Machine learning analysis of biogas production using waste as a resource

---

Tezin Türü: Yüksek Lisans

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

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: GAMZE KESER

Danışman: RAMAZAN YILDIRIM

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu çalışma, atık malzemelerden biyogaz üretimini incelemek için makine öğrenimi tekniklerini kullanmayı amaçlamaktadır. Amacımız, biyogaz üretimine ilişkin deneysel verileri kullanarak biyogaz verimi, üretilen biyogaz, CH4 verimi ve biyoçözünürlük dahil olmak üzere önemli çıktı özelliklerini tahmin etmektir. Atık türü, ön işlem, eş sindirim (codigestion) durumu, reaktör tipi ve operasyonel parametreler (TS/VS oranı, C/N oranı, sıcaklık, pH ve hidrolik tutma süresi gibi) bu çalışmada dikkate alınan girdi özellikleri arasındadır. Veri seti, atık su, gıda atığı, tarımsal atık, belediye katı atığı (BKA) ve belediye katı atığın organik fraksiyonu (KKA) dahil olmak üzere bir dizi atık türünü kapsayan çeşitli çalışmalardan toplanan deneysel verileri içermektedir. Bu girdiler, çıktı değişkenlerini tahmin etmek için Random Forest (RF) gibi makine öğrenimi modellerini eğitmek için kullanılmıştır. Model eğitimi öncesinde, veri seti özellik seçimi ve eksik değer işlemi gibi ön işleme teknikleri kullanılarak temizlenip ve düzenlenmiştir. Giriş parametrelerine karar vermek için Boruta analizi de yapılmıştır. Veriler, özellikle üretilen biyogaz (R2 = 0,92) ve verim (R2 = 0,94) için yüksek tahmin performansı göstermiştir. Özellik önem analizine göre, özellikle çalışma hacmi ve sıcaklık olmak üzere operasyonel parametreler üretim projeksiyonları üzerinde önemli bir etkiye sahiptir. Bu çalışma, gelecekteki atıktan enerji üretim sistemleri için önemli içgörüler sağlamaktadır ve makine öğreniminin biyogaz üretim süreçlerini iyileştirmek için nasıl kullanılabileceğini göstermektedir. Model hassasiyetini artırmak için, gelecekteki araştırmalar daha fazla girdi ve çıktı parametresi eklemeye yoğunlaşabilir. Ayrıca performansı iyileştirmek için diğer makine öğrenimi yaklaşımlarının kullanımına da başvurulabilir.