SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 21 Sayı: 4

İZOTERMAL OLMAYAN SÜREKLİ KARIŞTIRMALI BİR TANK REAKTÖRDE YAPAY SİNİR AĞI İLE DERİŞİM KONTROLÜ

Mehmet Yüceer
İlknur Atasoy
Rıdvan Berber
Pages
—
Publication Date
2013-04-02
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sonuçlar, literatürde yer alan ve aynı örnek problem için kurulan YSA temelli DNNC (Dynamic Neural Network Control) ve NIMC’den (Nonlinear Internal Model Control) elde edilen sonuçlardan daha iyi görünmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, sürekli karıştırmalı bir tank reaktörde (CSTR) çıkış derişiminin yapay sinir ağı (YSA) temelli kontrolü incelenmiştir.
📊
Key Findings & Data:Sistemin doğrusal olmama yapısının çok yüksek olmasından dolayı kontrol stratejisi olarak yapay sinir ağı kontrol yapılarından YSA-Öngörmeli kontrol ve NARMA-L2 (Nonlinear Auto Regressive Moving Average) kontrol stratejileri oluşturulmuş, klasik PID kontrol edici ile performans karşılaştırması yapılmıştır.
💡
Conclusion & Impact:Sonuçlar, literatürde yer alan ve aynı örnek problem için kurulan YSA temelli DNNC (Dynamic Neural Network Control) ve NIMC’den (Nonlinear Internal Model Control) elde edilen sonuçlardan daha iyi görünmektedir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Yapay sinir ağları · öngörmeli kontrol · NARMA-L2.

Özet

Bu çalışmada, sürekli karıştırmalı bir tank reaktörde (CSTR) çıkış derişiminin yapay sinir ağı (YSA) temelli kontrolü incelenmiştir. İzotermal olmayan, ekzotermik ve birinci mertebeden tersinmez bir tepkimenin gerçekleştiği bu reaktörde çıkış derişiminin kontrolü soğutma suyu akış hızı ayarlanarak sağlanmıştır. Sistemin doğrusal olmama yapısının çok yüksek olmasından dolayı kontrol stratejisi olarak yapay sinir ağı kontrol yapılarından YSA-Öngörmeli kontrol ve NARMA-L2 (Nonlinear Auto Regressive Moving Average) kontrol stratejileri oluşturulmuş, klasik PID kontrol edici ile performans karşılaştırması yapılmıştır. Çalışmada kullanılan YSA kontrol edicilerin her ikisi de çok hızlı ve kısa zamanda set noktasına ulaşmayı başarmıştır. YSA-Öngörmeli kontrol edici ve NARMA-L2 kontrol edici yapıları, PID kontrol edici ile kıyaslandığında daha iyi bir performans göstermişlerdir. Sonuçlar, literatürde yer alan ve aynı örnek problem için kurulan YSA temelli DNNC (Dynamic Neural Network Control) ve NIMC’den (Nonlinear Internal Model Control) elde edilen sonuçlardan daha iyi görünmektedir.

🔖

Cite This Article

Yüceer, M., Atasoy, İ., Berber, R. (2013). İZOTERMAL OLMAYAN SÜREKLİ KARIŞTIRMALI BİR TANK REAKTÖRDE YAPAY SİNİR AĞI İLE DERİŞİM KONTROLÜ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 21 Sayı: 4. https://ajindex.com/articles/1079032

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Narendra, K. S. ve Parthasarathy, K. “Identification and Control of Dynamical Systems Using Neural Networks”, IEEE Trans. Neural Networks, Cilt 1, No 1, 4-27, 1990.
  2. Callinan, T. “Artificial Neural Network Identi-fication and Control of the Inverted Pendulum”, MEng Project Reports, School of Electronic En-gineering Dublin City University. August 2003.
  3. Hagan T. M. ve Demuth, H. “Neural Networks for Control”, American Control Conference, San Diego, pp. 1642-1656, June, 1999.
  4. Yıldırım, Ş., Erkaya, S. ve Uzmay, İ. “Yapay Sinir Ağları Kullanılarak Concorde Uçaklarının Kontrolü”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt 20, No 1-2, 1-12, 2004.
  5. İstif, İ. Ve Kutlu, K. “Oransal Valf Kontrollu Hidrolik Silindir Sisteminin Konum Kontrolu”, İTÜ Dergisi, Cilt 3, No 2-3-4-5, 77-86, 2004.
  6. Bhat, N. V. ve McAvoy, T. J., “Use of Neural Nets for Dynamic Modeling and Control of Chemi¬cal Process Systems”, Computers Chem Engng, Cilt 42, 573–582, 1990.
  7. Nahas, E. P., Henson, M. A. ve Seborg, D. E., “Nonlinear Internal Mode1 Control Strategy for Neural Network Models”, Computers Chem Engng, Cilt 16, No 12, 1039-1057, 1992.
  8. Nikravesh, M., Farell, A. E. ve Stanford, T. G. “Control of Nonisothermal CSTR with Time Varying Parameters via Dynamic Neural Network Control (DNNC)”. Chemical Engineering Journal, Cilt 76, 1-16, 2000.
  9. Soloway, D. and Haley, P. “Neural Generalized Predictive Control: A Newton-Raphson Imple-mentation”, IEEE Paper No. ISIAC-TA5.2. Proceedings of the IEEE CCA/ISIC/CACSD, Sept 15-18, 1996.
  10. Narendra, K. S. ve Mukhopadhyay, S. ”Adaptive Control Using Neural Networks and Approximate Models” IEEE Trans. Neur. Networks, Cilt. 8, No 3, 475-485, 1997.
  11. Hagan, T. M., Demuth, H. B.ve Jesus, O. D., “An Introduction to the Use of Neural Networks in Control Systems”, International Journal of Robust and Nonlinear Control, Cilt 12, No 1, 959-985, 2002.
  12. Jesus, O. D., Pukrittayakamee, A. ve Hagan, M. T., “A Comparison of Neural Network Control Algorithms”, IEEE, 521-526, 2001.
  13. Hong, Z., Kaifang, D. ve Tingqi, L. A. “Online-Trained Neural Network Controller for Electro-hydraulic Servo System”, Proceedings of the 4. World Congress on Intelligent Control and Automation, June 10-14, 2002.
  14. The Mathworks, Inc. (2003). www.mathworks.com.