Data mining for carbon dioxide adsorption over amine modified adsorbents from publications in literature

MERVE GAMZE YILDIZ

Data mining for carbon dioxide adsorption over amine modified adsorbents from publications in literature

Tezin Türü: Yüksek Lisans

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

Tezin Onay Tarihi: 2017

Tezin Dili: İngilizce

Öğrenci: MERVE GAMZE YILDIZ

Danışman: RAMAZAN YILDIRIM

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezin amacı, karar ağaçları ve yapay sinir ağları gibi veri madenciliği tekniklerini kullanarak aminle modifiye edilmiş adsorbanların karbondioksit adsorpsiyonu için bilgi çıkarmaktır. 2002 ve 2016 yılları arasında yayınlanmış 30 makaleden deneysel veriler toplanmış, 26 değişken ve 1356 veri noktasından oluşan bir veri seti oluşturulmuştur. Adsorpsiyon kapasitesi (mmol CO2/g adsorbent) ve amin verimi (CO2/N oranı) ise performans (çıktı) değişkenleri olarak seçilmiştir. Karar ağaçları kullanarak analiz yapılırken hem adsorpsiyon kapasitesi hem de amin verimi için dörder sınıf tanımlanmış, her iki değişken için de en yüksek değerleri veren koşullar saptanmıştır. Karar ağaçlarının eğitim ve test için doğruluk oranları adsorpsiyon kapasitesi için sırasıyla 83.4% ve 82%, amin verimliliği için ise 80.8 %ve 77.3% bulunmuştur ki; bu değerler karar ağaçlarıyla yapılan analizin başarılı olduğunu göstermektedir. Tahmin edebilme gücü olan modeller geliştirmek için ise aynı set yapay sinir ağları kullanılarak modellenmiş, bunun için aktivasyon fonksiyonu olarak tansig, eğitim ve test algoritmaları olarak sırasıyla trainlm ve trainbr kullanılmıştır. Tahmin edebilme gücü en uygun sinir ağ yapısı adsorpsiyon kapasitesi için 26-10-1 (bir gizli katmanda 10 nöron), amin etkinliği için ise 26-9-1 (bir gizli katmanda dokuz nöron) olarak bulunmuştur. Adsorpsiyon kapasitesi için yapılan modelde R2 ve RMSE değerleri eğitim için sırasıyla 0.97 ve 0.118, test için ise 0.90 ve 0.250 olarak hesaplanmıştır. Amin etkinliği için ise R2 ve RMSE değerlerinin eğitim için sırasıyla 0.97 ve 0.023, test için ise 0.83 ve 0.053 olduğu görülmüştür. Bu sonuçlar yapay sinir ağlarıyla geliştirilen modellerin de başarılı olduğunu göstermektedir. Bu modeller ayrıca RMSE değişimi yöntemiyle birlikte değişkenlerin göreceli önem analizleri için de kullanılmıştır. Operasyon değişkenlerinin her iki analiz için de adsorpsiyon özelliklerinden daha yüksek öneme sahip oldukları belirlenmiştir.