Yakın kızılötesi spektroskopi ve derin öğrenme yöntemleri kullanarak atıktan türetilmiş yakıtların özelliklerinin belirlenmesi

Abstract

Günümüzde hızla artan endüstrileşmeyle doğru orantılı olarak katı atık miktarı da artmakta, çevresel açıdan büyük sorunlara yol açmaktadır. Avrupa Birliği (AB) üyesi ülkeler tarafından, düzenli depolamaya gönderilen atık miktarlarını azaltmak için, kaynağında azaltma, yeniden kullanım ve geri kazanımı artırmaya yönelik çeşitli çalışmalar yapılmaktadır. Son yıllarda enerji kaynaklarının yetersizliği ve fosil yakıtların artan maliyetleri nedeniyle alternatif bir yakıt türü olan Atıktan Türetilmiş Yakıt (ATY) kullanımının önemi artmaktadır. Kökeni nedeniyle ATY, mukavvadan tekstil ürünlerine ve geri dönüştürülemeyen plastiklere kadar pek çok atığın yanı sıra tanımlanamayan malzemeler de içerebilen karışık bir atıktır. Bu heterojenlik, yoğunluğu veya ısıl değeri azaltarak ya da nem, kül ve klor içeriğinin artmasına neden olarak ATY'nin özelliklerini olumsuz yönde etkileyebilmektedir. Atıkların alternatif yakıt olarak kullanılmadan önce içeriğin belirlenmesi ve yakma sırasında ortaya çıkabilecek problemlerin önceden öngörülmesi için geleneksel yöntemler yavaş ve yetersiz kalmaktadır.Yürütülen tez çalışması kapsamında, Yakın Kızılötesi (Near Infrared, NIR) Spektrometre cihazı kullanılarak çeşitli ATY örneklerinin 900-1700 nm dalga boyundaki yansıma değerleri 228 eşit aralıkta ölçülmüştür. Ölçümlerden elde edilen bu veriler, laboratuvar ortamında elde edilen klor, nem, kül, uçucu madde, ısıl değer ve elementel (C, H, N, O, S) analiz sonuçları ile birlikte derin öğrenme yaklaşımlarında girdi olarak kullanılmıştır. Derin öğrenme yaklaşımlarında hem doğrudan yansıma verileri ile hem de yansıma verileri üzerinden oluşturulan görüntüler ile regresyon ve sınıflandırma yapılmıştır.ATY'lere ait bu veriler kullanılarak eğitilen Evrişimsel Sinir Ağları (ESA, Convolutional Neural Networks, CNN)(Alexnet ve önerilen diğer modeller) ve Uzun Kısa Süreli Bellek (UKSB, Long Short-Term Memory, LSTM) türü derin öğrenme modellerinden, laboratuvar analiz sonuçlarının tahmininde %99'a ulaşan başarılı sonuçlar alınmıştır. Bu durum ATY içeriğinin tahmininde spektral görüntü tabanlı derin öğrenme mimarilerinin geleneksel yöntemlere ucuz ve hızlı bir alternatif olarak kullanılabileceğini göstermektedir.

Today's rapidly expanding industrialisation is directly correlated with an increase in solid waste, which is leading to serious environmental issues. The European Union (EU) member states conduct numerous research to decrease the volume of garbage disposed of in landfills, to reduce waste at the source, and to boost reuse and recovery. Due to inadequate energy resources and rising fossil fuel prices, the usage of refuse derived fuels (ATY), a type of alternative fuel, has become more and more important in recent years. Due to its origin, ATY is a mixed trash that may include unidentifiable materials as well as several wastes, including cardboard, textiles, and non-recyclable plastics. This heterogeneity may adversely impair ATY's qualities by lowering density or calorific value, as well as by raising the level of moisture, ash, and chlorine. Conventional procedures are slow and insufficient to analyze wastes' composition before using them as alternative fuels and foresee potential issues during incineration.The Near Infrared (NIR) Spectrometer was used to measure the reflectance values of various ATY samples at 900–1700 nm wavelength in 228 equal intervals as part of the thesis study. These measurement-based data, along with those from the laboratory-based elements (C, H, N, O, S) analysis and analyses of chlorine, moisture, ash, volatile matter and heating value, were fed into deep learning algorithms. Regression and classification were performed using both raw reflectance data and pictures generated over reflectance data in deep learning algorithms.The estimation of laboratory-based analysis result by CNN (Convolutional Neural Networks) (Alexnet and other recommended models) and LSTM (Long Short-Term Memory) type deep learning models trained with this RDF data yielded successful results of up to 99%. This demonstrates that spectral image-based deep learning architectures can be utilized to estimate RDF content more quickly and cost-effectively than conventional techniques.