KaydedilenlerDerginizi ekleyin

Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2026 / Cilt: 13 Sayı: 1

Turbo kompresörlerin çalışma hızını etkileyen faktörlerin makine öğrenmesi yöntemleri kullanılarak modellenmesi

Modelling of the factors affecting the working speed of turbo compressors using machine learning methods

Sema Atasever(NEVSEHIR UNIVERSITY)0000-0002-2295-7917
Uğur Sorgucu(NEVŞEHİR HACI BEKTAŞ VELİ ÜNİVERSİTESİ)0000-0001-9227-1526
Sayfa
34–40
Yayın Tarihi
2024-01-15
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışma kapsamında bahsedilen turbo kompresörlerin çalışma hızını etkileyen faktörlerden akış, hat basıncı ve kuyu başı basıncının kompresör devrinin tahmini için makine öğrenmesi yöntemleri ile modellenmesi gerçekleştirilmiştir. 42 makine öğrenmesi modelinin denendiği çalışmadan elde edilen deneysel sonuçlara göre kompresör devrinin tahmininde Decision Tree Regressor (DT) algoritması 0.99 R2, 11.29 RMSE ve 0.01 (sn) çalışma zamanı ile en iyi sonucu veren algoritma olmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde nüfus artışı ile sanayi ve konutlara yönelik doğal gaz tüketim talebinin artması sonucunda, talebin az olduğu zamanlarda doğal gazın yeraltında depolanması ve çok olduğu zamanlarda ise depolardan kullanımının sağlanabilmesine yönelik hem ülkemizde hem de dünyada çeşitli projelerin planlaması yapılmıştır.
📊
Temel Bulgular & Veri:Planlanan bu projeler vasıtasıyla doğalgaz talebindeki mevsimsel dalgalanmaların önlenmesi hedeflenmektedir.
💡
Sonuç & Katkı:Bu çalışma kapsamında bahsedilen turbo kompresörlerin çalışma hızını etkileyen faktörlerden akış, hat basıncı ve kuyu başı basıncının kompresör devrinin tahmini için makine öğrenmesi yöntemleri ile modellenmesi gerçekleştirilmiştir. 42 makine öğrenmesi modelinin denendiği çalışmadan elde edilen deneysel sonuçlara göre kompresör devrinin tahmininde Decision Tree Regressor (DT) algoritması 0.99 R2, 11.29 RMSE ve 0.01 (sn) çalışma zamanı ile en iyi sonucu veren algoritma olmuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Makine Öğrenmesi · Decision Tree Regressor · Yer altı doğalgaz depolaması

Özet

Günümüzde nüfus artışı ile sanayi ve konutlara yönelik doğal gaz tüketim talebinin artması sonucunda, talebin az olduğu zamanlarda doğal gazın yeraltında depolanması ve çok olduğu zamanlarda ise depolardan kullanımının sağlanabilmesine yönelik hem ülkemizde hem de dünyada çeşitli projelerin planlaması yapılmıştır. Planlanan bu projeler vasıtasıyla doğalgaz talebindeki mevsimsel dalgalanmaların önlenmesi hedeflenmektedir. Tuz mağaralarında yeraltı doğal gaz depolaması için turbo kompresörler kullanılmaktadır. Turbo kompresörler doğalgazı yüksek basınçlara çıkarabilen önemli makinalardandır. Bu çalışma kapsamında bahsedilen turbo kompresörlerin çalışma hızını etkileyen faktörlerden akış, hat basıncı ve kuyu başı basıncının kompresör devrinin tahmini için makine öğrenmesi yöntemleri ile modellenmesi gerçekleştirilmiştir. 42 makine öğrenmesi modelinin denendiği çalışmadan elde edilen deneysel sonuçlara göre kompresör devrinin tahmininde Decision Tree Regressor (DT) algoritması 0.99 R2, 11.29 RMSE ve 0.01 (sn) çalışma zamanı ile en iyi sonucu veren algoritma olmuştur.

Abstract

Due to the increasing demand for natural gas in industries and households caused by population growth, various projects have been planned both in our country and globally to store natural gas underground during periods of low demand and utilize it from storage during high-demand periods. It is aimed to prevent seasonal fluctuations in natural gas demand through these planned projects. Turbo compressors are used for underground natural gas storage in salt caves. Turbo compressors are significant machines capable of raising natural gas to high pressures. Within the scope of this study, machine learning methods were used to model the factors affecting the operating speed of the mentioned turbo compressors for predicting the compressor speed, including flow, line pressure, and wellhead pressure. According to the experimental results obtained from the study, where 42 machine learning models were tested, the Decision Tree Regressor (DT) algorithm provided the best results for predicting the compressor speed with an R2 value of 0.99, RMSE of 11.29, and a runtime of 0.01 seconds.

