Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Bilimleri Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: BAKİ OSMAN BEKGÖZ
Danışman: Metin Özkan
Özet:
Günümüzde hızla artan endüstrileşmeyle doğru orantılı olarak katı atık miktarı da artmakta, çevresel açıdan büyük sorunlara yol açmaktadır. Avrupa Birliği (AB) üyesi ülkeler tarafından, düzenli depolamaya gönderilen atık miktarlarını azaltmak için, kaynağında azaltma, yeniden kullanım ve geri kazanımı artırmaya yönelik çeşitli çalışmalar yapılmaktadır. Son yıllarda enerji kaynaklarının yetersizliği ve fosil yakıtların artan maliyetleri nedeniyle alternatif bir yakıt türü olan Atıktan Türetilmiş Yakıt (ATY) kullanımının önemi artmaktadır. Kökeni nedeniyle ATY, mukavvadan tekstil ürünlerine ve geri dönüştürülemeyen plastiklere kadar pek çok atığın yanı sıra tanımlanamayan malzemeler de içerebilen karışık bir atıktır. Bu heterojenlik, yoğunluğu veya ısıl değeri azaltarak ya da nem, kül ve klor içeriğinin artmasına neden olarak ATY'nin özelliklerini olumsuz yönde etkileyebilmektedir. Atıkların alternatif yakıt olarak kullanılmadan önce içeriğin belirlenmesi ve yakma sırasında ortaya çıkabilecek problemlerin önceden öngörülmesi için geleneksel yöntemler yavaş ve yetersiz kalmaktadır. Yürütülen tez çalışması kapsamında, Yakın Kızılötesi (Near Infrared, NIR) Spektrometre cihazı kullanılarak çeşitli ATY örneklerinin 900-1700 nm dalga boyundaki yansıma değerleri 228 eşit aralıkta ölçülmüştür. Ölçümlerden elde edilen bu veriler, laboratuvar ortamında elde edilen klor, nem, kül, uçucu madde, ısıl değer ve elementel (C, H, N, O, S) analiz sonuçları ile birlikte derin öğrenme yaklaşımlarında girdi olarak kullanılmıştır. Derin öğrenme yaklaşımlarında hem doğrudan yansıma verileri ile hem de yansıma verileri üzerinden oluşturulan görüntüler ile regresyon ve sınıflandırma yapılmıştır. ATY’lere ait bu veriler kullanılarak eğitilen Evrişimsel Sinir Ağları (ESA, Convolutional Neural Networks, CNN)(Alexnet ve önerilen diğer modeller) ve Uzun Kısa Süreli Bellek (UKSB, Long Short-Term Memory, LSTM) türü derin öğrenme modellerinden, laboratuvar analiz sonuçlarının tahmininde %99’a ulaşan başarılı sonuçlar alınmıştır. Bu durum ATY içeriğinin tahmininde spektral görüntü tabanlı derin öğrenme mimarilerinin geleneksel yöntemlere ucuz ve hızlı bir alternatif olarak kullanılabileceğini göstermektedir.