Farklı kapak geometrisine sahip kondüitlerde havalandırma performansının yapay zekâ yöntemleriyle belirlenmesi

Hızlı nüfus artışı, sanayileşme ve çarpık kentleşme gibi nedenlerle su kaynaklarının aşırı ve bilinçsiz kullanılması su kirliliğine sebep olmakta ve sudaki çözünmüş oksijen konsantrasyonunu azaltmaktadır. Ekolojik dengenin sağlanabilmesi için azalan oksijen konsantrasyonunun artırılması gerekmektedir. Oksijen konsantrasyonunun artırılması için, atmosferdeki oksijenin suya kazandırılması gerekmektedir. Fiziksel bir şekilde gerçekleştirilen bu işleme havalandırma adı verilmektedir. Suyun en verimli ve en ekonomik şekilde nasıl havalandırılacağı konusunda zor ve zaman alıcı birçok deneysel çalışma yapılmaktadır. Yapılan deneysel çalışmalar, hava giriş mekanizmasını ve oksijen transferini etkileyen birçok parametre içerdiği için oldukça zaman alıcıdır. Ayrıca kullanılan parametre sayısının fazla olması deneysel hata oranlarını artırmaktadır. Yapılan deneylerdeki bu sorunları en aza indirgeyebilmek oldukça önemlidir. Bu nedenlerle son zamanlarda mühendislik alanında oldukça sık bir şekilde kullanılan yapay zekâ yöntemleri, havalandırma çalışmalarında da kullanılmaya başlamıştır. Bu tez çalışmasında, yapay zekâ yöntemleri ile havalandırma veriminin bulunmasında kullanılan hava debisi değerlerinin tahmin edilmesi önerilmiştir. Ayrıca kondüit kapakları, kalın ve ince kenarlı olmak üzere iki sınıfta değerlendirildiği zaman ilgili parametrelere göre bu kapak tipinin yapay zekâ algoritmaları ile belirlenebileceği gösterilmiştir. Bu tez çalışmasında, hava giriş oranlarını ölçme amaçlı yapılan deneylerden elde edilen 1008 veriden oluşan veri seti ile hava debisi değerleri tahmin edilmiştir. Çalışmada yedi farklı regresyon analizi ve bir sinir ağı modeli kullanılmıştır. Kullanılan regresyon analizi yöntemleri multi regresyon, polinomal regresyon, destek vektör makineleri, karar ağaçları regresyonu, rastgele orman regresyonu, gauss süreç regresyonu ve en yakın komşu regresyonudur. Ana veri setinin %80'i olan birinci alt küme eğitim aşamasında, ana veri setinin %20'si olan ikinci alt küme ise test aşamasında kullanılmaktadır. Eğitilen modeller, başarı değerlendirmesi için ikinci alt küme verileriyle test edilmiştir. Ayrıca kondüit kapakları Naive Bayesian, lojistik, SMO, IBk, JRip, J48 ve RF olmak üzere yedi farklı sınıflandırma algoritması kullanılarak kalın ve ince kenarlı olmak üzere sınıflandırılmıştır. Kullanılan yöntemlerin başarısı, regresyon analizlerinde R2 ve korelasyon değerleri bulunarak; sınıflandırma algoritmalarında ise doğruluk oranları bulunarak ölçülmüştür. Çalışmalar sonucunda, en başarılı regresyon analizlerinin polinomal ve SVR polinomal regresyonları, en başarılı sınıflandırma algoritmalarının ise RF, J48 ve IBk algoritmaları olduğu görülmüştür. Yüksek başarı gösteren bu analiz ve algoritmalar, zor ve zaman alıcı geleneksel deneyler ile elde edilebilecek sonuçların yapay zekâ yöntemleriyle de kısa sürede ve düşük maliyet ile kolayca elde edilebileceğini göstermektedir.