Makine öğrenmesi ile kömürün kül ve kalori değerinin tahmini

Abstract

Kömür yataklarında, üretim işlemlerinde ve kullanım aşamalarında kömür kalitesini belirleyen iki önemli parametre bulunmaktadır. Bunlardan biri ısıl (kalorifik) değeri diğeri ise yanma sonucu açığa çıkan kül değeri. Bu değerlerin tespiti için çok pahalı alet ve yöntemlere ihtiyaç duyulmaktadır. Bu nedenle birçok alanda kullanılan Makine Öğrenmesi yöntemi kalorifik ve Kül değerlerinin tahmininde kullanılabilir. Makine öğrenimi kullanılarak, laboratuvar çalışmaları yapılmasına ihtiyaç duyulmadan tahminler yapılabilir ve olası sonuçlar tahmin edilebilir. Öngörülen sonuçlar yardımıyla kömürün alt ısıl (LCV) ve kül değerleri daha verimli ve hızlı ölçülerek beklenmedik sonuçların ortaya çıkması ortadan kaldırılır ve sistem sağlıklı, hızlı ve sorunsuz bir şekilde yüksek katma değer ile yürütülür. Bu çalışmada termik santrallerde kullanılan linyit kömürünün makine öğrenmesi yöntemi kullanılarak linyit kömürünün LCV ve kül değerini tahmin edilmektedir. Gerçekleştirilen çalışmada YSA'nın girdisi için bağımsız değişkenler olarak kömürün nem oranı, orijinal kül, kükürt, uçucu madde değerleri seçilirken, bağımlı değişkenler olarak LCV ve kuru kül değerleri kullanılmıştır. Bu çalışmada, laboratuvar ortamında belirlenen linyit kömürünün daha düşük ısı ve kül değeri, geliştirilen model ile tahmin edilirse, laboratuvar çalışmalarına ihtiyaç kalmayacaktır. Bu nedenle, laboratuvar çalışmaları için ekonomik, zaman ve işçilik maliyetleri ortadan kalkacaktır. Yapılan bu çalışma ile kül ve alt ısıl (LCV) değerlerinin tahmin edilmesinde %99 oranında başarılı sonuçlar elde edilmiştir.Anahtar Kelimeler: Yapay Zeka, Makine Öğrenmesi, Derin Öğrenme, Veri Madenciliği, Kömür Düşük Isıl Değeri

There are two important parameters that determine the quality of coal in coal beds, production processes and usage stages. One of them is the thermal (calorific) value and the other is the ash value released as a result of combustion. Very expensive tools and methods are needed to determine these values. For this reason, Machine Learning method, which is used in many areas, can be used in estimation of calorific and Ash values. Using machine learning, predictions can be made and possible outcomes can be predicted before operations occur. With the help of the predicted results, the lower thermal (LCV) and ash values of the coal are measured more efficiently and quickly, eliminating the occurrence of unexpected results and the system is carried out in a healthy, fast and trouble-free manner with high added value. In this study, the LCV and ash value of lignite coal is estimated by using machine learning method of lignite coal used in thermal power plants. In the study, moisture ratio of coal, original ash, sulfur, volatile matter values were selected as independent variables for the input of the artificial neural network, while LCV and dry ash values were used as dependent variables. In this study, if the lower heat and ash value of lignite coal determined in the laboratory environment is estimated with the developed model, there will be no need for laboratory studies. Therefore, economical, time and labor costs for laboratory studies will be eliminated. With this study, 99% successful results were obtained in estimating the ash and lower thermal (LCV) values.Keywords: Artificial Intelligence, Machine Learning, Deep Learning, Data Mining, Coal Lower Calorific Value