Journals / Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 19 Sayı: 2

Comparison of Optimization Methods for Temperature Control of a Heat Flow System

Bir Isı Akış Sisteminin Sıcaklık Kontrolü için Optimizasyon Yöntemlerinin Karşılaştırılması

Ferhan Karadabağ(ATATURK UNIVERSITY, INSTITUTE OF SCIENCE)0009-0008-7678-2295
Kaan Can(ATATURK UNIVERSITY, FACULTY OF ENGINEERING)0000-0002-6597-2797
Pages
483–501
Publication Date
2026-08-31
🏛️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)

Elde edilen bulgular, GKO ile elde edilen kontrolcü parametrelerinin diğer yöntemlere kıyasla daha düşük hata ile referans sıcaklık takibi sağladığını göstermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, zaman gecikmeli bir sistem olan Isı-Akış Sistemi (IAS) için lineer kontrolcü parametreleri 𝐾𝑝 ve 𝐾i değerleri çeşitli optimizasyon yöntemleri kullanılarak belirlenmiş ve sistemin sıcaklık kontrol performansı zamanla değişen referans sıcaklıklar altında test edilmiştir.
📊
Key Findings & Data:Ayrıca bu yöntemlerle elde edilen 𝐾𝑝ve 𝐾i değerleri, klasik Ziegler-Nichols (Z-N) yöntemi ile bulunan parametrelerle kıyaslanmıştır.
💡
Conclusion & Impact:Elde edilen bulgular, GKO ile elde edilen kontrolcü parametrelerinin diğer yöntemlere kıyasla daha düşük hata ile referans sıcaklık takibi sağladığını göstermektedir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Isı-akış sistemi · lineer kontrol · optimizasyon metotları

Abstract

Bu çalışmada, zaman gecikmeli bir sistem olan Isı-Akış Sistemi (IAS) için lineer kontrolcü parametreleri 𝐾𝑝 ve 𝐾i değerleri çeşitli optimizasyon yöntemleri kullanılarak belirlenmiş ve sistemin sıcaklık kontrol performansı zamanla değişen referans sıcaklıklar altında test edilmiştir. İlk olarak IAS’nin matematiksel modeli elde edilmiştir. İkinci olarak; kontrolcü parametreleri sırasıyla Genetik Algoritma (GA), Arı Koloni Optimizasyonu (AKO), Karınca Koloni Optimizasyonu (KKO), Gri Kurt Optimizasyonu (GKO) ve Guguk Kuşu Optimizasyonu (GKO) yöntemleri ile optimize edilmiştir. Ayrıca bu yöntemlerle elde edilen 𝐾𝑝ve 𝐾i değerleri, klasik Ziegler-Nichols (Z-N) yöntemi ile bulunan parametrelerle kıyaslanmıştır. Simülasyonlar sonucunda, her bir yöntemin referans sıcaklık takip başarımı, ani referans değişimlerine karşı gösterdiği kontrolcü tepkisi, maksimum aşım, yükselme süresi ve yerleşme süresi gibi performans ölçütleri açısından değerlendirilmiştir. Bununla birlikte, her optimizasyon yöntemi için Ortalama Mutlak Hata (OMH) değeri hesaplanarak referans takip hatası sayısal olarak ortaya konmuştur. Elde edilen bulgular, GKO ile elde edilen kontrolcü parametrelerinin diğer yöntemlere kıyasla daha düşük hata ile referans sıcaklık takibi sağladığını göstermektedir.

