Yıkanmış Türk Linyit Kömürlerinin Üst Isıl Değerinin Destek Vektör Regresyonu ile Tahmini
Open Access
- 1 April 2020
- journal article
- research article
- Published by ASOS Yayinevi in European Journal of Science and Technology
- No. 18,p. 16-24
Abstract
Bu çalışmada yıkanmış Türk linyit kömürlerinin üst ısıl değeri (GCV), makine öğrenmesi yöntemleri ile kömür numunelerinin kuru baz kısa analiz sonuçları kullanılarak tahmin edilmiştir. Laboratuvar kömür analiz sonuçlarından elde edilen kül (A), uçucu madde (VM), kükürt (S) ve GCV değişkenleri kullanılarak veri kümesi oluşturulmuştur. Veri kümesine, Destek Vektör Regresyonu (SVR) ile Çok Katmanlı Algılayıcı (MLP), Genel Regresyon Sinir Ağı (GRNN) ve Radyal Temelli Fonksiyon Sinir Ağı (RBFN) olmak üzere üç farklı Yapay Sinir Ağı (ANN) uygulanarak GCV tahmin modelleri geliştirilmiştir. Geliştirilen modellerin performans genelleştirme kabiliyeti 10-katlı çapraz-doğrulama kullanılarak sağlanmış ve modellerin tahmin doğruluğu, performans ölçütleri Çoklu Korelasyon Katsayısı (R), Kök Ortalama Kare Hatası (RMSE), Ortalama Mutlak Hata (MAE) ve Ortalama Mutlak Yüzde Hata (MAPE) kullanılarak hesaplanmıştır. Sonuçlar, GCV tahmini için, tüm modeller arasında SVR tabanlı modelin ANN tabanlı modellere göre biraz daha iyi, ANN tabanlı modeller arasında ise RBFN tabanlı modelin MLP ve GRNN tabanlı modellere göre daha iyi performans gösterdiğini ortaya koymuştur.Keywords
This publication has 39 references indexed in Scilit:
- Prediction of gross calorific value of coal based on proximate analysis using multiple linear regression and artificial neural networksTurkish Journal of Electrical Engineering and Computer Sciences, 2018
- Linear regression-based correlations for estimation of high heating values of Pakistani lignite coalsEnergy Sources, Part A: Recovery, Utilization, and Environmental Effects, 2017
- Developing new VO 2 max prediction models from maximal, submaximal and questionnaire variables using support vector machines combined with feature selectionComputers in Biology and Medicine, 2016
- Trip Attraction Model Using Radial Basis Function Neural NetworksProcedia Engineering, 2015
- Performance Comparison of SVM and ANN in Predicting Compressive Strength of ConcreteIOSR Journal of Computer Engineering, 2014
- SVR-based prediction of evaporation combined with chaotic approachJournal of Hydrology, 2014
- Intelligent regression techniques for non-exercise prediction of VO2max2013
- Proximate analysis based multiple regression models for higher heating value estimation of low rank coalsFuel Processing Technology, 2009
- Kernel methods: a survey of current techniquesNeurocomputing, 2002
- A unified correlation for estimating HHV of solid, liquid and gaseous fuelsFuel, 2002