TY  - JOUR
T1  - Esnek Geri Yayılımlı ve Geliştirilmiş Geri Yayılımlı Sinir Ağları Performanslarının Elektrikli Ark Ocaklarında Karşılaştırılması
TT  - Comparison Of RPROP And Improved BP Neural Networks Performance In Electric Arc Furnaces
AU  - Yıldız, Edip
AU  - Özdemir, Ersin
PY  - 2019
DA  - March
JF  - International Journal of Multidisciplinary Studies and Innovative Technologies
JO  - IJMSIT
PB  - SET Teknoloji
WT  - DergiPark
SN  - 2602-4888
SP  - 72
EP  - 75
VL  - 3
IS  - 1
LA  - tr
AB  - Elektrikli ark ocakları, sıvı çelik üretimindekisüreçlerinin esnekliğinden, yatırım ve işletme maliyetlerinin diğer üretimekipmanlarına göre daha düşük olması sebebi ile sıvı çelik üretiminde tercihedilmektedirler. Alternatif akımlı elektrikli ark ocaklarının çalışma prensibi,karbon elektrotlarının kontrol edilmesi ile elektrik akımını hurda üzerindengeçirerek ergitme esasına dayanır. Doğrusal olmayan, dinamik, birden fazlaparametreye bağlı, karmaşık karakteristikte sisteme sahiptirler. Elektrikli arkocağının rastlantı sonucu olmayan akım-gerilim dalgalanmalarını ve değişkenparametrelerini, çalışma şekli ve operatörlerin sezgisel kullanımı daha dakarmaşıklaştırmaktadır. Buna benzer karmaşık sistemlerin kontrolü doğrusal olansistemlere göre daha zordur. Elektrikli ark ocaklarında verimi ve güçtransferini gerçekleştiren elektrotların hareket kontrolü de bu nedenleönemlidir. Bu çalışmada çok katmanlı ağ yapısına sahip olan ve esnek geriyayılım algoritmasına (RPROP) sahip yapay sinir ağı ile daha öncekiçalışmalarda etkinliği ispatlanmış olan geliştirilmiş geri yayılım algoritması(BP) performansları karşılaştırılmıştır.Kararsız sistemler açısından her iki yöntemin başarılı sonuçlar gösterdiğigörülmüş fakat aynı veri seti ile yapılan denemelerde esnek geri yayılım algoritmasınındaha hızlı ve daha düşük hata ile öğrendiği tespit edilmiştir. Çalışma, Knimeaçık kaynak kodlu veri analizi aracı ile yapay sinir ağları kullanılarakgerçekleştirilmiş ve sonuçlar değerlendirilmiştir.
KW  - Elektrikli ark ocağı
KW  - Yapay sinir ağı
KW  - Geri yayılım
KW  - Esnek yayılım
N2  - Electric arc furnaces are preferred for the production of liquid steelbecause of the flexibility of the processes in the production of liquid steel,investment and operating costs are lower than other production equipment. Theprinciple of operation of electric arc furnaces with alternating current isbased on melting the electric current through scrap by controlling the carbonelectrodes. Nonlinear, dynamic, have more than one parameter, have a complexcharacteristic system. The current-voltage fluctuations and variable parametersof the electric arc furnace, as well as the operation mode and the intuitiveoperation of the operators, further complicate. Control of similar complexsystems is more difficult than linear systems. It is therefore important tocontrol the motion of the electrodes that perform efficiency and power transferin electric arc furnaces. In this study, an artificial neural network with amultilayered network structure and a resilient back propagation algorithm(RPROP), as well as improved back propagation algorithm (BP) performances,which have proven effective in previous studies, were compared. Both methodshave been found to be successful in terms of unstable systems, but it has beendetermined that resilient back propagation algorithm is learned with faster andlower error in the experiments with the same data set. The study was performedusing Knime open source data analysis tool and artificial neural networks andthe results were evaluated.
CR  - [1]	W. E. Staib and R. B. Staib, “The intelligent arc furnace controller: a neural network electrode position optimization system for the electric arc furnace,” Neural Networks, 1992. IJCNN., Int. Jt. Conf., vol. 3, pp. 1–9, 1992.
CR  - [2]	Z. Hong, Y. Sheng, and J. Li, “Development of AC Electric Arc-Furnace Control System Based on Fuzzy Neural Network,” pp. 2459–2464, 2006.
CR  - [3]	S. Zhang and X. Zheng, “Application of double model control scheme based on RBF inverse identification in electrode system of electrical arc furnace,” Proc. IEEE Int. Conf. Autom. Logist. ICAL 2007, no. 5, pp. 485–489, 2007.
CR  - [4]	Z. Hui, X. Wang, and X. Wang, “Prediction Model of Arc Furnace Based on Improved BP Neural Network,” 2009 Int. Conf. Environ. Sci. Inf. Appl. Technol., vol. 2, no. 2, pp. 664–669, 2009.
CR  - [5]	Ç. Elmas, Yapay Zeka Uygulamaları, 1st ed. Ankara: Seçkin Yayıncılık, 2007.
CR  - [6]	M. Riedmiller and H. Braun, “A direct adaptive method for faster backpropagation learning: The RPROP algorithm,” IEEE Int. Conf. Neural Networks - Conf. Proc., vol. 1993–Janua, pp. 586–591, 1993.
CR  - [7]	M. Ingvarsson, “The RPROP algorithm.” [Online]. Available: http://130.243.105.49/~lilien/ml/seminars/2007_03_12c-Markus_Ingvarsson-RPROP.pdf. [Accessed: 05-Feb-2019].
UR  - https://dergipark.org.tr/tr/pub/ijmsit/issue//573968
L1  - https://dergipark.org.tr/tr/download/article-file/734018
ER  -