Prediction of kinematic viscosity and density of diesel fuel from physical properties by artifical neural networks
dc.contributor.advisor | Kayı, Hakan | |
dc.contributor.author | Al Obaıdı, Aymen Abdulqader Abbas | |
dc.date.accessioned | 2023-09-22T11:31:43Z | |
dc.date.available | 2023-09-22T11:31:43Z | |
dc.date.submitted | 2021-08-05 | |
dc.date.issued | 2020 | |
dc.identifier.uri | https://acikbilim.yok.gov.tr/handle/20.500.12812/733477 | |
dc.description.abstract | Bu çalışmada, ilk amaç deneysel analizde harcanan zaman ve maliyeti azaltabilmek için yapay sinir ağı modeli kullanarak dizel yakıtın kinematic viskozitesini ve yoğunluğunu fiziksel özelliklerinden tahmin etmektir. Sonraki amaç ise, kinematic viskozite ve yoğunluğa basit bir formül atamaktır.Bu çalışmada kullanılan dizel yakıt için deneysel veriler doğrudan Irak'taki Kuzey Petrol Şirketi'nden elde edilmiştir, bu nedenle orijinal ve benzersiz bir veri kaynağı kullanılmıştır. Günlük rutinde, dizel taşıyan her tankerin izlenmesi, yoğunluk ve viskozite ölçümlerinin yapılması gerekmektedir.Kınematık viskozite ve yoğunluk tahmininde, harici girişli doğrusal olmayan otoregresif (NARX) ve tipik ileri beslemeli geri yayinimli (NN) sinir ağları kullanılmıştır. Elde edilen sonuçlar değerlendirildiğinde, bu ağların iyi bir performans gösterdiği görülmüştür. Yoğunluk değerlerinin tahmininde, NARX tipi sinir ağı NN'den daha iyi bir performans göstermişken kinematik viskozite değerlerinin tahmini için NN, NARX'tan daha üstün bir performans göstermiştir. İlave olarak, çoklu lineer regresyon (MLR) metodolojisi kullanılmış, kinematic viskozite ve yoğunluk için birinci dereceden lineer denklemler için beş bağımsız değişkenin katsayıları elde edilmiştir | |
dc.description.abstract | In this study, the first purpose is to predict the kinematic viscosity and density of diesel fuel from the physical properties of it by employing artificial neural network modeling approach to be able to save time and money spent on experimental studies, and the next one is to ascertain a simple formula to kinematic viscosity and density. The experimental data for diesel fuel utilized throughout this study is taken directly from the North Oil Company in Iraq, hence the original and unique source of data has been used. In daily routine, every truck holding diesel needs to be monitored, and density and viscosity measurements need to be performed. Nonlinear autoregressive neural networks with external input (NARX) and a typical feedforward neural network with backpropagation algorithm (NN) are used in the prediction of kinematic viscosity and density. Evaluation of the obtained results indicated promising performance for these networks. In the prediction of the density values, NARX type neural network performed better than NN, and for the prediction of kinematic viscosity values NN performed superior to NARX. In addition, multiple linear regression (MLR) methodology is employed and the coefficients of the five independent variables for the first order linear equations are obtained for kinematic viscosity and density. | en_US |
dc.language | English | |
dc.language.iso | en | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | Attribution 4.0 United States | tr_TR |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
dc.subject | Kimya Mühendisliği | tr_TR |
dc.subject | Chemical Engineering | en_US |
dc.title | Prediction of kinematic viscosity and density of diesel fuel from physical properties by artifical neural networks | |
dc.title.alternative | Yapay sinir ağları ile dizel yakıtın fiziksel özelliklerden kinematik viskozite ve yoğunluğunun tahmini | |
dc.type | masterThesis | |
dc.date.updated | 2021-08-05 | |
dc.contributor.department | Kimya Mühendisliği Ana Bilim Dalı | |
dc.identifier.yokid | 10325548 | |
dc.publisher.institute | Fen Bilimleri Enstitüsü | |
dc.publisher.university | ATILIM ÜNİVERSİTESİ | |
dc.identifier.thesisid | 672198 | |
dc.description.pages | 76 | |
dc.publisher.discipline | Uygulamalı Kimya Bilim Dalı |
Files in this item
Files | Size | Format | View |
---|---|---|---|
There are no files associated with this item. |