A machine learning approach to biomass gasification process

Abstract

Makine öğrenmesi (ML), araştırmacılara güçlü hesaplama araçları sunarak bilimin birçok alanında benzersiz veri odaklı çözümler yaratmalarının yolunu açmaktadır. Özellikle `ilgili girdi ve çıktı verilerinin toplanarak ve ML algoritmalarının sayesinde altında yatan sürecin keşfedilmesi` yaklaşımı, araştırmacıların kendi alanlarında geleneksel analitik ve/veya numerik yaklaşımların sahip olduğu sınırlamaların üstesinden gelmelerini sağlamıştır. Biyokütle gazlaştırmasıdır da bu süreçlerden biridir. Biyokütle gazlaştırması, biyolojik atık ve benzeri yenilenebilir enerji kaynaklarını kullanma kabiliyeti nedeniyle umut verici bir enerji üretim sürecidir. Bu tezde, biyokütle gazlaşmasının sahip olduğu zorluklar ML perspektifinden ele alınmıştır. İlk olarak, katı yakıtları optimum kullanımlarına ayırmak için ML sınıflandırıcıları kullanılarak hiyerarşik bir sınıflandırma yapısı geliştirilmiştir. Bu yapıda, 92% ve üzeri sınıflandırma doğruluğu elde edilmiştir. İkinci olarak, ML regresyon teknikleri deneysel olarak toplanan bir veri setine uygulanmış ve performansları k-katlı çapraz geçerlik yöntemiyle değerlendirilmiştir. Yapay sinir ağları ve karar ağacı regresyonu, çıktıların çoğunluğu için R2>0.9'a ulaşarak literatürdeki diğer modelleme yaklaşımlarından daha iyi performans göstermiştir. Son olarak, biyokütle gazlaştırma sürecinde bir zaman serisi modelleme yaklaşımı uygulanmış ve tüm çıktılar için R2 > 0.98 elde edilmiştir. Ayrıca, bir model tahmini kontrolör, biyokütle gazlaştırma işleminin çıkış konsantrasyonlarını kontrol etmek amacıyla tasarlanmıştır. Tasarlanmış MPC pratik senaryolarda test edilmiş ve tüm senaryolar için tatmin edici bir performans sergilemiştir. Aynı zamanda pratik deneysel verilere yüksek uyum göstererek pratik kullanılabilirlik potansiyelini daha da güçlendirmiştir.

Machine learning (ML) has been paving the way for researchers to create unique data-driven solutions in many areas of science by offering a strong set of computational tools. Especially the `collecting related input and output data and letting ML algorithms try to discover the underlying phenomenon` approach enabled researchers to overcome severe limitations of conventional analytical and/or numeric approaches in their respective fields. One such phenomenon is the biomass gasification. Biomass gasification is a promising power generation process due to its ability to utilize waste materials and similar renewable energy sources that is highly open to ML augmentation due to its complex and unpredictable nature. In this thesis, challenges of the biomass gasification are undertaken from ML perspective. Firstly, a hierarchical classification framework is developed by employing ML classifiers to distinguish solid fuels for their optimal use. With this framework, over 92% classification accuracy is obtained. Secondly, ML regression techniques are applied on an experimentally collected data set. Performances of the proposed regression models are evaluated with k-fold cross validation. artificial neural networks and decision tree regression outperformed other modeling approaches in the literature by achieving R2 > 0.9 for the majority of outputs. Lastly, a time series modeling approach is implemented on biomass gasification process and R2 > 0.98 for all outputs is achieved. Furthermore, a model predictive controller (MPC) is designed to control output concentrations of the biomass gasification process. Designed MPC is challenged in practical scenarios. MPC showed satisfactory performance for all scenarios and also showed high compliance with the experimental data which further strengthened its practical usability potential.