Pekiştirmeli öğrenme ve karar ağacı ile bitki tabanlı mikrobiyal yakıt hücresinin optimum performansına götüren yolların tespiti
Routes to optimal conditions in plant-based microbial fuel cells using reinforcement learning and decision trees
- Tez No: 966264
- Danışmanlar: PROF. DR. NİYAZİ ALPER TAPAN
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Chemical Engineering
- Anahtar Kelimeler: Bitkiler, Karar ağacı, Mikrobik hücreler, Takviyeli öğrenme, Plants, Decision tree, Microbial cells, Reinforced learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bitki bazlı mikrobiyal yakıt hücreleri (PMFC), bitkiler ve bakterileri birleştirerek, inşa edilmiş sulak alanlar ve atıksu arıtma tesisleri gibi çeşitli ortamlardan elektrik üretebilme potansiyeline sahip teknolojilerdir. PMFC'ler sürdürülebilir enerji ve su arıtma alanlarında umut verici sonuçlar sergilese de biyoyakıt üretimi, bitki seçimi, işletme koşulları, elektrot malzemeleri ve ışık kaynağı gibi faktörler nedeniyle henüz tam potansiyeline ulaşamamıştır. Bu nedenle, bu çalışmada PMFC sistemlerinin optimum çalışma koşullarını belirlemek ve bu sistemleri iyileştirmek için derin Q sinir ağları, AlphaGo, video oyunları gibi çeşitli alanlarda pek çok başarılı uygulaması bulunan makine öğrenimi(ML) tekniklerinden biri olan Q-öğrenme algoritması ve karar ağaçları algoritmaları kullanılmıştır.ML modellerini eğitmek amacıyla 51 akademik yayından elde edilen 231 gözlem verisi ve 271 giriş değişkeni içeren bir veri tabanı oluşturulmuş, bu veri tabanı kullanılarak maksimum güç yoğunluğu, açık devre potansiyeli ve akım yoğunluğuna giden yollar belirlenmiştir.Q-öğrenme algoritması sonucunda, yüksek maksimum güç yoğunluğu sağlayan yolların, metal bazlı kitosan akıllı katalizörler, bikarbonat içeren atıksular ve anaerobik sulak alan sedimanlarıyla ilişkili olduğu belirlenmiştir. Orta seviyede açık devre potansiyeli için Iris pseudacorus bitkisinin, orta seviyede maksimum akım yoğunluğu için ise anaerobik çamur inokülasyonu ve çelik tel ağ/nikel akım toplama elemanlarının önemli olduğu gözlemlenmiştir. Radar grafiklerine göre, en yüksek açık devre potansiyeli, grafit fiber fırçalar ve organik madde açısından zengin bir ortam sunan besin çözeltisi kombinasyonu ile elde edilirken, en yüksek maksimum akım yoğunluğu dolomit ve bahçe toprağı gibi destek ortamlarıyla sağlanmıştır. Güç yoğunluğu açısından, sodyum bikarbonat içeren atıksu, paslanmaz çelik timsah klipsleri ve L. gibba bitkisi öne çıkmaktadır. Karar ağacı sınıflandırması da, yüksek maksimum güç yoğunluğuna ulaşmak için en verimli yolun sodyum bikarbonat içeren sentetik evsel atık su kullanımı olduğunu ortaya koymuştur. Karar ağacı modelinin eğitim hatası %24,0, test hatası ise %28,2 olarak bulunmuş ve düşük ile yüksek maksimum güç yoğunluğu sınıflarında yüksek doğruluk oranları elde edilmiştir. Bu sonuçlar, PMFC sistemlerinin performansını iyileştirmek için gerekli koşulları belirleyerek, verimliliği optimize etmek için yol gösterici olmaktadır.
Özet (Çeviri)
Plant-based microbial fuel cells (PMFCs) are technologies that combine plants and bacteria, with the potential to generate electricity from various environments such as constructed wetlands and wastewater treatment plants. Although PMFCs show promising results in sustainable energy and water treatment, they have not yet reached their full potential due to factors such as biofuel production, plant selection, operating conditions, electrode materials, and light sources. Therefore, in this study, the Q-learning algorithm—one of the machine learning (ML) techniques widely applied in diverse fields such as deep Q-networks, AlphaGo, and video games—and decision tree algorithms were used to determine the optimal operating conditions of PMFC systems and to improve their performance. To train the ML models, a database containing 231 data points and 271 input variables was created from 51 academic publications. This database was used to identify pathways leading to maximum power density, open-circuit voltage, and current density. As a result of the Q-learning algorithm, it was found that pathways providing high maximum power density were associated with metal-based chitosan smart catalysts, bicarbonate-containing wastewaters, and anaerobic wetland sediments. For medium-level open-circuit voltage, the plant Iris pseudacorus was important, while anaerobic sludge inoculation and steel wire mesh/nickel current collectors were significant for medium-level maximum current density. According to radar charts, the highest open-circuit voltage was achieved with a combination of graphite fiber brushes and a nutrient solution environment rich in organic matter, whereas the highest maximum current density was obtained with support media such as dolomite and garden soil. In terms of power density, sodium bicarbonate-containing wastewater, stainless steel crocodile clips, and the plant Lemna gibba stood out. Decision tree classification also revealed that synthetic domestic wastewater containing sodium bicarbonate was the most efficient pathway to achive high maximum power density. The decision tree model had a training error of 24.0% and a test error of 28.2%, achieving high accuracy in both low and high maximum power density classes. These results guide the optimization of efficiency by determining the necessary conditions to improve the performance of PMFC systems.
Benzer Tezler
- Swarm fighter aircraft control with deep reinforcement learning approach
Derin pekiştirmeli öğrenme ile sürü savaş uçaklarının kontrolü
METİN SARI
Yüksek Lisans
İngilizce
2025
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Safety analysis and deep reinforcement learning implementation for an automatic emergency braking system
Otomatik acil fren sistemi için güvenlik analizi ve derin pekiştirmeli öğrenme uygulaması
TALHA ENES ERCAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Makine öğrenmesi algoritmaları ve uygulamaları
Machine learning algorithms and applications
HALİL SEZGİN CAN
- Recommanding new products with high sales potential in fashion retail: A machine learning approach
Moda perakendesinde yüksek satış potansiyeline sahip yeni ürünlerin önerilmesi: Bir makine öğrenimi yaklaşımı
ENES TEZCAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜL HALİM ZAİM
- An application of machine learning for production scheduling
Üretim çizelgelemede makine öğrenmesinin uygulanması
HAJAR LOQMANE
Yüksek Lisans
İngilizce
2025
İşletmeİstanbul Aydın Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. BURÇİN KAPLAN