🔖

Bu Makaleye Atıf Yap

Atasever, S., Sorgucu, U. (2024). Turbo kompresörlerin çalışma hızını etkileyen faktörlerin makine öğrenmesi yöntemleri kullanılarak modellenmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 13 Sayı: 1, 34–40. https://doi.org/10.28948/ngumuh.1254415

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (20)

  1. G. Sagnalıyeva. Değirmenköy yeraltı gaz depolama sahasının modellenmesi. Yüksek Lisans Tezi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, Türkiye, 2016.
  2. Turkey 2021 Energy Policy Review. Erişim: 29 Eylül 2023. Erişim adresi: https://iea.blob.core.windows.net/assets/cc499a7b-b72a-466c-88de-d792a9daff44/Turkey_2021_Energy_Policy_Review.pdf
  3. E. M. Orhan. Designing a system for natural gas storage facilities in salt caverns. Yüksek Lisans Tezi, Ankara Yıldırım Beyazıt Üniversitesi Fen Bilimleri Enstitüsü, Türkiye 2020.
  4. J. Li, X. Shi, C. Yang, Y. Li, T. Wang, ve H. Ma, Mathematical model of salt cavern leaching for gas storage in high-insoluble salt formations. Sci Rep, 8, 1, 1-12, 2018. https://doi.org/10.1038/s41598-017-18546-w
  5. K. Khaledi, E. Mahmoudi, M. Datcheva, ve T. Schanz, Analysis of compressed air storage caverns in rock salt considering thermo-mechanical cyclic loading. Environ Earth Sci, 75, 15, 1-17, 2016. https://doi.org/10.1007/s12665-016-5970-1
  6. T. Wang, X. Yan, H. Yang, X. Yang, T. Jiang, ve S. Zhao, A new shape design method of salt cavern used as underground gas storage. Appl Energy, 104, 50-61, 2013. https://doi.org/10.1016/j.apenergy.2012.11.037
  7. Tuzgölü yeraltı doğal gaz depolama tesisi çevresel etki değerlendirme raporu. Erişim: 29 Eylül 2023. Erişim adresi: https://www.botas.gov.tr/uploads/dosyaYoneticisi/214299-1.pdf
  8. The Basics of Underground Natural Gas Storage. Erişim: 29 Eylül 2023. Erişim adresi: https://www.eia.gov/naturalgas/storage/basics/
  9. Turbo Kompresörler. Erişim: 29 Eylül 2023. Erişim adresi: http://joycompressor.com/turbokompresorler.html
  10. R. Kurz ve K. Brun, Assessment of compressors in gas storage applications. J Eng Gas Turbine Power, 132, 6, 2010. DOI: 10.1115/1.4000147
  11. M. T. Schobeiri, Gas turbine design, components and system design ıntegration: Second revised and enhanced edition. Springer Nature, 2019. DOI: 10.1007/978-3-319-58378-5
  12. R. Özgür, Kombine Çevrim santrallerinde performans izleme yöntemleri. Yüksek Lisans Tezi. Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, Türkiye, 2011.
  13. Q. Wanyan, G. Ding, Y. Zhao, K. Li, J. Deng, ve Y. Zheng, Key technologies for salt-cavern underground gas storage construction and evaluation and their application. Natural Gas Industry B, 5, 6, 623-630, 2018. https://doi.org/10.1016/j.ngib.2018.11.011
  14. Lazy Predict. Erişim: 29 Eylül 2023. Erişim adresi: https://pypi.org/project/lazypredict/
  15. A. Di Bucchianico, Coefficient of determination (R2). Encyclopedia of statistics in quality and reliability, 1, 2008. https://doi.org/10.1002/9780470061572.eqr173
  16. W. Wang ve Y. Lu, Analysis of the mean absolute error (MAE) and the root mean square error (RMSE) in assessing rounding model. IOP Conference series: Materials science and engineering, 2018, 12049. DOI 10.1088/1757-899X/324/1/012049
  17. J. Hong vd., Development and evaluation of the combined machine learning models for the prediction of dam inflow. Water (Basel), 12, 10, 2927, 2020. https://doi.org/10.3390/w12102927
  18. S. Bishnoi ve B. K. Hooda, Decision Tree Algorithms and their Applicability in Agriculture for Classification. Journal of Experimental Agriculture International, 44, 7, 20-27, 2022. DOI: 10.9734/JEAI/2022/v44i730833
  19. X. Zhu, J. Hu, T. Xiao, S. Huang, Y. Wen, ve D. Shang, An interpretable stacking ensemble learning framework based on multi-dimensional data for real-time prediction of drug concentration: The example of olanzapine. Front Pharmacol, 13, 975855, 2022. https://doi.org/10.3389/fphar.2022.975855
  20. Z. H. Kilimci, Ensemble Regression-Based Gold Price (XAU/USD) Prediction. Journal of Emerging Computer Technologies, 2, 1, 7-12.