Araştırma Makalesi
BibTex RIS Kaynak Göster
Yıl 2022, Cilt: 8 Sayı: 2, 361 - 370, 01.09.2022

Öz

Kaynakça

  • [1] V. Kırmacı, “Karşıt Akışlı Ranque-Hilsch Vorteks Tüplerde Farklı Uzunluk Çapa Oranındaki Soğutma-Isıtma Sıcaklık Performanslarının Deneysel Olarak İncelenmesi,” Cumhur. Sci. J., vol. 38, no. 4, pp. 813–821, 2017, doi: http://dx.doi.org/10.17776/csj.349343.
  • [2] F. Günver, “Paralel bağlı karşıt akışlı ranque-hılsch vorteks tüpün enerji-ekserji analizlerinin deneysel olarak incelenmesi,” Yüksek Lisans Tezi, Bartın Üniversitesi Fen Bilim. Enstitüsü, vol. 1–57, 2018.
  • [3] I. Cebeci, V. Kirmaci, and U. Topcuoglu, “Les effets du nombre de tuyères à orifices et des tuyères faites de plastique en polyamide et d’aluminium avec différentes pressions d‘aspiration sur la performance de chauffage et de refroidissement des tubes vortex de Ranque-Hilsch à contre-courant: Une,” Int. J. Refrig., vol. 72, pp. 140–146, 2016, doi: 10.1016/j.ijrefrig.2016.07.013.
  • [4] H. Kaya, O. Uluer, E. Kocaoğlu, and V. Kirmaci, “Experimental analysis of cooling and heating performance of serial and parallel connected counter-flow Ranquee–Hilsch vortex tube systems using carbon dioxide as a working fluid,” Int. J. Refrig., vol. 106, pp. 297–307, 2019, doi: 10.1016/j.ijrefrig.2019.07.004.
  • [5] H. Gökçe, “Optimization of Ranque–Hilsch vortex tube performances via Taguchi method,” J. Brazilian Soc. Mech. Sci. Eng., vol. 42, no. 11, 2020, doi: 10.1007/s40430-020-02649-z.
  • [6] W. Fröhlingsdorf and H. Unger, “Numerical investigations of the compressible flow and the energy separation in the Ranque-Hilsch vortex tube,” Int. J. Heat Mass Transf., vol. 42, no. 3, pp. 415–422, 1998, doi: 10.1016/S0017-9310(98)00191-4.
  • [7] K. Dincer, S. Baskaya, B. Z. Uysal, and I. Ucgul, “Experimental investigation of the performance of a Ranque-Hilsch vortex tube with regard to a plug located at the hot outlet,” Int. J. Refrig., vol. 32, no. 1, pp. 87–94, 2009, doi: 10.1016/j.ijrefrig.2008.06.002.
  • [8] M. Bovand, M. S. Valipour, S. Eiamsa-Ard, and A. Tamayol, “Numerical analysis for curved vortex tube optimization,” Int. Commun. Heat Mass Transf., vol. 50, pp. 98–107, 2014, doi: 10.1016/j.icheatmasstransfer.2013.11.012.
  • [9] H. R. Thakare and A. D. Parekh, “CFD analysis of energy separation of vortex tube employing different gases, turbulence models and discretisation schemes,” Int. J. Heat Mass Transf., vol. 78, pp. 360–370, 2014, doi: 10.1016/j.ijheatmasstransfer.2014.06.083.
  • [10] H. Gökçe, H. Kaya, and V. Kırmacı, “Karşıt Akışlı Ranque–Hılsch Vorteks Tüpün Performansının Taguchi Metodu İle Analizi,” in 2nd International Turkish World Engineering and Science Congress, 2019, pp. 414–421.
  • [11] Kaya. H and Gökçe. H, “Oksijen Kullanılan Karşıt Akışlı Vorteks Tüpünün Taguchi Yöntemi İle Analizi.,” in 2nd International Turkish World Engineering and Science Congress, 2019, pp. 588–595.
  • [12] H. Kaya, H. Gökçe, and V. Kırmacı, “Effect Of Cold Outlet Diameter On Thermal Performance And Exergy Analysis Of Ranque-Hilsch Vortex Tube With Copper Nozzles,” Heat Transf. Res., vol. 53, no. 2, pp. 59–70, 2022, doi: 10.1615/HeatTransRes.2021039907.
  • [13] J. Wei et al., “Machine learning in materials science,” InfoMat, vol. 1, no. 3, pp. 338–358, 2019.
  • [14] T. E. Kalaycı, “Kimlik hırsızı web sitelerinin sınıflandırılması için makine öğrenmesi yöntemlerinin karşılaştırılması,” Pamukkale Üniversitesi Mühendislik Bilim. Derg., vol. 24, no. 5, pp. 870–878, 2018.
