Farklı katı yakıt türlerinin üst ısıl değerlerinin çoklu lineer regresyon, karar ağacı, random forest ve yapay sinir ağları yöntemleriyle belirlenmesi

Abstract

İnsanlar, hayatlarının her alanında enerjiye ihtiyaç duyarlar. Bu ihtiyaçların çoğunu fosil yakıtları (doğal gaz, kömür, petrol) kullanarak karşılamaktadırlar. Geçmişten günümüze; nüfus artışı, teknolojik gelişmeler ve hızlı sanayileşme fosil yakıt tüketimini arttırmıştır. Kömür; dünya üzerindeki dağılımı, kullanım ve depolama kolaylığı bakımından emniyetli ve güvenli oluşu, fiyat istikrarı ve şu anki üretim seviyeleri karşılaştırıldığında diğer fosil yakıtlara göre rezerv ömrünün fazla oluşu nedeniyle geçmişte olduğu gibi bugün de önemli bir enerji kaynağı özelliğini taşımaktadır. Kömür rezervlerinin en çok bulunduğu ülkelerin başında Çin, Amerika Birleşik Devletleri ve Hindistan gelmektedir. Üç ülkenin toplam rezervi dünyadaki bütün rezervlerin yaklaşık %70'ini kapsamaktadır. Türkiye, dünyada bulunan kömür rezervleri arasında küçük bir paya sahip olsa da ülkede bulunan fosil kaynaklar içerisinde en yüksek paya sahiptir. Türkiye'de pek çok endüstri alanında, hammadde veya enerji kaynağı olarak kömür kullanımı yaygınlaşmıştır. Başlıca kullanım alanları, elektrik, ısı, çimento, tuğla, gübre ve şeker üretimi vb. olarak sıralanabilir. Kömürün kalitesinin ölçütleri içerisinde ısıl değer başta gelmektedir. Isıl değeri yüksek olan bir kömürün yakılmasıyla ortaya çıkacak enerji de fazla olur. Rezerv olarak aynı bölgede bulunan kömürlerin özellikleri de farklılık gösterebilir. Özellikle, elektrik üretiminin gerçekleştiği büyük miktarda kömür yakılan termik santrallerde aynı ısıl değere sahip kömürlerin yakılması verim ve sürdürülebilirlik açısından önemlidir. Sürekli çalışan sistemlerde kömürün aynı ısıl değerde sisteme beslenebilmesi için kömürün ısıl değeri en kısa sürede belirlenmelidir. Kömürün içerdiği nem ve inorganik maddelerin oksitlenmesi neticesinde oluşan kül ve kükürt istenmeyen kısımlarıdır. Yüksek nemli kömürlerde farklı kurutma yöntemleri uygulanmaktadır. Kömürün külünü azaltmak için lavvarda yıkamak gibi farklı yöntemler mevcuttur. Kısa analiz (uçucu madde, nem, kül ve sabit karbon), ASTM D7582-15 standardı uygulanarak gerçekleştirilir. Kömürdeki elementel hidrojen, oksijen, karbon, kükürt ve azot miktarları ASTM D5373-16 ve D4239-18 standardtlarına göre belirlenir. Sürekli çalışan yakma sistemlerinde bu analiz yöntemlerinin uygulanabilmesi için homojen numune alınması, tane boyutunun 250 mikrometrenin altına indirilmesi gereklidir ve bu analizler belirli bir süre almaktadır. Sürekli çalışan yakma sistemlerinde bu analizler için geçen süre çok önemlidir. Kömürün daha önce yapılmış kısa analiz ve elemental analizlerine dayanarak ısıl değeri bu süreye ihtiyaç kalmaksızın tahmin edilebilir. Ayrıca yakma sistemlerinin tasarımında, esnek yakıt seçiminde farklı kalitedeki katı yakıtların ısıl değerlerine ihtiyaç vardır. Bu çalışma kapsamında