Tez No	İndirme	Tez Künye	Durumu
457246		Developing oxygen amount prediction model of basic oxygen furnace steelmaking process with machine learning algorithms / Makine öğrenmesi algoritmaları ile bazik oksijen fırını çelik üretiminde oksijen miktarı tahminleme modeli geliştirilmesi Yazar:SONER TÜRKOĞLU Danışman: YRD. DOÇ. DR. BUSE MELİS ÖZYILDIRIM Yer Bilgisi: ÇUKUROVA ÜNİVERSİTESİ / FEN BİLİMLERİ ENSTİTÜSÜ / BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Yüksek Lisans İngilizce 2017 57 s.
Bazik Oksijen Fırını (BOF) ile çelik üretimi, karbon içeriğini düşürmeyi ve sıcaklığı yükseltmeyi amaçlayan oldukça karmaşık, birçok fazlı fizik ve kimyasal reaksiyon içeren bir işlemdir. Proses esnasında BOF içerisine üflenen oksijen miktarı BOF refrakter kaplamasının ömrünü, üretim maliyetlerini ve istenen kalitede çelik üretimi yapılabilmesini etkileyen en önemli kontrol parametresidir. Bu tezde amaç BOF ile çelik üretimi sürecinde dinamik üfleme aşamasında üflenen oksijen miktarını makine öğrenmesi algoritmaları ile tahminleme modelinin geliştirilmesidir. En iyi tahminleme modelinin bulunabilmesi için, Doğrusal Regresyon, Çok katmanlı Algılayıcı(MLP), K-En Yakın Komşu (KNN), Aşırı Öğrenme Makinesi (ELM) ve Destek Vektör Makineleri (SVM) tabanlı Sıralı Minimal Optimizasyon (SMO) Regresyonu algoritmalarının Weka ve MATLAB kullanılarak karşılaştırılması yapılmıştır. BOF üretiminden toplanan verilerle geliştirilen tahminleme modellerinin sonuçları birbirlerine çok yakın çıkmıştır. ELM ve SVM tabanlı SMO Regresyonu ile diğer modellerden biraz daha iyi sonuç tahminleme yapılmıştır.
Basic Oxygen Furnace (BOF) steelmaking is a highly complex multiphase physics and chemical reaction process, which aims to reduce the carbon content and increase temperature. During the process amount of oxygen blown into BOF is the most significant control parameter, which effects life of BOF refractory lining, production cost and producing steel in desired quality. In this thesis, the purpose is developing oxygen amount prediction of dynamic blow stage in BOF steelmaking process with machine learning algorithms. For finding the best prediction model, Linear Regression, Multi-Layer Perceptron (MLP), K-Nearest Neighbor (KNN), Extreme Learning Machine (ELM) and Support Vector Machine (SVM) based Sequential Minimal Optimization (SMO) Regression algorithms were compared using Weka and MATLAB. The results of the prediction models developed with gathered production data from BOF are close to each other. ELM and SVM based SMO regression predicted slightly better results than the other models.