Dergiler / Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi / 2020 / Cilt: 9 - Sayı: 2
ÖZELLİK SEÇİMİ İLE BİRLEŞTİRİLMİŞ DESTEK VEKTÖR MAKİNELERİNİ KULLANARAK KÖMÜRÜN ÜST ISIL DEĞERİNİN KISA VE ELEMENTEL ANALİZ DEĞİŞKENLERİNDEN TAHMİNİ
- Sayfa
- 1129–1141
- DOI
- —
Özet
Üst ısıl değer (GCV), kömürün belirli bir miktarı yakıldığında açığa çıkan ısı enerjisi miktarını gösteren temel bir termal özelliğidir. Sunulan çalışmanın ana amacı, özellik seçimi algoritması ile destek vektör makineleri (SVM'ler) kullanarak yeni GCV tahmin modelleri geliştirmektir. Bu amaçla, literatürde ilk kez, özellik seçici RRelief-F algortiması, GCV'nin her bir tahmin edici değişkeninin önemini belirlemek için kısa ve elementel analiz değişkenlerinden oluşan veri kümesine uygulanmıştır. Bu şekilde, yedi farklı karma giriş seti (veri modelleri) oluşturulmuştur. Sunulan modellerin tahmin performansı, çoklu korelasyon katsayısının karesi (R2), kök ortalama kare hatası (RMSE) ve ortalama mutlak yüzde hatası (MAPE) ile hesaplanmıştır. Bu çalışmadan elde edilen tüm sonuçlar değerlendirildiğinde, kısa analizden elde edilen nem (M) ve kül (A) ile elementel analizden elde edilen karbon (C), hidrojen (H) ve kükürt (S) değişkenleri kömürün GCV'sini tahmin etmede en uygun değişkenler olarak belirlenirken, kısa analizden elde edilen uçucu madde ile elementel analizden elde edilen nitrojenin tahmin etme doğruluğu üzerinde olumlu bir etkiye sahip olmadığı görülmüştür. M, A, C, H ve S tahmin edici değişkenlerini kullanan SVM-tabanlı model, en yüksek R2 ve en düşük RMSE ve MAPE değerlerini sırasıyla 0,998, 0,22 Mj/kg ve % 0,66 olarak vermiştir. Ayrıca, karşılaştırma amacıyla GCV’yi tahmin etmek için çok katmanlı algılayıcı ve radyal temelli fonksiyon ağı kullanılmıştır.
Abstract
The gross calorific value (GCV) is an essential thermal property of coal which indicates the amount of heat energy that could be released by burning a specific quantity. The primary objective of the presented study is to develop new GCV prediction models using support vector machines (SVMs) combined with feature selection algorithm. For this purpose, the feature selector RReliefF is applied to the dataset consisting of proximate and ultimate analysis variables to determine the importance of each predictor of GCV. In this way, seven different hybrid input sets (data models) were constructed. The prediction performance of models was computed by using the square of multiple correlation coefficient (R2), root mean square error (RMSE), and mean absolute percentage error (MAPE). Considering all the results obtained from this study, the predictor variables moisture (M) and ash (A) obtained from the proximate analysis and carbon (C), hydrogen (H) and sulfur (S) obtained from the ultimate analysis were found to be the most relevant variables in predicting GCV of coal, while the predictor variables volatile matter from the proximate analysis and nitrogen from the ultimate analysis did not have a positive effect on the prediction accuracy. The SVM-based model using the predictor variables M, A, C, H, and S yielded the highest R2 and the lowest RMSE and MAPE with 0.998, 0.22 MJ/kg, and 0.66%, respectively. For comparison purposes, multilayer perceptron and radial basis function network were also used to predict GCV.