Elektromanyetik alan ölçümleriyle silolardaki tahıl miktarının tespit edilmesi

Abstract

Tahıl canlıların için önemli bir besin kaynaklarından biridir. Bu nedenle tahılın bozulmadan depolanmasında kullanılan en popüler ticari ürünler silolardır. Silolardaki tahıl miktarının bilinmesi hem ticari açıdan hem de ekonomik durumlar için önemlidir. Savaş, kıtlık gibi zor koşullarda tahıl miktarının bilinmesi gerekli önlemlerin alınması açısından büyük önem arz etmektedir. Bu tezde silolardaki tahıl miktarının elektromanyetik(EM) alan ölçümleriyle bulunmasına yönelik yapılan çalışmalar sunulmuştur. Farklı miktarlarda tahıl içeren gerçek boyutlu silolarda EM işaretlerin elde edilmesi oldukça uzun süreçli ve maliyetli olacağından ölçeklendirme tekniği sayesinde laboratuvar ortamında model silo üzerinde ölçümler yapılmıştır. Model silo üç boyutlu yazıcı ile üretilmiş ve iç yüzeyi iletkenliği sağlaması için alüminyum ile kaplanmıştır. Deneylerde EM saçılım bilgisi vektör network analizör ile 18-40 GHz frekanslarında toplam 301 nokta için elde edilmiştir. Silonun dolumu ve boşaltılması gerçek silolara uygun olarak gerçekleştirilmiştir ve tahıl olarak ölçeklendirme oranına uygun boyutlarda kırık tahıl kullanılmıştır. Geleneksel seviye ölçüm yöntemleri tek noktadan ölçüm yaptığı için silolarda dolum ve boşaltım sonrası oluşan konik tepe ve çukurlar ölçüm hatalarına sebep olmaktadır. Bu çalışmada silonun tüm iç yüzeyini EM olarak aydınlatan geniş huzmeli antenler kullanılmış ve tüm olası tahıl yığınına ait geri saçılım sinyalleri elde edilmiştir. Çelik silo duvarının sinüzoidal halkalarından gelen çok yollu ve güçlü ayna yansımaları sinyal işlemeyi zorlaştırdığından, olası tüm tahıl miktarları için seviye bilgisini elde etmek için sezgisel öğrenme yöntemleri kullanılmıştır. Böylece farklı seviyelerdeki tahıla ait 4500 adet ölçüm içeren veri tabanı oluşturulmuştur. Ölçümlerde tahılın dolum ve boşaltılmasından sonra oluşan konik yapılar dikkate alınmıştır. Elde edilen her bir ölçüm verisinden farklı sinyal işleme teknikleriyle 8 farklı özellik çıkartılmıştır. Bu özellikler yapay sinir ağları, K-en yakın komşuluk ve aşırı öğrenme makinesi algoritmalarında eğitim verisi olarak kullanılmıştır ve test verileriyle yapay zekâ algoritmalarının performansları değerlendirilmiştir.

Grain is one of the most important food sources for humans and animals. Silos are the most preferred devices for grain storage. Knowing the amount of grain in silos is important in terms of commercial and critical situations. Owing to known the right quantity of the grain, precautions can be taken in case of scarcity and war. In this thesis, studies are presented that is carried out to find the amount of grain in silos by means of electromagnetic(EM) field measurements. Since measurements are quite long time and costly to obtain the EM signal in real size silos containing different amounts of grain, measurements are performed using model silo in the laboratory environment. The model silo is produced with a three-dimensional printer and is covered with aluminium for inner conductivity. In the experiments, EM scattering information is obtained with a vector network analyzer for a total of 301 points at 18-40 GHz frequencies. The filling and emptying of the silos are carried out in accordance with the real silos, and broken grains are used in sizes suitable for the grain-to-scale ratio. Since traditional level measurement methods can measure grain level from a single point, the conical stack occurred after the filling and emptying of the grain aren't considered. In this study, wide beam antennas illuminating the whole inner surface of the silo are used and back-scattering signals for all possible grain stacks are obtained. Since the multipath and strong mirror reflections from the sinusoidal rings of steel silo wall make the signal processing challenging, intuitive learning methods have been used to obtain backscatter information for all possible grain quantities. Thus, a database containing 4,500 measurements of different levels of grain was created. The measurements are carried out taking into consideration the conical stacks occurred after the filling and emptying of the grain. Eight different features have been extracted from each measurement data by different signal processing techniques. These features were used as training data in artificial neural networks, K-nearest neighbours and extreme learning machine algorithms and performance of algorithms are evaluated by test data.