Machine learning analysis of biofuels using published data

---

Tezin Türü: Doktora

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

Tezin Onay Tarihi: 2024

Tezin Dili: İngilizce

Öğrenci: AHMET COŞGUN

Danışman: RAMAZAN YILDIRIM

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezin amaçlarından biri, bibliyometrik analiz ve literatür incelemesi yoluyla, farklı biyoyakıt üretim yöntemleri üzerindeki makine öğrenmesi (ML) çalışmalarını, özellikle mikroalg biyodizel, lignoselülozik etanol ve biyokömür üretimini kapsamlı bir şekilde anlamaktır. Mikroalgler, biyoyakıt üretimi için yüksek potansiyele sahip olmalarına ragmen, ticarileşebilmesi için farklı türler, katma değerli kimyasallar ve enerji tüketiminin azaltılması gerekmektedir. Lignoselülozik biyokütlenin etanole dönüştürülmesi de umut verici olmakla birlikte özellikle ön işlemler nedeniyle pahalıdır. Biyokömür, özellikle fonksiyon kazandırılmış formları, çevresel iyileştirme çalışmaları için önemlidir. Bu çalışma ayrıca, yağlı maya türü Yarrowia lipolytica'nın yağ üretimi ve biyogazın tri-reforming süreciyle sentez gazına dönüştürülmesi için kapsamlı veri setleri oluşturarak, bunları ML araçlarıyla analiz etmeyi, bilinmeyen koşullarda elde edilebilecek sonuçları tahmin etmeyi, kritik değişkenleri belirlemeyi amaçlamaktadır. Yarrowia lipolytica'nın lipid üretim potansiyelinin karar ağacı (DT) kullanılarak etkili bir şekilde kategorize edilebileceği ve değişken etkilerinin ilişkilendirme kural madenciliği kullanılarak belirlenebileceği bulunmuştur. C/N oranı ve fermantasyon süresi biyokütle üretimi üzerinde etkili bulunurken, pH ve glikoz konsantrasyonu lipid içeriği için önemlidir. Rastgele orman (RF) ve yapay sinir ağı (ANN) kullanılarak geliştirilen tri-reformlama modelleri yüksek tahmin yeteneği göstermiştir. Küçük veri setlerinde tahmin doğruluğunu arttırmak için buhar ve CO2 reformlama verilerini kullanan transfer öğrenme yöntemi uygulanmıştır. Yorumlanabilir bilgi çıkarımı için DT algoritmaları kullanılmış ve metan dönüşümü, karbondioksit dönüşümü ve H2/CO oranları için genellenebilir kurallar geliştirilmiştir. Yüksek reaksiyon sıcaklığı ve yüksek W/F, yüksek CH4 dönüşümü sağlarken, orta reaksiyon sıcaklığı ve düşük O2 oranı, yüksek CO2 dönüşümü sağlamıştır. Tüm durumlarda, diğer koşullardan bağımsız olarak, besleme bileşimindeki H2O'nun artırılması ve CO2'nin azaltılması H2/CO oranını artırmaktadır. Bulgular, veri madenciliği ve makine öğrenme yöntemlerinin etkili öngörü modelleri sağladığını ve kolayca gözlemlenmeyen eğilimleri tespit ettiğini göstermektedir.