Otomotiv sektöründe nesnelerin interneti ve makine öğrenmesine dayalı bir yaklaşımla ısı transfer değerinin tahmini

Öz

Enerji tüketiminin hâkim olduğu hızla gelişen dünyada, yapay zekâ çözümleri ile tüketilecek enerjinin tahmini çalışmaları tüketiciler için hem enerji verimliliği hem de maliyet etkinliği için bir zorunluluk haline gelmiştir. Binalarda ya da tesislerde harcanan ısı enerjisi ise bu tüketimin önemli bir kısmını oluşturmaktadır. Bu çalışmada nesnelerin interneti ve makine öğrenmesine dayalı bir yaklaşımla otomotiv sektöründe faaliyet gösteren bir fabrika binası için ısı transfer değerleri tahmin edilmiştir. Çalışmada, IoT yazılımı ve makine öğrenimi modellerinin bir kombinasyonu kullanılarak gerçek bir endüstriyel sisteme uygulanmıştır. Hem gerçek bir endüstriyel sistem üzerinde çalışan hem de iki farklı endüstri 4.0 konusu bütünleşmiş bir şekilde kullanılması çalışmanın özgün yanıdır. Bu çalışmanın önemi, birçok binaya ve tek bir ısıtma merkezine sahip işletme ya da tesislerde ısıtma merkezinden binalara gönderilecek ısının önceden tahmin etmektir. Bu çalışmada, otomotiv endüstrisindeki bir fabrikanın seçilen pilot tesisi için gerekli olan ısıyı tahmin etmek amacıyla mevcut sıcaklık verilerinden yeni değişkenler üreterek genişletilmiş veri seti ile makine öğrenmesi tabanlı regresyon modelleri geliştirilmiştir. Geliştirilen model ile sıcaklık regülasyonu (hedef sıcaklığa ulaşmak ve sürdürmek) yapılarak, tesisin ısıtma sürecindeki ısı kayıpları, dış ortam koşullarındaki değişiklikler, ortamın aşırı ısınması ya da soğuması, gönderilen ısının bir süre sonra etkisinin kaybetmesi gibi birçok olumsuz faktörün etkisi ve ısı kayıpları önlenerek maliyetler azaltılmıştır. Lineer Regresyon, Rastgele Orman Regresyon, Polinom Regresyon, Karar Ağacı Regresyon, Destek Vektör Regresyon, Ekstra Ağaç Regresyon, Adaboost Regresyon, Gradient Boosting Regresyon, Oylama Regresyon ve Yapay Sinir Ağı algoritmaları kullanılarak üretim tesislerinde ıs tahmininin yapılmıştır. Bu algoritmalar arasında en yüksek tahminleme gücüne sahip olan Doğrusal Regresyon modeli, çalışmanın bir sonraki adımı olan fabrikanın canlı ısıtma sistemi olan SCADA (Supervisory Control and Data Acquisition) sistemine entegre edilmiş ve gerçek zamanlı olarak test edilmiştir. Çalışmanın sonuçları, önerilen yaklaşımın ısıtma sisteminden kaynaklanan maliyetleri indirdiği ve çalışan memnuniyetini arttırdığı tespit edilmiştir.

Anahtar Kelimeler

• Isı Tahmini
• Nesnelerin İnterneti
• Makine Öğrenmesi

Proje Numarası

119C064

Kaynakça

1. 1. Türkiye Cumhuriyeti Çevre Şehircilik ve İklim Değişikliği Bakanlığı. Sektörlere Göre Nihai Enerji Tüketimi. https://cevreselgostergeler.csb.gov.tr/sektorlere-gore-nihai-enerji-tuketimi-i-85804# . Yayın tarihi 2023. Erişim Tarihi Mayıs 24, 2024.
2. 2. Yılmazoğlu, M. Z., & Durmaz, A., Fabrikalarda Enerji Ekonomisi için Absorpsiyonlu Sistemlerin ve Parabolik Oluk Tip Güneş Kollektörlerinin Kullanılması, 9. International Combustion Symposium, Kırıkkale, 393-401, 2006.
3. 3. Langroudi, P. P., & Weidlich, I., Applicable Predictive Maintenance Diagnosis Methods in Service-Life Prediction of District Heating Pipes, Environmental & Climate Technologies, 24 (2), 2020.
4. 4. Olu-Ajayi, R., Alaka, H., Sulaimon, I., Sunmola, F., & Ajayi, S., Building energy consumption prediction for residential buildings using deep learning and other machine learning techniques, Journal of Building Engineering, 45, 103406, 2022.
5. 5. Pavelčík, V., & Kuba, E., Application of basic machine learning algorithms in railway brake disc temperature prediction, Transportation Research Procedia, 55, 715-722, 2021.
6. 6. Bhowmik, R., Sihn, S., Pachter, R., & Vernon, J. P., Prediction of the specific heat of polymers from experimental data and machine learning methods, Polymer, 220, 123558, 2021.
7. 7. Liu, B., Vu-Bac, N., & Rabczuk, T., A stochastic multiscale method for the prediction of the thermal conductivity of Polymer nanocomposites through hybrid machine learning algorithms, Composite Structures, 273, 114269, 2021.
8. 8. Swartz, B., Wu, L., Zhou, Q., & Hao, Q., Machine learning predictions of critical heat fluxes for pillar-modified surfaces, International Journal of Heat and Mass Transfer, 180, 121744, 2021.

