YAPAY SİNİR AĞLARI VE UYARLAMALI SİNİRSEL BULANIK ÇIKARIM SİSTEMİ İLE FRANCİS TİPİ TÜRBİNLER İÇİN VERİM TAHMİNLEMESİ

Öz

Türbinler tasarım noktaları dışında mevsimsel yağış dalgalanmaları, zamana bağlı elektrik ihtiyacı farklılıkları sebebiyle kısmi yükleme şartlarında çalıştırılabilmektedir. Bu noktada tasarımcılar tepe diyagramları oluşturmakta ve farklı debi ve düşüler altında sistem verimini tahminlemektedir. Tepe diyagramı çalışması bir çok farklı ayar kanadı açıklığında ve düşüde test gerektirdiğinden oldukça maliyetli bir çalışmadır. Bu çalışmada Yapay Sinir Ağları (YSA) ve Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi (ANFIS) metodu ile farklı çalışma koşullarında Francis tipi türbin verim tahminlemesi gerçekleştirilmiştir. Elde edilen sonuçlar Hesaplamalı Akışkanlar Dinamiği (HAD) yöntemi ile elde edilmiş verim değerleri ile kıyaslanmıştır. Sonuçlara göre, maliyetli bir test veya sayısal süreç yerine ANFIS metodu kullanarak tepe diyagramı oluşturmak mümkündür. Sayısal veriler %25’i test ve %75’i modeli eğitmek için kullanılmak üzere ikiye ayrılmıştır. Geliştirilen YSA ve ANFIS modelleri ile verim tahminleri yapılmış ve elde edilen sonuçlar karşılaştırılmıştır. Çıktılar ortalama hata, maksimum hata ve regresyon katsayısı olmak üzere 3 farklı istatistiksel kriter ile test edilmiş ve ANFIS’in tepe diyagramı uygulamasında YSA’ya göre daha iyi sonuç verdiği tespit edilmiştir. ANFIS parametrelerinin optimize edilmesi ile ortalama hata %1.41, R2 değeri ise 0.999 olarak hesaplanmıştır. Yazarların bilgisine göre YSA ve ANFIS uygulamasının türbinlere uygulandığı ilk literatür araştırması bu çalışmadır.

Anahtar Kelimeler

• YSA
• ANFIS
• türbin
• HES
• Francis tipi türbin
• tepe diyagramı

ANN AND ANFIS PERFORMANCE PREDICTION MODELS FOR FRANCIS TYPE TURBINES

Öz

Turbines can be operated under partial loading conditions due to the seasonal precipitation fluctuations and due to the needed electrical demand over time. According to this partial working need, designers generate hill chart diagrams to observe the system behavior under different flow rates and head values. In order to generate a hill chart, several numerical or experimental studies have been performed at different guide vane openings and head values which are very time consuming and expensive. In this study, the efficiency prediction of Francis turbines has been performed with ANN and ANFIS methods under different operating conditions and compared with simulation results. The obtained results indicate that it is possible to obtain a hill chart using ANFIS method instead of a costly experimental or numerical tests. ANN and ANFIS parameters which effect the output, have been optimized with trying 100 different cases. 75% of the numerical data set is used for training and 25 % is used for validation as testing data. To asses and compare the performance of multiple ANN and ANFIS models several statistical indicators have been used. Insight to the performance evaluation, it is seen that ANFIS can predict the efficiency distribution with higher accuracy than the ANN model. The developed ANFIS model predicts the efficiency with 1.41% mean average percentage error and 0.999 R2 value. To the best of the author's knowledge, this is the first study in the literature that ANN