Özet

Bu çalışmada, zaman gecikmeli bir sistem olan Isı-Akış Sistemi (IAS) için lineer kontrolcü parametreleri 𝐾𝑝 ve 𝐾i değerleri çeşitli optimizasyon yöntemleri kullanılarak belirlenmiş ve sistemin sıcaklık kontrol performansı zamanla değişen referans sıcaklıklar altında test edilmiştir. İlk olarak IAS’nin matematiksel modeli elde edilmiştir. İkinci olarak; kontrolcü parametreleri sırasıyla Genetik Algoritma (GA), Arı Koloni Optimizasyonu (AKO), Karınca Koloni Optimizasyonu (KKO), Gri Kurt Optimizasyonu (GKO) ve Guguk Kuşu Optimizasyonu (GKO) yöntemleri ile optimize edilmiştir. Ayrıca bu yöntemlerle elde edilen 𝐾𝑝ve 𝐾i değerleri, klasik Ziegler-Nichols (Z-N) yöntemi ile bulunan parametrelerle kıyaslanmıştır. Simülasyonlar sonucunda, her bir yöntemin referans sıcaklık takip başarımı, ani referans değişimlerine karşı gösterdiği kontrolcü tepkisi, maksimum aşım, yükselme süresi ve yerleşme süresi gibi performans ölçütleri açısından değerlendirilmiştir. Bununla birlikte, her optimizasyon yöntemi için Ortalama Mutlak Hata (OMH) değeri hesaplanarak referans takip hatası sayısal olarak ortaya konmuştur. Elde edilen bulgular, GKO ile elde edilen kontrolcü parametrelerinin diğer yöntemlere kıyasla daha düşük hata ile referans sıcaklık takibi sağladığını göstermektedir.

🔖

Cite This Article

Karadabağ, F., Can, K. (2026). Comparison of Optimization Methods for Temperature Control of a Heat Flow System. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 19 Sayı: 2, 483–501. https://doi.org/10.18185/erzifbed.1707725

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (22)