  • [15] Q.-H. Luu, M. F. Lau, S. P. H. Ng, and T. Y. Chen, “Testing multiple linear regression systems with metamorphic testing,” J. Syst. Softw., vol. 182, p. 111062, 2021.
  • [16] D. S. Memnun and Ş. Kalaycı, “SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri. Ankara: Asil Yayın Dağıtım,” İlköğretim Online, vol. 12, no. 1, 2006.
  • [17] S. Rong and Z. Bao-Wen, “The research of regression model in machine learning field,” in MATEC Web of Conferences, 2018, vol. 176, p. 1033.
  • [18] M. Bayazıt and B. Oğuz, “Mühendisler için istatistik,” Birsen Yayınevi, İstanbul, 197s, 1994.
  • [19] Y. Aslan, S. Yavasca, and C. Yasar, “Long term electric peak load forecasting of Kutahya using different approaches,” Int. J. Tech. Phys. Probl. Eng., vol. 3, no. 2, pp. 87–91, 2011.
  • [20] C. Cortes and V. Vapnik, “Support-vector networks,” Mach. Learn., vol. 20, no. 3, pp. 273–297, 1995.
  • [21] K. P. Soman, R. Loganathan, and V. Ajay, Machine learning with SVM and other kernel methods. PHI Learning Pvt. Ltd., 2009.
  • [22] S. Ayhan and Ş. Erdoğmuş, “Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi,” Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilim. Derg., vol. 9, no. 1, pp. 175–201, 2014.
  • [23] S. Haykin, “Neural Networks, a comprehensive foundation, Prentice-Hall Inc,” Up. Saddle River, New Jersey, vol. 7458, pp. 161–175, 1999.
  • [24] S. Tolun, “Destek vektör makineleri: Banka başarısızlığının tahmini üzerine bir uygulama,” İstanbul ÜniversitesiSosyal Bilimler Enstitüsü, İstanbul, 2008.
  • [25] B. Schölkopf, J. C. B. Christopher, and J. A. Smola, Advances in kernel methods, vol. 53. Cambridge, England: The MIT Press, 1999.
  • [26] N. Cristianini and J. Shawe-Taylor, An introduction to support vector machines and other kernel-based learning methods. Cambridge university press, 2000.
  • [27] T. Kavzoğlu and İ. Çölkesen, “Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi,” Harit. Derg., vol. 144, no. 7, pp. 73–82, 2010.
  • [28] E. E. Osuna, “Support vector machines: Training and applications,” Massachusetts Institute of Technology, USA, 1998.
  • [29] S. Huang, N. Cai, P. P. Pacheco, S. Narrandes, Y. Wang, and W. Xu, “Applications of support vector machine (SVM) learning in cancer genomics,” Cancer Genomics Proteomics, vol. 15, no. 1, pp. 41–51, 2018.
  • [30] K. Liu, X. Hu, Z. Wei, Y. Li, and Y. Jiang, “Modified Gaussian process regression models for cyclic capacity prediction of lithium-ion batteries,” IEEE Trans. Transp. Electrif., vol. 5, no. 4, pp. 1225–1236, 2019.
  • [31] M. Acı and A. G. Doğansoy, “Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini,” Gazi Üniversitesi Mühendislik Mimar. Fakültesi Derg., vol. 37, no. 3, pp. 1325–1340, 2022.
  • [32] B. Ateş, “Gemi yapılarında gerilme yığılması öngörülerinin kaba ağ yapısı ve makine öğrenmesi ile gerçekleştirilmesi,” İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2020.
  • [33] Y. Heo and V. M. Zavala, “Gaussian process modeling for measurement and verification of building energy savings,” Energy Build., vol. 53, pp. 7–18, 2012.
  • [34] C. E. Rasmussen and C. K. I. Williams, Gaussian processes formachine learning. USA: MIT Press, 2006.
  • [35] K. Yazıcı, “Makine öğrenmesi yöntemleri kullanılarak kısa dönem rüzgar gücü tahmini,” Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya, 2021.

Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi

Yıl 2022, Cilt: 8 Sayı: 2, 361 - 370, 01.09.2022

Öz

Ranque-Hilsch Vorteks Tüp (RHVT) kontrol valfi haricinde hareketli parçası olmayan, basit bir borudan oluşan, basınçlı akışkan ile çalışarak ısıtma soğutma işlemini aynı anda yapan bir sistemdir. Çalışmada iç çapı 7 mm, gövde uzunluğu 100 mm olan RHVT’de giriş basıncı 50 kPa aralılarla 150 ile 700 kPa basınç değerinde hava kullanılmıştır. RHVT’de alüminyum, çelik, polyamid ve pirinç malzemeden üretilmiş iki, üç, dört, beş ve altı orfisli nozullar kullanılmıştır. Deneysel çalışma esnasında sıcak akışkan çıkış tarafındaki kontrol valfi tam açık konumda bırakılarak, RHVT’ünün performansı çıkan sıcak akış sıcaklığı (Tsck) ile çıkan soğuk akışın sıcaklığı (Tsgk) arasındaki fark (ΔT) hesaplanarak veriler alınmıştır. Deneysel veri seti ile makine öğrenimi yöntemlerinden Lineer Regresyon (LR), Destek Vektör Makineleri (DVM) ve Gauss Süreç Regresyonu (GSR) yöntemleri ile ayrı ayrı kullanılarak RHVT’nin performansının optimizasyonu yapılmıştır. Çalışmada makine öğrenme yöntemleri esnasında tüm eğitim verisinin %80’ni, tüm test verisinin ise %20’sini kullanılmıştır. Çalışma sonunda elde edilen modeller ile testler yapılmış ve ortaya çıkan sonuçlar karşılaştırılmıştır.

