Geri Dön

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

PDF İndir

  1. Tez No: 959199
  2. Yazar: ALİCAN YAĞIN
  3. Danışmanlar: PROF. DR. YÜKSEL OĞUZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Afyon Kocatepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 198

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

  1. Tez No

    859865

    Modeling of the marine diesel engines with comparative machine learning methodologies

    Gemi dizel motorların karşılaştırmalı makine öğrenmesi yöntemleri ile modellenmesi

    MEHMET İLTER ÖZMEN

    Doktora

    İngilizce

    İngilizce

    2024

    Gemi Mühendisliğiİstanbul Teknik Üniversitesi

    Gemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN AZMİ ÖZSOYSAL

  2. Tez No

    962554

    Makine öğrenmesi yöntemleri ile yangın verilerinin analizi ve sınıflandırılması

    Analysis and classification of fire data using machine learning methods

    ZEYNEP NAZLI ASLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İlk ve Acil YardımSakarya Üniversitesi

    Afet Yönetimi Ana Bilim Dalı

    DOÇ. DR. BEYTULLAH EREN

  3. Tez No

    849180

    Değişken şartlar altında atıksu arıtımında karbon ve besi maddesi gideriminin makine öğrenmesi yöntemleri ile modellenmesi

    Modeling carbon and nutrient removal in wastewater treatment under variable conditions using machine learning methods

    CEM CANTEKİN

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖNDER ŞAHİNASLAN

    PROF. DR. NEVİN YAĞCI

  4. Tez No

    568178

    An ensemble learning model for wide-area measurement based transient stability assessment in power systems

    Güç sistemlerinde geniş alan ölçümlerine dayalı geçici hal kararlılık değerlendirmesi için bir topluluk öğrenme modeli

    CAN BERK SANER

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

  5. Tez No

    957719

    Segmentation of colon nuclei images using deep learning

    Kalın bağırsak hücre görüntülerinin derin öğrenme kullanılarak bölütlenmesi

    ATAKAN ÖZKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Biyomühendislikİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER METE EKŞİOĞLU

Geri Dön