Dergiler / International Journal of Advances in Engineering and Pure Sciences / 2020 / Cilt: 32 - Sayı: 2
Makine Öğrenmesi ile Kısa ve Elemental Analiz Kullanarak Katı Yakıtların Üst Isı Değerinin Tahmin Edilmesi
- Sayfa
- 145–151
- DOI
- —
Özet
Kısa ve elemental analiz kullanılarak yüksek ısı değerinin (HHV) öngörülmesi, bir yakıtın karakteristik niteliğini anlamak için önemli bir prosedürdür. Araştırmalar, HHV değeri ile bu analizler arasındaki ilişkiyi açıklamak için denklemler oluşturma çabasını ortaya koymuştur. Ancak uygulanan yöntemler genellikle sadece basit istatistiksel analizleri içermektedir, bu nedenle kısmen başarılı sayılabilir. Bu makalede, bu tahmin sorununa makine öğrenme perspektifinden yaklaşılmaktadır, farklı türdeki malzemelerin kısa ve elemental analizini kullanarak HHV'yi tahmin etmek için dört makine öğrenme yöntemi, yani doğrusal regresyon, polinom regresyonu, karar ağacı regresyonu ve destek vektör regresyonunu kullanılmıştır. Kullanılan veri seti literatürdeki farklı kaynaklardan temin edilerek, kategorilere ayrılmış; sonuçta elde edilen kategoriler, mümkün olduğunca doğru tahmin modelleri oluşturmak için makine öğrenme modellerine beslenecek girdiler olarak kullanılmıştır. Önerilen yöntemlerin performansları k-katlı çapraz doğrulama tekniğiyle değerlendirilerek, her yöntemin performans değerleri hem tahmin doğruluğu hem de hesaplama karmaşıklığı açısından tartışılmıştır.
Abstract
Prediction of higher heating value (HHV) using proximity and ultimate analysis is an important procedure for understanding the characteristic attribute of a fuel. Researches put effort to come up with equations to explain the relationship between the HHV value and those analyses. But conducted methods usually included only simple statistical analysis, thus they were partially effective to use in a practical manner. In this paper we approach this prediction problem from the machine learning perspective, we employ four machine learning methods, i.e. linear regression, polynomial regression, decision tree regression and support vector regression to predict HHV using proximity and ultimate analysis of different type of materials. Data set used is collected from literature and is categorized, where the resulting categories are used as features to be fed to the machine learning models to create prediction models as accurate as possible. Performances of the proposed methods are evaluated with k-fold cross-validation technique and each method’s pros and cons are discussed for both prediction accuracy and computational complexity.