9. 9. Liu, J., Huang, Q., Ulishney, C., & Dumitrescu, C. E., Machine learning assisted prediction of exhaust gas temperature of a heavy-duty natural gas spark ignition engine, Applied Energy, 300, 117413, 2021.
10. 10. He, M., & Lee, Y. Application of machine learning for prediction of critical heat flux: Support vector machine for data-driven CHF look-up table construction based on sparingly distributed training data points, Nuclear Engineering and Design, 338, 189-198, 2018.
11. 11. Sajjadi, S., Shamshirband, S., Alizamir, M., Yee, L., Mansor, Z., Manaf, A. A., & Mostafaeipour, A., Extreme learning machine for prediction of heat load in district heating systems, Energy and Buildings, 122, 222-227, 2016.
12. 12. Zhang, Q., Tian, Z., Ma, Z., Li, G., Lu, Y., & Niu, J., Development of the heating load prediction model for the residential building of district heating based on model calibration, Energy, 205, 117949, 2020.
13. 13. Sundar, S., Rajagopal, M. C., Zhao, H., Kuntumalla, G., Meng, Y., Chang, H. C., & Salapaka, S., Fouling modeling and prediction approach for heat exchangers using deep learning, International Journal of Heat and Mass Transfer, 159, 120112, 2020.
14. 14. Dai, Z., Chen, Z., Selmi, A., Jermsittiparsert, K., Denić, N. M., & Nеšić, Z., Machine learning prediction of higher heating value of biomass, Biomass Conversion and Biorefinery, 1-9, 2021.
15. 15. Lin, T., Pan, Y., Xue, G., Song, J., & Qi, C., A Novel Hybrid Spatial-Temporal Attention-LSTM Model for Heat Load Prediction, IEEE Access, 8, 159182-159195, 2020.
16. 16. Song, J., Xue, G., Pan, X., Ma, Y., & Li, H., Hourly heat load prediction model based on temporal convolutional neural network, IEEE Access, 8, 16726-16741, 2020.
17. 17. Yuan, J., Zhou, Z., Huang, K., Han, Z., Wang, C., & Lu, S., Analysis and evaluation of the operation data for achieving an on-demand heating consumption prediction model of district heating substation, Energy, 214, 118872, 2021.
18. 18. Hughes, M. T., Fronk, B. M., & Garimella, S., Universal condensation heat transfer and pressure drop model and the role of machine learning techniques to improve predictive capabilities, International Journal of Heat and Mass Transfer, 179, 121712, 2021.
19. 19. Vu, A. T., Gulati, S., Vogel, P. A., Grunwald, T., & Bergs, T., Machine learning-based predictive modeling of contact heat transfer, International Journal of Heat and Mass Transfer, 174, 121300, 2021.
20. 20. Zhu, G., Wen, T., & Zhang, D., Machine learning based approach for the prediction of flow boiling/condensation heat transfer performance in mini channels with serrated fins, International Journal of Heat and Mass Transfer, 166, 120783, 2021.
21. 21. Park, S., Bailey, J. P., Pasman, H. J., Wang, Q., & El-Halwagi, M. M., Fast, easy-to-use, machine learning-developed models of prediction of flash point, heat of combustion, and lower and upper flammability limits for inherently safer design, Computers & Chemical Engineering, 155, 107524, 2021.
22. 22. Kim, H., Moon, J., Hong, D., Cha, E., & Yun, B., Prediction of critical heat flux for narrow rectangular channels in a steady state condition using machine learning, Nuclear Engineering and Technology, 53 (6), 1796-1809, 2021.
23. 23. Wu, W., Wang, J., Huang, Y., Zhao, H., & Wang, X., A novel way to determine transient heat flux based on GBDT machine learning algorithm. International Journal of Heat and Mass Transfer, 179, 121746, 2021.
24. 24. Lu, S., Xu, Q., Jiang, C., Liu, Y., & Kusiak, A., Probabilistic load forecasting with a non-crossing sparse-group Lasso-quantile regression deep neural network, Energy, 122955, 2021.
25. 25. Tuğçe, Y. Ü. C. E., & Kabak, M., Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 37 (1), 47-60, 2021.
26. 26. Fan, X., Wang, X., Zhang, X., & Yu, P. A. X. B., Machine learning based water pipe failure prediction: The effects of engineering, geology, climate and socio-economic factors, Reliability Engineering & System Safety, 219, 108185, 2022.
27. 27. Chen, W., Qiu, Y., Feng, Y., Li, Y., & Kusiak, A., Diagnosis of wind turbine faults with transfer learning algorithms, Renewable Energy, 163, 2053-2067, 2021.
28. 28. Xu, H., Jiao, Z., Zhang, Z., Huffman, M., & Wang, Q., Prediction of methane hydrate formation conditions in saltwater using machine learning algorithms, Computers & Chemical Engineering, 151, 107358, 2021.
29. 29. Shapi, M. K. M., Ramli, N. A., & Awalin, L. J., Energy consumption prediction by using machine learning for smart building: Case study in Malaysia. Developments in the Built Environment, 5, 100037, 2021.