turba, linyit, taşkömürü, antrasit kömür numuneleri ile birlikte asfaltit, petrokok ve biyokütleden elde edilen yarıkok numuneleri kullanılmıştır. Sürekli çalışan sistemlerde yakıtların ısıl değerlerini kısa sürede belirlemek için alternatif hesaplama yöntemleri (doğrusal ve doğrusal olmayan) kullanılmaktadır. Bu yöntemler içerisinde, makine öğrenimi metodolojileri olarak da bilinen yapay zeka tabanlı yöntemlerin kullanılması, hızlı ve yüksek hassasiyetli tahminler yapılmasını sağlayacaktır. Bu çalışmada, çoklu lineer regresyon, karar ağacı, random forest ve yapay sinir ağları yöntemleri kullanılmıştır. Breiman tarafından önerilen random forest, torbalama tabanlı bir topluluk öğrenme yöntemidir ve algoritması, ilerici ve uyarlanabilir bir şekilde bilinen girdi-çıktı ilişkilerinin kalıpları ile eğitime dayalıdır. Bu yaklaşım, birkaç karar ağacını birleştirir ve eğitim setindeki küçük bozulmalara karşı hassasiyeti önler. Ayrıca değişkenler arasındaki doğrusal olmayan ilişkileri ortaya çıkarmada kolaylık sağlar. Diğer makine öğrenimi algoritmalarından farklı olarak, yüksek boyutlu, dengesiz ve gürültülü verilere karşı yüksek tahmin doğruluğu sağlar ve fazla uyumlu model oluşturulmasının önüne geçer. Ancak, yapay sinir ağları (ANN) eğitim aşamasında aşırı uyum sağlamaya eğilimlidir. ANN'ların ve yapay zeka tabanlı regresyon tekniklerinin aksine, RF aşırı uyum (overfitting) sorununa yol açmaz. RF algoritması girdi rastgeleliği sunar ve çoklu karar ağaçlarının bir kombinasyonudur, bu da RF'yi diğer modelleme algoritmalarına kıyasla fazla uyumluluğa daha az eğilimli hale getirir. Bununla birlikte, karar ağaçlarında büyük bir ağaç yapısının aşırı uyumla sonuçlanabileceği ve bu nedenle fazla dalların çıkarılması gerektiği de bildirilmektedir. RF algoritması, çok boyutlu problemleri çözmek için güçlü bir yöntemdir. Bununla birlikte, RF çalışmalarının çoğu, genellikle dar aralıklarda değişen çok sayıda veri kullanılarak gerçekleştirilmiştir. Bu çalışmada, Türkiye, Ukrayna, Rusya, Kolombiya, Güney Afrika, Finlandiya ve ABD'den sınırlı sayıda (turbadan antrasite kadar sıralanmış 85 kömür örneği ve birer adet petrokok, asfaltit ve biyokütle yarıkoku) numunenin kalorifik değer, kısa ve elementel analizleri gerçekleştirilmiştir. Tahmini doğrulamak için, verilerin %70'i modeli eğitirken ve %30'u test ederken kullanılmıştır. RF ile yapılan çalışmalar neticesinde, altı parametreli (sabit karbon, uçucu madde, kül, C, H, ve S içerikleri) ve tek parametreli (C içeriği) modeller, sırasıyla 0,968 ve 0,961 R2 değerleriyle karşılaştırılabilir tahmin performansları vermiştir. RF yönteminin tahmin performansını kontrol etmek için yapay sinir ağı, karar ağacı ve çoklu doğrusal regresyon yöntemleri de test edilmiş ve uyumlu sonuçlar bulunmuştur. Tek değişkenli bir karbon modelini bile kullanan RF yönteminin, örnek özelliklerinin geniş aralıklarda değişmesine ve veri sayısının sınırlı olmasına rağmen tatmin edici bir tahmin sağlayabileceği sonucuna varılmıştır.