Anahtar Kelimeler

• ANN
• ANFIS
• turbine
• HEPP
• Francis type turbine
• Hill chart

Kaynakça

1. Antonopoulos, V. Z., Papamichail, D. M., Aschonitis, V. G., & Antonopoulos, A. V. 2019, Solar radiation estimation methods using ANN and empirical models. Computers and Electronics in Agriculture, 160(March), 160–167.
2. Ataseven, B. 2013, Yapay Sı̇nı̇r Ağlari İle Öngörü Modellemesı̇. Öneri Dergisi, 10(39), 101-115–115. https://doi.org/10.14783/od.v10i39.1012000311.
3. Anup, K. C., Bhola Thapa, and Young-Ho Lee.,2014, Transient Numerical Analysis of Rotor–Stator İnteraction in a Francis Turbine. Renewable Energy, cilt 65, Sf: 227-235.
4. Ayancik F.,2014,Hesaplamalı Akışkanlar Dinamiği Yardımıyla Su Türbini Çarkı Tasarımı Ve Eniyilemesi, Yüksek Lisans Tezi, TOBB Fen Bilimleri Enstitüsü, Ankara, Türkiye
5. Ayli, E., Kaplan, A., Cetinturk, H., Demirel, G., Celebioglu, K., Aradag, S., CFD Analysis of 3D flow for 1.4 MW Francis turbine and model turbine manufacturing, 35th Computers and Information in Engineering Conference, August 2015,America.
6. Ayli, E., 2016. Francis Tipi Türbinlerin Sayisal Yöntemler İle Tasarimi, Parametre Optimizasyonu Ve Model Testlerinin Sayisal Alt Yapisinin Geliştirilmesi, Doktora Tezi, TOBB Fen Bilimleri Enstitüsü, Ankara, Türkiye
7. Bisen, Ö., 2011 Üst Yapı İnşaat Projelerinde Öngörülmeyen Endirekt Maliyetlerin Belirlenmesine Yönelik Bir Karar Destek Sistemi Oluşturulması, Doktora Tezi, İstanbul Kültür Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
8. Celebioglu, K., Aradag, S., Ayli, E., Altintas, B. 2018. Rehabilitation of Francis Turbines of Power Plants with Computational Methods. Hittite Journal of Science & Engineering, 5(1), 37–48. https://doi.org/10.17350/hjse19030000076

9. Ghosh, S., & Majumder, M. 2019, Prediction of Wave Energy Potential in India: A Fuzzy-ANN Approach. Metaheuristics in Bioenergy Supply, IntechOpen. DOI: 10.5772/intechopen.84676
10. Gohil PP, Saini RP.2014, CFD: Numerical analysis and performance prediction in Francis turbine. IEEE 1st International Conference on Non-Conventional Energy (ICONCE), pp:94-97.
11. International Renewable Energy Agency. (2018). Renewable capacity statistics 2018 Statistiques de capacité renouvelable Estadísticas de capacidad renovable 2018.
12. IRENA 2018. Renewable Power Generation Costs in 2017. In International Renewable Energy Agency. https://doi.org/10.1007/SpringerReference_7300
13. Kurtgoz, Y., Karagoz, M., Deniz, E. 2017. Biogas engine performance estimation using ANN. Engineering Science and Technology, an International Journal, 20(6), 1563–1570. https://doi.org/10.1016/j.jestch.2017.12.010.
14. Mensour, O. N., El Ghazzani, B., Hlimi, B., & Ihlal, A. 2017. Modeling of solar energy potential in Souss-Massa area-Morocco, using intelligence Artificial Neural Networks (ANNs). Energy Procedia, 139, 778–784. https://doi.org/10.1016/j.egypro.2017.11.287
15. Okyay, G., 2010. Utilization of CFD Tools in the Design Process of a Francis Turbine, Yüksek Lisans Tezi, ODTÜ Fen Bilimleri Enstitüsü, Ankara, Türkiye
16. Patel, K., Desai, J., Chauhan, V., Charnia, S. 2011, Development of Francis Turbine using Computational Fluid Dynamics. In 11st Asian International Conference on Fluid Machinery and 3rd Fluid Power Technology Exhibition pp. 1-3.,
17. Raju, D., Sumalatha,M. Ramani,Lakshmi, K.V. 2011 Solving Uncertain Problems using ANFIS. International Journal of Computer Applications, 29(11), 14–21. https://doi.org/10.5120/3690-5152
18. Shukla, M. K., Jain, R., Prasad, V., Shukla, S. 2011. CFD Analysis of 3D Flow for Francis Turbine. MIT International Journal of Mechancial Engineering, Cilt:1, sf: 93-100.
19. Terzi, Ü. K., Onat, N., & At, S. 2011. New Hybrid Method Proposal for Wind Speed Prediction : a Case Study of Lüleburgaz, Environmental Research, Engineering and Management, 1(1), 23–28.
20. Türkiye Cumhuriyeti Enerji ve Tabii Kaynaklar Bakanlığı, “Enerji: Elektrik”, https://www.enerji.gov.tr/tr-TR/Sayfalar/Elektrik Vuraş, B.B., 2007, Yapay Sinir Ağları ile Finansal Tahmin,Yüksek Lisans Tezi, Ankaya Üniversitesi Sosyal Bilimler Enstitüsü, Ankara, Türkiye.
21. Xie,G., Sunden, G., Wang, Q., Tang,L., 2009, Performance Predictions of Laminar and Turbulent Heat Transfer and Fluid Flow of Heat Exchangers Having Large Tube-Diameter and Large Tube-Row by Artificial Neural Networks, International Journal of Heat and Mass Transfer, vol:52,pp: 2484-2497.