FARKLI KAPAK GEOMETRİSİNE SAHİP KONDÜİTLERDE HAVALANDIRMA PERFORMANSININ YAPAY ZEKÂ YÖNTEMLERİYLE BELİRLENMESİ

Abstract

Hızlı nüfus artışı, sanayileşme ve çarpık kentleşme gibi nedenlerle su kaynaklarının aşırı ve bilinçsiz kullanılması su kirliliğine sebep olmakta ve sudaki çözünmüş oksijen konsantrasyonunu azaltmaktadır. Ekolojik dengenin sağlanabilmesi için azalan oksijen konsantrasyonunun artırılması gerekmektedir. Oksijen konsantrasyonunun artırılması için, atmosferdeki oksijenin suya kazandırılması gerekmektedir. Fiziksel bir şekilde gerçekleştirilen bu işleme havalandırma adı verilmektedir. Suyun en verimli ve en ekonomik şekilde nasıl havalandırılacağı konusunda zor ve zaman alıcı birçok deneysel çalışma yapılmaktadır. Yapılan deneysel çalışmalar, hava giriş mekanizmasını ve oksijen transferini etkileyen birçok parametre içerdiği için oldukça zaman alıcıdır. Ayrıca kullanılan parametre sayısının fazla olması deneysel hata oranlarını artırmaktadır. Yapılan deneylerdeki bu sorunları en aza indirgeyebilmek oldukça önemlidir. Bu nedenlerle son zamanlarda mühendislik alanında oldukça sık bir şekilde kullanılan yapay zekâ yöntemleri, havalandırma çalışmalarında da kullanılmaya başlamıştır. Bu tez çalışmasında, yapay zekâ yöntemleri ile havalandırma veriminin bulunmasında kullanılan hava debisi değerlerinin tahmin edilmesi önerilmiştir. Ayrıca kondüit kapakları, kalın ve ince kenarlı olmak üzere iki sınıfta değerlendirildiği zaman ilgili parametrelere göre bu kapak tipinin yapay zekâ algoritmaları ile belirlenebileceği gösterilmiştir. Bu tez çalışmasında, hava giriş oranlarını ölçme amaçlı yapılan deneylerden elde edilen 1008 veriden oluşan veri seti ile hava debisi değerleri tahmin edilmiştir. Çalışmada yedi farklı regresyon analizi ve bir sinir ağı modeli kullanılmıştır. Kullanılan regresyon analizi yöntemleri multi regresyon, polinomal regresyon, destek vektör makineleri, karar ağaçları regresyonu, rastgele orman regresyonu, gauss süreç regresyonu ve en yakın komşu regresyonudur. Ana veri setinin %80'i olan birinci alt küme eğitim aşamasında, ana veri setinin %20'si olan ikinci alt küme ise test aşamasında kullanılmaktadır. Eğitilen modeller, başarı değerlendirmesi için ikinci alt küme verileriyle test edilmiştir. Ayrıca kondüit kapakları Naive Bayesian, lojistik, SMO, IBk, JRip, J48 ve RF olmak üzere yedi farklı sınıflandırma algoritması kullanılarak kalın ve ince kenarlı olmak üzere sınıflandırılmıştır. Kullanılan yöntemlerin başarısı, regresyon analizlerinde R2 ve korelasyon değerleri bulunarak; sınıflandırma algoritmalarında ise doğruluk oranları bulunarak ölçülmüştür. Çalışmalar sonucunda, en başarılı regresyon analizlerinin polinomal ve SVR polinomal regresyonları, en başarılı sınıflandırma algoritmalarının ise RF, J48 ve IBk algoritmaları olduğu görülmüştür. Yüksek başarı gösteren bu analiz ve algoritmalar, zor ve zaman alıcı geleneksel deneyler ile elde edilebilecek sonuçların yapay zekâ yöntemleriyle de kısa sürede ve düşük maliyet ile kolayca elde edilebileceğini göstermektedir.

Rapid population growth, industrialization and unplanned urbanization causes excessive and inefficient use of water resources, water pollution, and reduces the dissolved oxygen concentration in the water. To achieve ecological balance, the decreased oxygen concentration should be increased by adding the oxygen in the atmosphere to the water. This process is called aeration. Many experimental studies have been carried out on how to aerate of water most efficient and economically. These studies are quite time consuming since they include many parameters that affect the air intake and oxygen transfer mechanism. In addition, the large number of parameters used increases the experimental error rates. It is very important to minimize these problems in the experiments. Artificial intelligence methods, which have been used frequently in engineering applications recently, have also started to be used in aeration studies. In this thesis, it is proposed that the air flow values used to find aeration efficiency can be estimated with artificial intelligence methods. In addition, it has been shown that when conduit gates are evaluated in two classes as radial and sluice, this gate type can be determined by artificial intelligence methods according to the relevant parameters. In this thesis, air flow rate has been estimated by artificial algorithms trained with a data set containing 1008 data obtained from experiments to measure air intake rates. The study uses seven different regression methods and neural networks with two layers. The regression analysis methods used are multi regression, polynomial regression, support vector machines, decision tree regression, random forest regression, gaussian process regression and nearest neighbor regression. The data set used has been divided into two sub-data sets. The first subset which is 80% of the main data set is used in the training stage and the second subset which is 20% of the main data set is used in the test stage. The trained models have been tested with the second subset of data for the success evaluation. In addition, the class of conduit gates, which must be used, are found with seven different classification algorithms, namely Naive Bayesian, logistics, SMO, IBk, JRip, J48 and RF. The metrics used for success evaluations are R2 and correlation values in regression analyzes and accuracy rates in classification algorithms. As a result, it has been seen that the most successful regression models are polynomial and SVR polynomial regressions, and the most successful classification algorithms are RF, J48 and IBk algorithms. The results show that air flow values can be calculated in a short time and at low cost with artificial intelligence models trained with real data, instead of difficult and time-consuming traditional experiments.