Veri analitiği ve makine öğrenmesi bir çelik üretim tesisinde uygulama
Applying data analytics and machine learning in a steel manufacturing facility
- Tez No: 961043
- Danışmanlar: PROF. DR. ALİ FUAT GÜNERİ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Demir çelik endüstrisi, Iron steel industry
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zekanın daha da gelişimi ile beraber günümüzde veri analizi ve makine öğrenmesi oldukça önemli bir yere sahiptir. Analizler ve tahminler birçok sektörde yol gösterici olmuştur. Bu tez kapsamında hammadde olarak vasıflı çelik üretimi gerçekleştiren bir firmada, fabrikanın haddehane üretim alanında yuvarlak çelik malzeme üretimde çıkan hurda miktarının tahmini ve çelik malzeme içerinde yer alan elementlerin hurda miktarına etkisinin analizi makine öğrenmesi algoritmaları kullanılarak gerçekleştirilecektir. İlk aşamada toplanan veri setleri detaylı olarak analiz edilerek anlamlandırılacak, veriler eksik ve aykırı değerlerden uzaklaştırılacak, veri analizi, veri analitiği ve veri görselleştirme gerçekleştirilecektir. Seçilen makine öğrenmesi algoritmaları ile vasıflı çelik üretim tesisinin ikinci üretim operasyonu olan haddehane üretim alanındaki hurda miktarı tahmin edilecektir. Bu veriler ile eğitilen modeller yeni bir kalite, çap, kütük ebatı, elementlerin bulunma oranları kullanarak hurda miktarını tahmini gerçekleştirilmiş olacaktır. Bu çalışma, üretim tesislerinde veri analizi ve makine öğrenmesi algoritmalarının kullanılması ile üretim süreçlerinin daha etkili ve verimli bir şekilde kullanılması sağlayacak, üretim tesisinin diğer alanlarında da yeni xiii çalışmalar gerçekleştirilmesine olanak sağlayacak, yeni bir yuvarlak malzemenin özellikleri için hurda miktarını tahmin edecek, müşteri termin sürelerinde daha da uyum sağlayacak ve diğer yandan anlamlı etkileri tespit edilen veriler ile hurda miktarı azaltmaya yönelik çalışmalar gerçekleştirilecektir. Diğer yandan makine öğrenmesi algoritmalarını karşılaştırılması ile en iyi performansı gösteren algoritmanın seçilmesi gerçekleştirilmiştir.
Özet (Çeviri)
With the continued advancement of artificial intelligence, data analysis and machine learning have gained considerable importance. Analyses and predictions have become guiding forces in many industries. Within the scope of this thesis, machine learning algorithms will be used to estimate the scrap amount in the rolling mill production area of a high-quality steel manufacturing company, while also analyzing the impact of different elements on the scrap amount in steel materials. In the initial stage, the collected datasets will be thoroughly analyzed and cleaned to remove any missing or outlier values, followed by data visualization, analytics and analysis. The selected machine learning algorithms will be used to predict the scrap quantity in the rolling mill, which is the second production stage of the High quality steel manufacturing process. Models trained on these datasets will estimate the scrap amount for new steel products based on parameters such as quality, diameter, billet size, and elemental composition. This work aims to improve the efficiency and effectiveness of production processes by employing data analysis and machine learning algorithms, opening the door to further studies in other areas of the manufacturing facility, predicting scrap amounts for new round steel materials, and helping reduce customer delivery times. Furthermore, significant data insights will be used to implement measures to reduce scrap, leading to more sustainable production practices. Additionally, the study involved comparing various machine learning algorithms to identify and select the one that delivers the best performance.
Benzer Tezler
- Uluslararası bir üretim tesisinde talep tahmini: makine öğrenmesi ve topluluk öğrenme yaklaşımları
Demand forecasting in an international manufacturing facility: Machine learning and ensemble learning approaches
ÖZLEM KABAK
Yüksek Lisans
Türkçe
2026
Endüstri ve Endüstri MühendisliğiEskişehir Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. GÜRKAN ÖZTÜRK
- Geniş ölçekli veriler üzerinde sınıflandırma ve bölütleme amaçlı evrişimsel sinir ağı ve istatistiksel modellerin geliştirilmesi
Development of convolutional neural network and statistical models for classification and segmentation on large-scale data
NURULLAH ÇALIK
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
- Data-driven modelling of cost advantage strategies enhancing operational efficiency in the retail sector
Perakende sektöründe operasyonel verimliliği arttıran maliyet avantajı stratejilerinin veri temelli modellenmesi
ÇAĞATAY ÖZDEMİR
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SEZİ ÇEVİK ONAR
- Pandemi ve sonrası dönemde türkiye'de eğitim alanında yapay zekâ araştırmaları: lisansüstü tezler üzerine prısma temelli sistematik bir inceleme
Artificial intelligence research in education in turkey during and after the pandemic: A prisma-based systematic review of graduate theses
CANAN ALADAĞ
Yüksek Lisans
Türkçe
2025
Eğitim ve ÖğretimAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ LEVENT ÇELİK
- Multi-label classification of 12-lead ECG signal using a mixture-of-experts transformer model
Uzmanların karışımı bazlı dönüştürücü modeli ile 12 kanallı EKG sinyalinin çok etiketli sınıflandırılması
ATALAY ÇELİK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN