Classification of wooden wastes with machine learning approaches

Öz

In this study, 200 wood waste samples from different origins were analysed by Inductive coupled plasma optical emission spectrometry (ICP-OES) and Inductively coupled plasma mass spectrometry (ICP-MS) for 11 elements (lead, cadmium, aluminium, iron, zinc, copper, chrome, arsenic, nickel, mercury and sulphur) that are likely to present in wood waste. In the study, the data as non-hazardous and hazardous was evaluated based on the standard (TS EN ISO 17225-1, 2021). Artificial neural network (ANN) and random forest (RF) analyses were then applied to better analyze and interpret the data. In this way, statistical separation of wood wastes as non-hazardous and hazardous was realized. Accordingly, it was shown that random forest analysis with an accuracy rate of 100% was better than artificial neural network analysis with an accuracy rate of 99%. Results suggested that wood wastes could be recycled and entered the production cycle in a way to contribute to the national economy or be incinerated with appropriate methods in bioenergy production in an environmentally friendly way which would be possible with the accurate classification of these wastes. In this study, the classification of wood wastes as hazardous and non-hazardous with 100% accuracy rate using ICP data with machine learning approaches, which is not encountered in the literature review.

Anahtar Kelimeler

• Artificial neural network
• ICP data
• Random forest
• Wood wastes

Ahşap atıkların makine öğrenmesi yaklaşımları ile sınıflandırılması

Öz

Bu çalışmada 200 adet farklı kökenden gelen ahşap atık örneğinde İndüktif Eşleşmiş Plazma- Optik Emisyon Spektrometre (ICP-OES) ve Indüktif Eşleşmiş Plazma-Kütle Spektrometresi(ICP-MS) cihazlarında ahşap atıklarda çıkma olasılığı yüksek olan 11 elementin (Pb, Cd, Al, Fe, Zn, Cu, Cr, As, Ni, Hg ve S) analizi yapılmıştır. Çalışmada verilerin tehlikesiz ve tehlikeli şeklindeki değerlendirilmesi TS EN ISO 17225-1 (2021) standardı esas alınarak yapılmıştır. Daha sonra verileri daha iyi analiz edebilmek ve yorumlayabilmek amacıyla, verilere yapay sinir ağı (YSA) ve random forest (RF) analizleri uygulanmıştır. Bu şekilde ahşap atıkların istatistiksel olarak da tehlikesiz ve tehlikeli olarak ayrımının yapılması gerçekleştirilmiştir. Buna göre %100 doğruluk oranı ile random forest analizinin, %99 doğruluk oranı ile yapay sinir ağı analizinden daha iyi bir sınıflandırma yaptığı ortaya konmuştur. Ahşap atıkların geri kazanılarak ülke ekonomisine katkı sağlayacak şekilde üretim döngüsüne girebilmesi veya biyoenerji üretiminde çevre dostu olacak şekilde uygun yöntemler ile yakılabilmesi bu atıkların doğru bir şekilde sınıflandırılması ile mümkün olacaktır. Bu çalışma ileliteratür taramasında rastlanmayan makine öğrenme yaklaşımları ile ahşap atıkların ICP verileri kullanılarak tehlikeli ve tehlikesiz olarak %100 doğruluk oranı ile sınıflandırılması yapılmıştır.

Anahtar Kelimeler

• Random Forest
• Yapay sinir ağı
• ICP analizi
• Ahşap atıklar

Kaynakça

1. Adıyaman F (2007) Talep tahmininde yapay sinir ağlarının kullanılması. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Yüksek Lisans Tezi, İstanbul.
2. Akman M, Genç Y, Ankaralı H (2011) Random forests yöntemi ve sağlık alanında bir uygulama. Türkiye Klinikleri Journal of Biostatistics, 3(1): 36-48.
3. Amit Y, Geman D (1997) Shape quantization and recognition with randomized trees. Neural Computation, 9(7): 1545-1588.
4. Ataseven B (2013) Yapay sinir ağlari ile öngörü modellemesi. Öneri Dergisi, 10(39): 101-115.
5. Benli Y (2002) Finansal başarısızlığın tahmininde yapay sinir ağı kullanımı ve İMKB’de bir uygulama. Muhasebe Bilim Dünyası Dergisi, 4 (4):17-30.
6. Breiman L (2001a) Random Forests. Machine Learning, 45 (1): 5–32.
7. Breiman L (2001b) Bagging Predictors. Machine Learning, 24 (2): 123-140.
8. Çolak S, Demirkır C, Çolakoğlu G (2005) Odun kökenli atıkların hammadde ve enerji kaynağı olarak değerlendirilmesi. 1. Çevre ve Ormancılık Sürası, 21-25 Mart, Antalya, 3, Cilt:1009-1017.

