—namely Total Solids (TS), Volatile Solids (VS), Volatile Fatty Acids (VFA), and Total Alkalinity Capacity (TAC)—are estimated based on the input waste quantity and composition. Subsequently, these predicted parameters, in conjunction with waste load, are employed to forecast methane yield. The predictive models are built using a range of Machine Learning (ML) algorithms including Decision Trees (DT), Random Forests (RF), Support Vector Machines (SVM), Gradient Boosting Machines (GBM), and K-Nearest Neighbors (KNN), as well as Artificial Neural Networks (ANN) trained with Levenberg–Marquardt (trainLM), Bayesian Regularization (trainBR), and Scaled Conjugate Gradient (trainSCG) algorithms. Tailored hyperparameter optimization procedures were applied to each model individually. The outcomes indicate that ML-based models generally outperform ANN approaches in terms of accuracy and generalization capacity. Among these, GBM and SVM-based regressors demonstrated superior predictive performance by effectively capturing the nonlinear and complex behavior of the anaerobic digestion system. Additionally, these data-oriented models were benchmarked against classical kinetic models constructed in the MATLAB/Simulink environment. The comparative analysis revealed that fixed-parameter kinetic equations fall short in adequately representing the dynamic behavior of real-world biogas systems. Moreover, evaluation using test sets composed of the monthly minimum and maximum waste inputs confirmed the robustness of the developed models under operational conditions. Accordingly, this work offers an original and comprehensive contribution to the literature by demonstrating the practical applicability and high accuracy potential of machine learning–driven prediction chains in biogas production systems.
Benzer Tezler
- Makro besin elementlerinin (NPK) İzmir'de Mayıs ayında açığa dikilen 4-6 cm çevre büyüklüğündeki Gladiolus cinsine ait“hunting song”ve“Novalüx”kültür çeşitlerinin yumrularının gelişmeleri üzerine etkileri
Başlık çevirisi yok
TAHA ALİ AMEN
Yüksek Lisans
Türkçe
1985
ZiraatEge ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. ADNAN HATİPOĞLU
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Samsun ve çevresinde tarla sarmaşığı (conuolvulus arvensis L.)'na karşı biyolojik savaşa esas olacak fauna tespiti
Investigations on the insect fauna of the field binweed (Conuolvulus arvensis L.) related to its biological control in Samsun Province
YASEMİN UFUK GERMAN
- İki katlı pamuk ipliklerinden dokunan kumaşlarda örgüye bağlı olarak maksimum atkı sıklığının değişimi üzerinde bir araştırma
Başlık çevirisi yok
MELTEM ASLI NARTER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER