Endüstriyel üretimde yapay zeka destekli enerji verimliliği optimizasyonu
Artificial intelligence-assisted energy efficiency optimization in industrial production
- Tez No: 986906
- Danışmanlar: DR. ÖĞR. ÜYESİ İLKER DURSUN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirsizlik analizleri, Endüstriyel üretim, Enerji verimliliği, Kimya endüstrisi, Yapay zeka, Uncertainty analysis, Industrial production, Energy efficiency, Chemical industry, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Enerji verimliliği, günümüz sanayisinin sürdürülebilir kalkınma hedefleri doğrultusunda hem ekonomik rekabet gücünü artırmak hem de çevresel etkileri azaltmak açısından en kritik konulardan biri haline gelmiştir. Özellikle enerji yoğun endüstrilerde verimliliğin artırılması, üretim maliyetlerinin düşürülmesi ve karbon salımının azaltılması açısından stratejik önem taşımaktadır. Bu yüksek lisans tezinde, kimya sanayinde faaliyet gösteren tesislerin enerji verimliliği performansları, yapay zeka temelli regresyon ve sınıflandırma yöntemleri kullanılarak değerlendirilmiş ve veri temelli karar destek potansiyeli ortaya konmuştur. Çalışmada kullanılan veri, ABD Enerji Bakanlığı'na bağlı OpenEI platformu tarafından yayımlanan Foundational Industrial Energy Dataset olup, NAICS 325 kodlu kimya sektörü filtrelenerek yalnızca petrokimya alt sektörüne ait kazan birimleri analiz kapsamına alınmıştır. Ham veriler birim dönüşümleri ile standardize edilmiş, eksik ve hatalı gözlemler elenmiş, enerji yoğunluğu metriği MW başına MJ tüketimi üzerinden hesaplanmıştır. Verinin sağa çarpık dağılımı logaritmik dönüşüm ile normalize edilmiş, uç değerlerin bozucu etkisi sağlam istatistik yöntemleri ile azaltılmıştır. Modelleme aşamasında Random Forest algoritmasıyla enerji yoğunluğu tahmin edilmiş, test kümesinde Random Forest modeli (dizel hariç) R²_log10=0.971 ve RMSE_log10=0.398 değerleriyle yüksek doğruluk elde edilmiştir. Beş katlı çapraz doğrulama, modelin farklı veri bölünmelerinde de tutarlı sonuçlar verdiğini göstermiştir. Doğrusal ölçeğe dönüşümde Duan smearing yöntemi uygulanmış, tahminler %5–95 güven aralıklarıyla birlikte raporlanarak karar vericilere yalnızca noktasal değil, belirsizlik bantları da sunulmuştur. Özellik önemleri analizinde kapasite ile yakıt–kazan etkileşimleri en kritik faktörler olarak öne çıkmıştır. Ayrıca enerji yoğunluğu medyan eşik değeriyle“yüksek”ve“düşük”verimlilik sınıfları oluşturulmuş, Random Forest Classifier analizleri yakıt türleri ve kazan alt tiplerinin bu sınıflarla güçlü ilişkiler taşıdığını göstermiştir. Elde edilen bulgular, kimya sanayinde enerji verimliliğini artırmaya yönelik dijital dönüşüm stratejileri için önemli bir bilimsel temel sunmaktadır. Çalışma, yapay zeka destekli modellerin enerji yoğunluğu tahmininde güçlü, güvenilir ve açıklanabilir sonuçlar ürettiğini; belirsizlik analizleriyle birlikte karar destek sistemlerine entegre edilebilecek pratik çıktılar sağladığını göstermektedir. Böylece, endüstriyel enerji yönetiminde veri odaklı planlama, yakıt–kazan optimizasyonu ve verimlilik stratejilerinin uygulanabilirliği için somut bir katkı sunulmuştur.
Özet (Çeviri)
Energy efficiency is one of the most critical priorities of modern industry, both for enhancing competitiveness and reducing environmental impacts in line with sustainable development goals. In energy-intensive industries, improving efficiency has strategic importance for lowering costs and reducing carbon emissions. This thesis evaluates the energy efficiency performance of chemical industry facilities using artificial intelligence–based regression and classification methods, highlighting their potential for data-driven decision support. The study employs the Foundational Industrial Energy Dataset (FIED) published by the U.S. Department of Energy's OpenEI platform. Records from the chemical sector (NAICS 325) were filtered, focusing on boiler units in the petrochemical subsector. Data were standardized through unit conversions, invalid records were removed, and energy intensity was defined as MJ consumption per MW capacity. Logarithmic transformation and robust statistics were applied to normalize skewed distributions and reduce the impact of outliers. Using the Random Forest algorithm, the model achieved high accuracy (R²_log10=0.971 and RMSE_log10=0.398), and five-fold cross-validation confirmed its consistency. The Duan smearing method was applied for unbiased back-transformation, and predictions were reported with 5–95% confidence intervals. Feature importance analysis revealed that capacity and fuel–boiler interactions were the most influential factors. Energy intensity was further classified into“high”and“low”efficiency groups, and Random Forest Classifier results showed strong links with fuel types and boiler subtypes. Overall, the findings provide a robust scientific basis for digital transformation strategies in the chemical industry. Artificial intelligence–based models demonstrated strong, reliable, and interpretable predictions, while uncertainty analysis offered practical insights for integration into decision support systems. This study contributes to data-driven industrial energy management, fuel–boiler optimization, and the implementation of efficiency strategies.
Benzer Tezler
- Yapay zeka tabanlı bara diferansiyel koruma sistemi
Artificial intelligence based busbar differential protection system
EMRE ÖZDEMİR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Integrating multi-input data in CNN-LSTM models for AI-based cooking termination in smart ovens
Akıllı fırınlarda yapay zeka tabanlı pişirme sonlandırma için CNN-LSTM modellerine çok girdili verilerin entegre edilmesi
EBRAR ÖMER
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Kağıt fabrikası elektrik enerjisi kalitesi analizi
Anallysis of electrical energy quality in a paper mill
ONUR GAFAR
Yüksek Lisans
Türkçe
2025
EnerjiHitit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KENAN GENÇOL
- Kinolin grubu içeren bazı yeni porfirin bileşiklerinin sentezi ve yapılarının aydınlatılması
Synthesis and structures elucidation of some new porphyrin compounds containing quinoline group
MILAD NOROUZIDASTJERDI
- Sürdürülebilir atık yönetiminde yapayzekâ uygulamaları
Artificial intelligence applications in sustainable waste management
SEYYED MANSOUR HEDAYATI
Yüksek Lisans
Türkçe
2025
Bilgi ve Belge YönetimiDokuz Eylül ÜniversitesiBilgi Yönetimi Ana Bilim Dalı
PROF. DR. ASUMAN ALTAY