9. Cutler A, Stevens J, Cutler DR (2011) Random forests, machine learning. January 2011, Ensemble Machine Learning: Methods and Applications (pp.157-176), Chapter 5, Springer Editors: Cha Zhang, Yunqian Ma.
10. Davis C, Williams L, Lupberger S, Daviet F (2013) Assessing forest governance. The Governance of Forests Initiative Indicator Framework, World Resources Institute.
11. Demirkır C, Çolak S (2006) Odun kökenli atıkların levha endüstrisinde yeniden kullanım imkanları. Kafkas Üniversitesi Artvin Orman Fakültesi Dergisi, 7(1): 41-50.
12. Hisarlı A (1990) Ormancılık ve orman ürünleri sanayinin ekonomik gelişmeye etkileri: Türkiye uygulaması. Anadolu Üniversitesi Sosyal Bilimler Enstitüsü Yüksek Lisans Tezi, Eskişehir.
13. Huhn G, Schulz H, Stark H-J, Tolle R, Schoormann G (1995) Evaluation of regional heavy metal deposıtıon by multivariate analysis of element contents in pine tree barks. Water Air and Soil Pollution, 84 (3): 367-383.
14. Huron M, Oukala S, Lardière J, Giraud N, Dupont C (2017) An extensive characterization of various treated waste wood for assessment of suitability with combustion process. Fuel, 202: 118–128.
15. Kılıç G (2015) Yapay sinir ağları ile yemekhane günlük talep tahmini. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Yüksek Lisans Tezi, Denizli.
16. ORÜS (1991) Orman Ürünleri Sanayi Kurumu Genel Müdürlüğü 1980-1990 Faaliyetleri. s:133, Ankara.
17. Özertan G, Çoşkun A (2021) Masif ahşap sektör raporu. Boğaziçi Üniversitesi, 15 Aralık 2021.
18. Santos I, Castro L, Rodriguez-Fernandez N, Torrente-Patino A, Carballal A (2021) Artificial neural networks and deep learning in the visual arts: a review. Review of. Neural Computing and Applications, 1-37.
19. Szczepanik M, Szyszlak-Bargłowicz J, Zajac G, Koniuszy A, Hawrot-Paw M, Wolak A (2021) The use of multivariate data analysis (HCA and PCA) to characterize ashes from biomass combustion. Energies, 14: 6887.
20. Tafur-Marinos JA, Ginepro M, Pastero L, Zelano V (2016) Digestion procedures for the elemental analysis of wood by inductively coupled plasma optical emission spectrometry. Analytical Letters, 49 (11): 1722–1733.
21. TOBB (2015) Türkiye orman ürünleri meclisi sektör raporu. Türkiye Odalar ve Borsalar Birliği.
22. Tokalıoğlu Ş, Çiçek B, İnanç N, Zarasız G, Öztürk A (2018) Multivariate statistical analysis of data and ICP-MS determination of heavy metals in different brands of spices consumed in Kayseri, Türkiye. Food Analytical Methods, 11(9).
23. TORID (2017) Eylem Planı 1-2-3. https://www.torid.org.tr, 2017 Türkiye Ormancılığı (2019). Türkiye Ormancılar Derneği.
24. TS EN ISO 17225-1 (2021) Katı biyoyakıtlar - Yakıt özellikleri ve sınıfları - Bölüm 1: Genel gerekler standardı, Eylül 2021, ICS 27.190; 75.160.40.
25. Türk HC, Osma E (2020) Ankara’nın farklı bölgelerinden toplanan (Pinus nigra arnold)’da ağır metal birikiminin araştırılması. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(2): 557-567.
26. Tutuş A, Tozluoğlu A (2008) Orman endüstrilerinde hava kirliliği ve çözüm önerileri, hava kirliliği ve kontrolü. Ulusal Sempozyumu‐2008, 22‐25 Ekim 2008, Hatay.
27. Uhde E, Salthammer T, Marutzky R, Bahadır M (1996) Heavy metal content of wooden furniture coatings. Toxicological and Environmental Chemistry, 53:25-3.
28. Yan J, Karlsson A, Zou Z, Dai D, Edlund U (2019) Contamination of heavy metals and metalloids in biomass and waste fuels: comparative characterisation and trend estimation. Science of the Total Environment, 15(700):134382.