Kaynakça

  • [1] V. Kırmacı, “Karşıt Akışlı Ranque-Hilsch Vorteks Tüplerde Farklı Uzunluk Çapa Oranındaki Soğutma-Isıtma Sıcaklık Performanslarının Deneysel Olarak İncelenmesi,” Cumhur. Sci. J., vol. 38, no. 4, pp. 813–821, 2017, doi: http://dx.doi.org/10.17776/csj.349343.
  • [2] F. Günver, “Paralel bağlı karşıt akışlı ranque-hılsch vorteks tüpün enerji-ekserji analizlerinin deneysel olarak incelenmesi,” Yüksek Lisans Tezi, Bartın Üniversitesi Fen Bilim. Enstitüsü, vol. 1–57, 2018.
  • [3] I. Cebeci, V. Kirmaci, and U. Topcuoglu, “Les effets du nombre de tuyères à orifices et des tuyères faites de plastique en polyamide et d’aluminium avec différentes pressions d‘aspiration sur la performance de chauffage et de refroidissement des tubes vortex de Ranque-Hilsch à contre-courant: Une,” Int. J. Refrig., vol. 72, pp. 140–146, 2016, doi: 10.1016/j.ijrefrig.2016.07.013.
  • [4] H. Kaya, O. Uluer, E. Kocaoğlu, and V. Kirmaci, “Experimental analysis of cooling and heating performance of serial and parallel connected counter-flow Ranquee–Hilsch vortex tube systems using carbon dioxide as a working fluid,” Int. J. Refrig., vol. 106, pp. 297–307, 2019, doi: 10.1016/j.ijrefrig.2019.07.004.
  • [5] H. Gökçe, “Optimization of Ranque–Hilsch vortex tube performances via Taguchi method,” J. Brazilian Soc. Mech. Sci. Eng., vol. 42, no. 11, 2020, doi: 10.1007/s40430-020-02649-z.
  • [6] W. Fröhlingsdorf and H. Unger, “Numerical investigations of the compressible flow and the energy separation in the Ranque-Hilsch vortex tube,” Int. J. Heat Mass Transf., vol. 42, no. 3, pp. 415–422, 1998, doi: 10.1016/S0017-9310(98)00191-4.
  • [7] K. Dincer, S. Baskaya, B. Z. Uysal, and I. Ucgul, “Experimental investigation of the performance of a Ranque-Hilsch vortex tube with regard to a plug located at the hot outlet,” Int. J. Refrig., vol. 32, no. 1, pp. 87–94, 2009, doi: 10.1016/j.ijrefrig.2008.06.002.
  • [8] M. Bovand, M. S. Valipour, S. Eiamsa-Ard, and A. Tamayol, “Numerical analysis for curved vortex tube optimization,” Int. Commun. Heat Mass Transf., vol. 50, pp. 98–107, 2014, doi: 10.1016/j.icheatmasstransfer.2013.11.012.
  • [9] H. R. Thakare and A. D. Parekh, “CFD analysis of energy separation of vortex tube employing different gases, turbulence models and discretisation schemes,” Int. J. Heat Mass Transf., vol. 78, pp. 360–370, 2014, doi: 10.1016/j.ijheatmasstransfer.2014.06.083.
  • [10] H. Gökçe, H. Kaya, and V. Kırmacı, “Karşıt Akışlı Ranque–Hılsch Vorteks Tüpün Performansının Taguchi Metodu İle Analizi,” in 2nd International Turkish World Engineering and Science Congress, 2019, pp. 414–421.
  • [11] Kaya. H and Gökçe. H, “Oksijen Kullanılan Karşıt Akışlı Vorteks Tüpünün Taguchi Yöntemi İle Analizi.,” in 2nd International Turkish World Engineering and Science Congress, 2019, pp. 588–595.
  • [12] H. Kaya, H. Gökçe, and V. Kırmacı, “Effect Of Cold Outlet Diameter On Thermal Performance And Exergy Analysis Of Ranque-Hilsch Vortex Tube With Copper Nozzles,” Heat Transf. Res., vol. 53, no. 2, pp. 59–70, 2022, doi: 10.1615/HeatTransRes.2021039907.
  • [13] J. Wei et al., “Machine learning in materials science,” InfoMat, vol. 1, no. 3, pp. 338–358, 2019.
  • [14] T. E. Kalaycı, “Kimlik hırsızı web sitelerinin sınıflandırılması için makine öğrenmesi yöntemlerinin karşılaştırılması,” Pamukkale Üniversitesi Mühendislik Bilim. Derg., vol. 24, no. 5, pp. 870–878, 2018.
  • [15] Q.-H. Luu, M. F. Lau, S. P. H. Ng, and T. Y. Chen, “Testing multiple linear regression systems with metamorphic testing,” J. Syst. Softw., vol. 182, p. 111062, 2021.
  • [16] D. S. Memnun and Ş. Kalaycı, “SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri. Ankara: Asil Yayın Dağıtım,” İlköğretim Online, vol. 12, no. 1, 2006.
