Tuzlu su desalinasyonunda yapay zeka kullanımı

Abstract

Tuzlu suyun desalinasyonu, artan küresel su krizine karşı geliştirilen en kritik teknolojilerden biridir. Geleneksel tatlı su kaynaklarının, nüfus artışı, kentleşme ve iklim değişikliğinin getirdiği talepleri karşılamakta yetersiz kalması nedeniyle alternatif çözümler aranmaktadır. Bu çözümler arasında ters ozmoz (RO), membran temelli desalinasyon yöntemleri içinde en verimli, ölçeklenebilir ve yaygın olarak uygulanan yöntem olarak öne çıkmaktadır. Ancak RO'nun etkinliğine rağmen enerji tüketimi ve membran kirlenmesi gibi operasyonel zorlukları vardır. Bu zorluklar, sistem verimliliğini azaltmakta, işletme maliyetlerini artırmakta ve membran modüllerinin kullanım ömrünü sınırlamaktadır. Bu nedenle, RO sistemlerinde kullanılan membranların, özellikle iç akış kanalı geometrisinin optimize edilmesi, sistem performansını ve sürdürülebilirliğini artırmak açısından önemli hale gelmiştir. Son yıllarda yapay zeka (AI), özellikle makine öğrenmesi (ML) yöntemleri, membran teknolojisindeki çok boyutlu ve karmaşık problemleri ele almak için güçlü bir araç olarak öne çıkmaktadır. Geleneksel deneysel ve fizik temelli yaklaşımlar her ne kadar temel oluştursa da; zaman, maliyet ve ölçeklenebilirlik açısından sınırlı kalmakta ve membran geometrisi, işletme parametreleri ve performans çıktıları arasındaki karmaşık ilişkileri tam olarak ortaya koyamamaktadır. Literatürde, AI'nın bu sınırlamaları aşarak yüksek boyutlu verileri işleyebilme, doğrusal olmayan desenleri keşfedebilme ve tasarım sürecini yönlendirme potansiyeli giderek daha fazla vurgulanmaktadır. Ancak çoğu mevcut çalışma, ML'yi ya tek başına ya da dar kapsamlı problemler için uygulamakta; fiziksel simülasyonlardan elde edilen derin içgörüleri yeterince entegre edememektedir. Bu tez çalışması, yenilikçi membran kanal geometrilerinin performansını araştırmak, değerlendirmek ve öngörmek amacıyla hesaplamalı akışkanlar dinamiği (HAD) simülasyonları ve denetimli ML yöntemlerini birleştiren entegre bir çerçeve sunmaktadır. Çalışma, membran performansının akış dağılımı ve yerel türbülans gibi geometrik faktörlerden etkilendiği ve bu performansın alışılmışın dışında kanal yapıları tasarlanarak artırılabileceği hipotezine dayanmaktadır. Bu yapıların amacı, kirlenmeyi azaltmak, basınç düşüşünü azaltmak ve permeat akısını artırmak yoluyla daha enerji verimli bir desalinasyon sağlamaktır. Araştırmanın ilk aşamasında, yapılan ön çalışmalar ile bu hipotezin doğruluğu gösterilmiştir. Öncelikle HAD simülasyonları kullanılarak rastgele akış kanal geometrileri oluşturulmuştur. HAD simülasyonlarında; Navier-Stokes, adveksiyon difüzyon, Langmuir adsorption–desorption, permeat akısı (permeate flux) denklemleri ile Darcy yasası kullanılmış ve literatürde varolan düz ve sinüzoidal yapıdaki geometriler ile karşılaştırılmıştır. Rastgele oluşturulan yeni kanal geometri tasarımlarının membran performansını artırmada etkili olduğu, basınç kaybını minimum seviyede tutarken enerji ve su kalitesini iyileştirdiği tespit edilmiştir. Araştırmanın ikinci aşamasında, sayısal simülasyonlarla oluşturulan veri seti artırılmıştır. B-spline eğrileri kullanılarak üst ve alt kanal yüzeylerini tanımlayan kontrol noktaları rastgele seçilerek 1045 farklı membran akış kanalı geometrisi oluşturulmuştur. Bu geometriler, basit sinüzoidal şekillerden karmaşık, düzensiz dalga desenlerine kadar çeşitli tasarımları içermektedir. Her geometri için yapılandırılmış bir ağ oluşturularak akış dinamikleri, konsantrasyon dağılımları ve kirlenme davranışını analiz eden 3 boyutlu HAD simülasyonları gerçekleştirilmiştir. Her simülasyon, sabit çalışma koşullarında 100 saniye sürdürülmüştür. HAD sonuçlarından üç temel performans metriği çıkarılmıştır: (1) permeat akısı (membrandan geçen su miktarı), (2) kirlenme indeksi (membran yüzeyinde çözünen partikül birikimi) ve (3) kanal giriş ve çıkışı arasındaki basınç düşüşü (akışı sürdürmek için