30. 30. Reşat H.G., Design and development of hybrid forecasting model using artificial neural networks and ARIMA methods for sustainable energy management systems: A case study in tobacco industry, Journal of the Faculty of Engineering and Architecture of Gazi University, 35 (3), 1129-1140, 2020.
31. 31. Zhu, J., Shen, Y., Song, Z., Zhou, D., Zhang, Z., & Kusiak, A., Data-driven building load profiling and energy management. Sustainable Cities and Society, 49, 101587, 2019.
32. 32. Wang, Y., Li, W., Zhang, Z., Shi, J., & Chen, J., Performance evaluation and prediction for electric vehicle heat pump using machine learning method, Applied Thermal Engineering, 159, 113901, 2019.
33. 33. Bayram, K. Ö. S. E., Aygün, H., & Semih, P. A. K., Parameter estimation of the wind speed distribution model by dragonfly algorithm, Journal of the Faculty of Engineering and Architecture of Gazi University, 38 (3), 1747-1756, 2023.
34. 34. Friedman, J., Hastie, T., & Tibshirani, R., The Elements of Statistical Learning, New York: Springer Series in Statistics, 1 (10), 2021.
35. 35. Öztemel, E., Yapay Sinir Ağları, İstanbul, Papatya Yayıncılık, 2003.
36. 36. Hinton G., et al. Deep Neural Networks for Acoustic Modeling in Speech Recognition: The Shared Views of Four Research Groups, IEEE Signal Process. Mag., 29 (6):82–97, 2012.
37. 37. Wolpert, D. H. ve W. G. Macready, No free lunch theorems for optimization, IEEE transactions on evolutionary computation 1 (1), 67- 82, 1997.
38. 38. Gültepe, Y., Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme, Avrupa Bilim ve Teknoloji Dergisi, (16), 8-15, 2019.
39. 39. Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J., Classification and regression trees. Routledge, 2017.
40. 40. Rodriguez-Galiano, V., Mendes, M. P., Garcia-Soldado, M. J., Chica-Olmo, M., & Ribeiro, L., Predictive modeling of groundwater nitrate pollution using Random Forest and multisource variables related to intrinsic and specific vulnerability: A case study in an agricultural setting (Southern Spain), Science of the Total Environment, 476, 189-206, 2014.
41. 41. Geurts, P., Ernst, D., & Wehenkel, L., Extremely randomized trees, Machine learning, 63, 3-42, 2006.
42. 42. John, V., Liu, Z., Guo, C., Mita, S., & Kidono, K., Real-time lane estimation using deep features and extra trees regression, In Image and Video Technology: 7th Pacific-Rim Symposium, PSIVT 2015, Auckland, New Zealand, November 25-27, 2015, Revised Selected Papers 7 (pp. 721-733), Springer International Publishing, 2016.
43. 43. Nitin D., Babita S., Chalak H.D., Gradient boosting-based regression modelling for estimating the time period of the irregular precast concrete structural system with cross bracing, Journal of King Saud University Engineering Sciences, 1018-3639, 2021.
44. 44. Geeksforgeeks. Makine öğrenimi | Sklearn kullanarak Oylama Sınıflandırıcısı. https://www.geeksforgeeks.org/ml-voting-classifier-using-sklearn/. Güncelleme tarihi Kasım 25, 2019. Erişim Tarihi: Ekim 21, 2023.
45. 45. Basu, V., Prediction of Stellar Age with the Help of Extra-Trees Regressor in Machine Learning, In Proceedings of the International Conference on Innovative Computing & Communications (ICICC), 2020.
46. 46. Suykens, J. A., & Vandewalle, J., Chaos control using least‐squares support vector machines, International journal of circuit theory and applications, 27 (6), 605-615, 1999.
47. 47. El-Said, E. M., Abd Elaziz, M., & Elsheikh, A. H., Machine learning algorithms for improving the prediction of air injection effect on the thermohydraulic performance of shell and tube heat exchanger, Applied Thermal Engineering, 185, 116471, 2021.
48. 48. Cinsdiki, M., Neural Network Solutions for ATM Routing & Multicasting Problems, 1997.
49. 49. Dotzauer, E., Simple model for prediction of loads in district-heating systems, Applied Energy, 73 (3-4), 277-284, 2002.
50. 50. Han, J., Kamber, M., ve Pei, J., Data mining concepts and techniques third edition, The Morgan Kaufmann Series in Data Management Systems, 5 (4), 83-124, 2011.
51. 51. Kamber, E., Körpüz, S., Melih, C. A. N., Aydoğmuş, H. Y., & Gümüş, M., Yapay Sinir Ağlarina Dayali Kisa Dönemli Elektrik Yükü Tahmini, Endüstri Mühendisliği, 32 (2), 364-379, 2021.
52. 52. Bergmeir, C. ve J. M. Benítez, On the use of cross-validation for time series predictor evaluation, Information Sciences, 2012.
53. 53. Ra, S. J., Kim, J. H., & Park, C. S., Real-time model predictive cooling control for an HVAC system in a factory building, Energy and Buildings, 285, 112860, 2023.
54. 54. Ghofrani, A., Nazemi, S. D., & Jafari, M. A., Prediction of building indoor temperature response in variable air volume systems, Journal of Building Performance Simulation, 13 (1), 34-47, 2020.