Tez No	İndirme	Tez Künye	Durumu
688422		Biyokütle gazlaştırma sistem performansının yapay zeka teknikleri ile tahmini / Prediction of biomass gasification system performance using artificial intelligence techniques Yazar:AHMED A. AHMED Danışman: DOÇ. DR. SELİM CEYLAN Yer Bilgisi: Ondokuz Mayıs Üniversitesi / Lisansüstü Eğitim Enstitüsü / Kimya Mühendisliği Ana Bilim Dalı Konu:Kimya Mühendisliği = Chemical Engineering Dizin:	Onaylandı Yüksek Lisans Türkçe 2021 119 s.
Biyokütle gazlaştırma işlemi, karbon içeren malzemelerden sentez gazı elde etmenin etkili bir yoludur. Gazlaştırma işlemi, çeşitli hammaddelerden farklı sürelerde, yüksek sıcaklıklarda ve farklı reaktör tiplerinde gerçekleştirilmektedir. Sonuç olarak, optimal koşulların deneysel olarak belirlenmesi yoğun emek gerektiren, zaman alıcı ve maliyetli bir süreç olabilmektedir. Bu nedenle, optimum ürün miktarı ve bileşiminin uygun yöntemlerle tahmin edilmesi önemli bir rol oynamaktadır. Bu çalışmada, bir biyokütle gazlaştırma sisteminin performansını tahmin etmek amacıyla yapay zeka araçları kullanılmıştır. Bir teknoloji olarak makine öğrenimi, büyük veri yığınlarını analiz etmeye yardımcı olur. Bu, insan müdahalesi olmadan gerçek zamanlı olarak daha iyi kararlar ve akıllı eylemler elde etme görevini kolaylaştırır. Makine öğrenimi, öğrenme algoritmalarının gelişmiş kullanımı yoluyla akıllı içgörüler sağlar. Makine ayrıca verilerden kalıpları öğrenmek üzere eğitilmiştir, böylece yeni ve değişen veriler üzerinde bağımsız olarak ilerleyebilir ve ardından dinamik bir geri bildirim döngüsü oluşturarak daha fazla fikir elde etmek için daha fazla model oluşturmasını ve hatta daha doğru olmasını sağlar. Bu, ek kaynaklara veya insan etkileşimine ihtiyaç duymadan yapılır. Evrimleşmiş sentez gazının bileşimini ve özelliklerini tahmin etmek için iki regresyon tekniği (destek vektör regresyon DVM, Gauss proses regresyon GPR) ve bir yapay sinir ağı (YSA) kullanılmıştır. Tahmin sürecini gerçekleştirmek amacıyla literatürden çeşitli biyokütlelerin gazlaştırılması için farklı veri noktası toplanmıştır. Üç tekniğin performansı istatistiksel araçlar kullanılarak değerlendirilmiştir. GPR teknolojisinin performansı, sırasıyla H2, CH4, CO, LHV, HHV ve Güç için 0.0007, 0.00386, 0.0041, 0.0020, 0.00093, 0.00085 MSE olarak elde edilmiş ve tüm çıktılar için üç teknoloji arasında en iyisi olduğu görülmüştür. Çıkışların çoğu için R değeri R2˃ 0.94 olarak gözlemlenmiştir. Bu nedenle, GPR kullanılan en iyi modelleme yöntemi olduğu sonucuna varılmıştır.
The biomass gasification process is an effective way for obtaining synthesis gas from carbon-containing materials such as biomass. The gasification process is carried out at high tempera-tures and in different reactor types for different durations from various feedstocks. As a re-sult, experimentally determining optimal conditions is a time-consuming, labor-intensive and costly process. Thus, it is very important to estimate the optimum product amount and compo-sition with appropriate methods. For this purpose, in this study, we used artificial intelligence tools to predict the performance of a biomass gasification system. Machine learning as a technology helps analyze large chunks of data. This facilitates the task of obtaining better decisions and intelligent actions in real time without human intervention. Machine learning provides intelligent insights through the advanced use of learning algorithms. The machine is also trained to learn patterns from the data, so it can move forward independently on new and changing data, and then create a dynamic feedback loop, allowing it to efficiently generate more models to get more ideas, even more accurately. This is done without the need for additional resources or human interaction. We used two regression techniques (support vector regression, Gaussian process regression) and an artificial neural network to predict the composition and properties of evolved synthesis gas. In order to perform the estimation process, different data points were collected from the literature for gasification of various biomass. The performance of the three techniques is evaluated utilizing statistical tools. The performance of GPR technology was the best among the three technologies for all outputs by achieving (0.0007, 0.00386, 0.0041, 0.0020, 0.00093, 0.00085) MSE for H2,CH4, CO, LHV, HHV, and Power respectively. The R-value was R2˃0.94 for the majority of the outputs. Therefore, GPR can be said to be the best modeling method used.