  1. Vesovic, M. and Jovanovic, R. (2023). Heat Flow Process Identification Using ANFIS-GA Model. International Scientific Conference on Information Technology, Computer Science and Data Science, Sinteza, 44-51. DOI: 10.15308/Sinteza-2023-44-51
  2. Al-Saggaf, U. M., Meledi, I. M., Mansouri, R., Bettayeb, M. (2021). Fractional Order Linear ADRC-Based Controller Design for Heat Flow Experiment. Mathematical Problems in Engineering, 2021-1, 8 pages. https://doi.org/10.1155/2021/7291420
  3. Jovanovic, R. Z. and Zaric, V. R. (2022), Identification and Control of a Heat Flow System Based on The Takagi-Sugeno Fuzzy Model Using The Grey Wolf Optimizer. Thermal Science, 26(3A), 2275-2286. https://doi.org/10.2298/TSCI210825324J
  4. Ionesi, A. and Jouffroy, J. (2018). On-line Parameter and State Estimation of An Air Handling Unit Model: Experimental Results Using the Modulating Function Method. 2018 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), Auckland, New Zealand, 81-86. doi: 10.1109/AIM.2018.8452284
  5. Malek, H., Luo, Y., Chen, Y. (2013), Identification and Tuning of Fractional Order Proportional Integral Controllers for Fractional Pole Time Delay Systems, Mechatronics, 23(7), 746-754. https://doi.org/10.1016/j.mechatronics.2013.02.005
  6. Nath, U. M., Dey, C., Mudi, R. K. (2019). Fuzzy Tuned Model Based Control for Level and Temperature Processes, Microsystem Technologies, 25, 819-827. https://doi.org/10.1007/s00542-019-04300-x
  7. Matijevic, M., Stefanovic, M., Cvjetkovic, V., Jokovic, V., Babajic, N., Ravlic, M., Nestic, S. (2014). Development and Implementation of a Thermal Process Trainer for Control and Measurement Via the Internet. Computer Applications in Engineering Education, 22 (1), 167-177. https://doi.org/10.1002/cae.20543
  8. Ahn, H-S., Bhambhani, V., Chen, Y.Q. (2009). Fractional-order integral and derivative controller design for temperature profile control. 2008 Chinese Control and Decision Conference, Yantai, China, 2008, 4766-4771. doi: 10.1109/CCDC.2008.4598234.
  9. Yılmaz, M., Can, K., Başçi, A. (2021). PI+Feed Forward Controller Tuning Based on Genetic Algorithm for Liquid Level Control of Coupled-Tank System. Iğdır University Journal of the Institute of Science, 11(2), 1014-1026. https://doi.org/10.21597/jist.819389
  10. Orman, K. (2022). Design of a Memristor-Based 2-DOF PI Controller and Testing of Its Temperature Profile Tracking in a Heat Flow System. IEEE Access, 10, 98384-98390. doi: 10.1109/ACCESS.2022.3206022.
  11. Quanser Heat Flow Experimental User Manual, 2005.
  12. Riberio, T., Coelho, J. P., Pereire, A. I. (2024). Application of 2D Packing Algorithms to the Woodwork Industry. 57-59. Instituto Politecnico de Braganca (Portugal).
  13. Can, K., Sekban, H., Orman, K., Başçi, A. (2020). Design, Simulation and Comparison of Controllers for Temperature Profile Tracking Control of a Heat Flow System. Erzincan University Journal of Science and Technology, 13(2), 828-838. https://doi.org/10.18185/erzifbed.766645
  14. Rahami, H. Kaveh, A., Gholipour, Y. (2008). Sizing, geometry and topology optimization of trusses via force method and genetic algorithm. Engineering Structures 30(9), 2360-2369. https://doi.org/10.1016/j.engstruct.2008.01.012
  15. Katoch, S., Chauhan, S.S., Kumar, V. (2021). A review on genetic algorithm: past, present, and future. Multimed Tools Appl 80, 8091–8126. https://doi.org/10.1007/s11042-020-10139-6
  16. Jayakumar, N., Subramanian, S., Elanchezhian, E.B., Ganesan, S. (2015). An application of grey wolf optimisation for combined heat and power dispatch, 11(2), 183-206. https://doi.org/10.1504/IJETP.2015.069821
  17. Erdoğan, F., Karakoyun, M. & Gülcü, Ş. (2024). An effective binary dynamic grey wolf optimization algorithm for the 0-1 knapsack problem. Multimedia Tools and Applications, 33 pages. https://doi.org/10.1007/s11042-024-20121-1
  18. Mirjalili, S., Mirjalili, S. M., Lewis, A. (2014). Grey Wolf Optimizer, Advances in Engineering Software, 69, 46-61. https://doi.org/10.1016/j.advengsoft.2013.12.007
  19. Hai-bin, D., Dao-bo, W., Xiu-fen, Y. (2006). Novel Approach to Nonlinear PID Parameter Optimization Using Ant Colony Optimization Algorithm. Journal of Bionic Engineering, 073-078. https://doi.org/10.1016/S1672-6529(06)60010-3
  20. Wu, C., Wu, J., Wu, Y., Wu, Q., Xiong, N. N. (2019). Design and Analysis of the Task Distribution Scheme of Express Center at the End of Modern Logistics, Electronics, 8(10), 1141. https://doi.org/10.3390/electronics8101141 [21] Sharmin, A., Anwar, F., Motakabber, S. M., Hashim, A. H. A. (2022). A Secure Trust Aware ACO-Based WNS Routing Protocol for IoT, Advances in Science, Technology and Engineering Systems Journal (ASTESJ), 7(3), 95-105. doi: 10.25046/aj070311
  21. Yao, L. J., Hashim, M. R., Tokhi, M. O. (2020). Artificial Bee Colony Optimization Algorithm with Flexible Manipulator System. International Journal of Electrical Engineering and Applied Sciences (IJEEAS), 3(2). https://ijeeas.utem.edu.my/ijeeas/article/view/5985
  22. Jiao, L., Zhao, J., Wang, C., Liu, X., Liu, F., Li, L., Shang, R., Li, Y., Ma, W., Yang S. (2024). Nature-Inspired Intelligent Computing: A Comprehensive Survey, Research, 7(0442), 38 pages. DOI:10.34133/research.0442 [24] Ke, C., Bo, X., Chunyang, W., Xuelian L., Liang, Xu, Z. (2023). Cuckoo Coupled Improved Grey Wolf Algorithm for PID Parameter Tuning, Xi’an Technological University, 13, 12944. https://doi.org/10.3390/app132312944