  • [17] S. Rong and Z. Bao-Wen, “The research of regression model in machine learning field,” in MATEC Web of Conferences, 2018, vol. 176, p. 1033.
  • [18] M. Bayazıt and B. Oğuz, “Mühendisler için istatistik,” Birsen Yayınevi, İstanbul, 197s, 1994.
  • [19] Y. Aslan, S. Yavasca, and C. Yasar, “Long term electric peak load forecasting of Kutahya using different approaches,” Int. J. Tech. Phys. Probl. Eng., vol. 3, no. 2, pp. 87–91, 2011.
  • [20] C. Cortes and V. Vapnik, “Support-vector networks,” Mach. Learn., vol. 20, no. 3, pp. 273–297, 1995.
  • [21] K. P. Soman, R. Loganathan, and V. Ajay, Machine learning with SVM and other kernel methods. PHI Learning Pvt. Ltd., 2009.
  • [22] S. Ayhan and Ş. Erdoğmuş, “Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi,” Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilim. Derg., vol. 9, no. 1, pp. 175–201, 2014.
  • [23] S. Haykin, “Neural Networks, a comprehensive foundation, Prentice-Hall Inc,” Up. Saddle River, New Jersey, vol. 7458, pp. 161–175, 1999.
  • [24] S. Tolun, “Destek vektör makineleri: Banka başarısızlığının tahmini üzerine bir uygulama,” İstanbul ÜniversitesiSosyal Bilimler Enstitüsü, İstanbul, 2008.
  • [25] B. Schölkopf, J. C. B. Christopher, and J. A. Smola, Advances in kernel methods, vol. 53. Cambridge, England: The MIT Press, 1999.
  • [26] N. Cristianini and J. Shawe-Taylor, An introduction to support vector machines and other kernel-based learning methods. Cambridge university press, 2000.
  • [27] T. Kavzoğlu and İ. Çölkesen, “Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi,” Harit. Derg., vol. 144, no. 7, pp. 73–82, 2010.
  • [28] E. E. Osuna, “Support vector machines: Training and applications,” Massachusetts Institute of Technology, USA, 1998.
  • [29] S. Huang, N. Cai, P. P. Pacheco, S. Narrandes, Y. Wang, and W. Xu, “Applications of support vector machine (SVM) learning in cancer genomics,” Cancer Genomics Proteomics, vol. 15, no. 1, pp. 41–51, 2018.
  • [30] K. Liu, X. Hu, Z. Wei, Y. Li, and Y. Jiang, “Modified Gaussian process regression models for cyclic capacity prediction of lithium-ion batteries,” IEEE Trans. Transp. Electrif., vol. 5, no. 4, pp. 1225–1236, 2019.
  • [31] M. Acı and A. G. Doğansoy, “Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini,” Gazi Üniversitesi Mühendislik Mimar. Fakültesi Derg., vol. 37, no. 3, pp. 1325–1340, 2022.
  • [32] B. Ateş, “Gemi yapılarında gerilme yığılması öngörülerinin kaba ağ yapısı ve makine öğrenmesi ile gerçekleştirilmesi,” İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 2020.
  • [33] Y. Heo and V. M. Zavala, “Gaussian process modeling for measurement and verification of building energy savings,” Energy Build., vol. 53, pp. 7–18, 2012.
  • [34] C. E. Rasmussen and C. K. I. Williams, Gaussian processes formachine learning. USA: MIT Press, 2006.
  • [35] K. Yazıcı, “Makine öğrenmesi yöntemleri kullanılarak kısa dönem rüzgar gücü tahmini,” Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya, 2021.
Toplam 35 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Makine Mühendisliği
Bölüm Araştırma Makalesi
Yazarlar

Murat Korkmaz 0000-0002-3721-2854

Ayhan Doğan 0000-0002-9872-8889

Volkan Kırmacı 0000-0001-7076-1911

Yayımlanma Tarihi 1 Eylül 2022
Gönderilme Tarihi 30 Nisan 2022
Kabul Tarihi 7 Haziran 2022
Yayımlandığı Sayı Yıl 2022 Cilt: 8 Sayı: 2

Kaynak Göster

IEEE M. Korkmaz, A. Doğan, ve V. Kırmacı, “Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi”, GMBD, c. 8, sy. 2, ss. 361–370, 2022.

Gazi Journal of Engineering Sciences (GJES) publishes open access articles under a Creative Commons Attribution 4.0 International License (CC BY) 1366_2000-copia-2.jpg