Knowledge extraction for Fischer-Tropsch synthesis using local learning approaches

AYÇA SOYLU

Knowledge extraction for Fischer-Tropsch synthesis using local learning approaches

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2018

Tezin Dili: İngilizce

Öğrenci: AYÇA SOYLU

Danışman: RAMAZAN YILDIRIM

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışmada, literatürde yayımlanan deneysel veriler üzerine özdevimli öğrenme algoritmaları kullanılarak Fischer-Tropshc Sentezi (FTS) üzerine yerel ampirik modeller oluşturulmuştur. FTS'deki CO dönüşümü R 3.2.2 ortamında gradyan güçlendirme, yapay sinir ağı (YSA) ve rastgele orman algoritmaları kullanılarak katalizör tasarımı değişkenleri, katalizörün fiziksel özellikleri ve operasyon koşullarının bir fonksiyonu olarak modellenmiştir. Çalışmada, önceki çalışmalarda kullanılan FTS veritabanı kullanılmıştır. FTS veritabanını modellenmeden önce yerel ve global öğrenme teknikleri seçici CO oksidasyonu reaksiyonu, su-gazı geçiş reaksiyonu ve metan buhar reformu reaksiyonlarına ait olmak üç farklı ve önceden bilinen veritabanı kullanılarak karşılaştırılmıştır. Bu veri tabanları, hem yerel hem global teknikler ile gradyan güçlendirme, YSA ve rastgele orman kullanılarak modellenmiştir. Yerel öğrenme her bir veri tabanında görülmemiş veriyi tahmin etmede daha iyi performans göstermiştir. Bu yüzden FTS veritabanı yerel öğrenme kullanılarak farklı sorgu verileri ile analiz edilmiştir. En iyi parametreler çeştili paremetre kümeleri denenerek standart sapma ve ortalamalar kıyaslanarak belirlenmiştir. En iyi sonucu veren parametrelerle oluşturulan model nihai model olarak seçilmiştir. R2 değerleri gradyan güçlendirme için 0.86 ve 0.87 aralığında, YSA için 0.68 ve 0.75 aralığında ve rastgele orman için 0.82 ve 0.86 aralığında, kök ortalama kare hatası (KOKH) ise gradyan güçlendirme için 8.60 ve 9.16 aralığında, YSA için 12.24 ve 13.98 aralığında ve rastgele orman için 9.23 ve 10.32 aralığında bulunmuştur. R2 ve KOKH değerleri global öğrenme sonuçlarına göre daha iyi çıkmış, gradyan güçlendirme algoritması FTS veritabanında hem R2 hem KOKH bakımında daha iyi performans göstermiştir.