gerekli enerji). Bu metrikler normalize edilip ağırlıklandırılarak enerji verimliliği ve su üretkenliği arasındaki dengeyi temsil eden birleşik performans metriği (BPM) olarak ifade edilmiştir. Oluşturulan 1045 farklı membran akış kanalı geometrisinden ağ oluşturma ve sayısal kararlılık amacıyla nihai 1025 geometri seçilerek veri seti oluşturulmuştur. Kanal geometrileri, spline eğrilerini oluşturan kontrol noktalarının 42 y-koordinatından oluşan sayısal vektörler olarak ifade edilmiştir. Bu veriler, ML modeline giriş olarak kullanılırken BPM ise regresyon hedefi olarak tanımlanmıştır. Çalışmanın devamında, geometrik özelliklerden membran performansını doğrudan tahmin etmek amacıyla denetimli regresyon yöntemi kullanılmıştır. Veri seti rastgele iki gruba ayrılmıştır: 900 geometri eğitim ve çapraz doğrulama için, 125 geometri ise test seti olarak ayrılmıştır. Çapraz doğrulama 10 katlı strateji ile gerçekleştirilmiş ve doğrusal regresyon, ridge regresyon, rastgele orman, k-en yakın komşu, kategoritk artırma (CatBoost), gradyan yükseltme ve hafif gradyan artırma makinesi (LightGBM), fizikle öğrenen yapay sinir ağı (PINN) yöntemi gibi yirmi bir çeşit regresyon modeli test edilmiştir. Modeller ortalama mutlak hata (MAE), ortalama kare hata (MSE), karekök ortalama kare hata (RMSE), belirlilik katsayısı (R²), karekök ortalama logaritmik kare hata (RMSLE) ve ortalama mutlak yüzde hata (MAPE) gibi performans ölçütleri kullanılarak değerlendirilmiştir. En yüksek doğruluk ve genelleme performansını CatBoost modeli sağlamıştır. Test veri setinde yaklaşık %8,8 MAPE ve 5,66 MAE değerleriyle yüksek tahmin doğruluğu elde edilmiştir. Bu sonuçlar, ML modellerinin pahalı ve zaman alan HAD simülasyonlarına güvenilir bir alternatif olduğunu doğrulamıştır. Modelin uygulanma aşamasında eğitim süreleri, tahmin gecikmeleri ve parametre optimizasyonları incelenmiştir. CatBoost, doğruluk açısından olduğu kadar hızlı çalışma süresi ve düşük hesaplama kaynağı kullanımı açısından da öne çıkmıştır. Modelin hiperparametreleri grid arama (grid search) yöntemiyle optimize edilmiştir. Tezin önemli bir katkısı, sonlu sayıdaki HAD simülasyonlarından membran performansının öğrenilip genelleştirilebileceğinin gösterilmesidir. Bu yöntem, tasarım süreçlerini hızlandırarak membran mühendisliğinde veri odaklı optimizasyonlar için yeni olanaklar sunmuştur. Ayrıca, fizik bilgili derin öğrenme ağları (PINN) gibi daha karmaşık bir öğrenme mimarisi, regresyon yaklaşımı için kullanılmış olup diğer modeller ile karşılaştırılabilir bir performans elde edilmiştir. Bu çalışma, akışkanlar mekaniğinde hesaplamalı tasarım alanı için de geniş etkilere sahiptir. Fiziksel simülasyon verilerinin ML modelleriyle entegrasyonu, tasarım süreçlerinin tamamen deneysel veya deneme-yanılma yaklaşımlarından, akıllı ve öngörücü modelleme yaklaşımlarına geçişi sağlamaktadır. Ayrıca, tezde önerilen yöntem geometri ile performans ilişkisinin güçlü olduğu havacılık, mikroakışkanlar, biyomedikal cihaz tasarımları gibi farklı mühendislik alanlarına da uyarlanabilir. Sonuç olarak bu tez, HAD simülasyonları ve makine öğrenimini birleştirerek membran geometrisi optimizasyonu için sağlam, ölçeklenebilir ve etkili bir metodoloji sunmuştur. Önerilen regresyon tahminleme modeli, performans tahminini hızlandırmış, tasarım döngü sürelerini azaltmış ve membran tasarımında akıllı karar almayı desteklemiştir. Fizik tabanlı modelleme ile veri odaklı çıkarımlar arasında köprü kurarak, yüksek performanslı ve sürdürülebilir desalinasyon sistemlerinin yeni nesline katkı sağlamıştır. İleriye dönük olarak, araştırma kapsamında daha fazla geliştirme fırsatları bulunmaktadır. Modelin genelleme yeteneğini artırmak için akış kanal geometrileri, membran malzeme çeşitliliği ve çalışma koşulları kapsamı artırılarak veri seti genişletilebilir. Fizik bilgili derin öğrenme ağlarına (PINN) daha fazla fizik bilgisi sağlanarak modelin performansının artabileceği öngörüsü yapılabilir.