Gerçek işletme verilerine dayalı makine öğrenmesi yöntemleri ile anaerobik metan üretiminin tahmini ve simülasyon analizi

Gerçek bir biyogaz işletmesinden elde edilen operasyonel verilere dayalı olarak, anaerobik metan üretiminin tahmini amacıyla veri odaklı modelleme yöntemleri geliştirilmiştir. Çalışma, ardışık yapıda kurgulanmış bir tahmin zinciri yaklaşımına dayanmaktadır. Bu zincirin ilk halkasında, atık miktarı ve giriş bileşenleri temel alınarak reaktör içi Kuru Madde (KM), Organik Kuru Madde (OKM), Uçucu Yağ Asitleri (FOS) ve Toplam Alkali Kapasite (TAC) tahmin edilmiştir. İkinci halkada ise bu parametreler ve atık miktarı birlikte değerlendirilerek nihai metan üretimi öngörülmüştür. Bu yapı kapsamında, Makine Öğrenmesi (ML) algoritmaları Karar Ağaçları (Decition Tree-DT), Rastgele Ormanlar (Random Forrest-RF), Destek Vektör Regresyonu (Support Vector Machine-SVM), Gradyan Artırmalı Makineler(Gradient Boosting Machine-GBM), K-En Yakın Komşu (K-Nearest Neighbors-KNN), Yapay Sinir Ağı (YSA) modelleri Levenberg-Marquardt Öğrenme Algoritması (Levenberg-Marquardt-trainLM), Bayesyen Regülasyonlu Öğrenme (Bayesian Regularization-TrainBR), Ölçeklenmiş Eşlenik Gradyan Algoritması (Scaled Conjugate Gradient- TrainSCG) ile çeşitli tahmin modelleri oluşturulmuştur. Her bir algoritma için ayrı hiperparametre optimizasyonları uygulanmıştır. Elde edilen bulgular, ML tabanlı modellerin genel olarak YSA modellerine kıyasla daha yüksek doğruluk ve genelleme başarısı sağladığını ortaya koymuştur. Özellikle Gradyan Artırmalı Makineler (GBM) ve Destek Vektör Regresyonu (SVR) gibi algoritmalar, sistemin karmaşık yapısına yüksek duyarlılıkla adapte olarak en başarılı tahmin performanslarına ulaşmıştır. Geliştirilen veri odaklı modeller, MATLAB/Simulink ortamında tasarlanan kinetik denklemlere dayalı klasik modeller ile karşılaştırılmış, sabit parametreli yapıların dinamik sistem davranışlarını yeterince temsil edemediği gösterilmiştir. Ayrıca, her aya ait minimum ve maksimum atık değerlerinden oluşturulan test setleriyle yapılan değerlendirmeler, geliştirilen modellerin gerçek saha koşullarındaki güvenilirliğini ortaya koymuştur. Bu yönüyle çalışma, biyogaz üretim süreçlerinde makine öğrenmesi temelli tahmin zincirlerinin pratik uygulanabilirliğini ve yüksek doğruluk potansiyelini göstererek literatüre özgün ve bütüncül bir katkı sunmaktadır.