GRU Ağı ve DEM Esaslı Fıstık Sınıflandırma Simülasyonu Kullanarak Zaman Serisi Tahmini

Öz

Makale, yer fıstığı işletmelerindeki işleme verimliliğini ve eleme kalitesini optimize etmede, Ayrık Eleman Yöntemi (DEM) esaslı simülasyonlar ve derin öğrenme algoritmalarının kullanıldığı bir otomasyon sistemini araştırmaktadır. Bu amaç ile hasat sonrası bir işlem olan yer fıstığı vb. tahıl ürünlerinin sınıflandırılması için geliştirilip üretilen silindirik elekli yer fıstığı sınıflama makinesi işlemi, DEM esaslı Ansys RockyDEM© programı ile simüle edilmiştir. Sınıflandırma makinesinde kullanılan silindirik eleğin, geleneksel yöntemlere göre, sınıflandırma verimi yüksek ve enerji maliyetleri düşüktür. Simülasyonların gerçekleştirebilmesi için bu eleğin bir katı modeli oluşturulmuştur. DEM temelli programlarda her bir fıstık tanesinin hareketi ayrı ayrı hesaplanmaktadır. Bu tür programların işletmelerde kullanılması, optimizasyon ve ürün kalitesi açısından önemli avantajlar getirmesine rağmen granül yapıda yüksek sayıda parçacıklar ciddi hesaplama maliyetleri ve güçlükleri oluşturmaktadır. Bu durum DEM tabanlı simülasyon programlarının en önemli dezavantajıdır. Bu çalışmada kullanılan sınıflama makinesi pilot ölçekte olmasına rağmen simülasyon işlemi 63 gün 18 saat 27 dakika sürmüştür. Endüstriyel ölçekte büyük sınıflama makineleri için bu sürecin çok daha fazla olacağı açıktır. Bu durum yüksek maliyetli hesaplama gerektirecektir. Bu çalışmada yapılan simülasyon sonucundan sürtünme verile elde edilmiştir. Bu tür makinelerde sınıflandırma verimliliği açısından önemli bir parametre, partiküller arası ve partikül-yüzey arası etkileşimin belirlenmesidir. Bu nedenle simülasyondan elde edilen partikül-yüzey sürtünme verilerinin modellenmesi amacıyla derin öğrenme ağlarının bir türü olan Geçitli Tekrarlayan Birim (GRU) türündeki tekrarlı ağlar kullanılmıştır. Modelleme ve tahmin performansı araştırılmıştır. Elde edilen fıstık sınıflandırma modelinde korelasyon değeri 0.88731 ve hata karesinin ortalamasının kökü 322.179 N olarak bulunmuştur. Ortalama mutlak hatanın yüzdesi ise %0.61988 olarak bulunmuştur. 100 adet iterasyon yapılmış ve hesaplamalar 6.42 s sürmüştür. Simülasyon programında bu verilerin elde edilmesinde yüksek işlem süreleri ve hesaplama güçlükleri düşünüldüğünde, bu derin öğrenme ağları, bu tip ürünlerin simülasyonunda bu zorlukların aşılmasında sınıflandırma makinelerinin üretim parametrelerinin optimize edilmesi yönünden ümit vermektedir.

Anahtar Kelimeler

• DEM
• Ansys RockyDEM©
• Silindirik sınıflama makinesi
• Derin öğrenme
• GRU
• LSTM

Destekleyen Kurum

Bu çalışma, kamu, ticari veya kâr amacı gütmeyen sektörlerdeki fon kuruluşlarından herhangi bir özel hibe almamıştır.

Etik Beyan

Bu çalışma için etik kuruldan izin alınmasına gerek yoktur.

Time Series Prediction Using GRU Network and DEM Based Peanut Grading Simulation

Öz

The manuscript investigates an automation system that uses Discrete Element Method (DEM)-based simulations and deep learning algorithms to optimise process efficiency and screening quality in peanut processing. For this purpose, a peanut classification machine with a cylindrical screen, which is developed and manufactured for the classification of grain products such as peanuts, which is a post-harvest process, is simulated using DEM-based Ansys RockyDEM© software. The cylindrical screen used in the grading machine has high grading efficiency and low energy consumption compared to traditional methods. A solid model of this screen is created for the simulations. In DEM-based software, motion of each peanut grain is calculated separately. Although the use of such software in enterprises brings significant advantages in terms of optimisation and product quality, high number of particles with granular structure cause serious computational costs and difficulties. This is the most important disadvantage of DEM-based simulation software. Although the grading machine used in this study was on a pilot-scale, the simulation process took 63 days, 18 hours and 27 minutes. For large industrial-scale grading machines, this process will obviously be much longer. This situation will require high cost hardware tools. In this study, friction data were obtained from simulation. An important parameter in terms of classification efficiency in such machines is the determination of inter-particle and particle-wall interaction. For this reason, Gated Recurrent Unit (GRU), which is a type of recurrent deep learning networks, are used to model the particle-surface friction data obtained from the simulation. Modelling and prediction performance were investigated. In the obtained peanut classification model, the correlation is 0.88731 and the root mean square error is 322.179 N. The percentage of the mean absolute error is found to be 0.61988 %. 100 iterations are performed and the calculations took 6.42 s. In addition, when compared with the LSTM network, it is found that the model and prediction success of the GRU network is better than the LSTM network. These deep learning networks are promising for optimising the production parameters of classification machines.

Anahtar Kelimeler

• DEM
• Ansys RockyDEM©
• Cylindrical classification machine
• Deep learning
• GRU
• LSTM

Destekleyen Kurum

This study has not received any specific grants from funding organisations in the public, commercial or non-profit sectors.

Etik Beyan

There is no need to obtain permission from the ethics committee for this study.

Kaynakça

1. Alakbari, F. S., Mohyaldinn, M. E., Ayoub, M. A., Hussein, I. A., Muhsan, A. S., Ridha, S. and Salih, A. A. (2024). A gated recurrent unit model to predict Poisson's ratio using deep learning. Journal of Rock Mechanics and Geotechnical Engineering, 16(1): 123-135.
2. Altan, A. D., Diken, B. and Kayişoğlu, B. (2021). Prediction of photovoltaic panel power outputs using time series and artificial neural network methods. Journal of Tekirdag Agricultural Faculty, 18(3): 457-469.
3. Bing, Q., Zhao, P., Ren, C., Wang, X. and Zhao, Y. (2024). Short-term traffic flow forecasting method based on secondary decomposition and conventional neural network–transformer. Sustainability, 16(11): 4567.
4. Chen, Z. (2019). Developing a validated model for predicting grain damage using DEM. (MSc. Thesis) Purdue University, West Lafayette, USA.
5. Chung, J., Gulcehre, C., Cho, K. and Bengio, Y. (2014). Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. Advances in Neural Information Processing Systems 2014 (NeurIPS 2014, Workshop at the 2014). 12–13 December, Montreal, Canada.
6. Dhanjal, A. S. and Singh, W. (2024). A comprehensive survey on automatic speech recognition using neural networks. Multimedia Tools and Applications, 83(8): 23367-23412.
7. Eren, Y. and Küçükdemiral, İ. (2024). A comprehensive review on deep learning approaches for short-term load forecasting. Renewable and Sustainable Energy Reviews, 189(n.a.): 114031.
8. Kacar, İ. ve Korkmaz, C. (2022). Çok katmanlı algılayıcı ağı, uzun kısa süreli bellek ağı ve regresyon yöntemleri ile tarımsal kurutma tahmini. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(4): 1188-1206.

9. Korkmaz, C. (2023). The Place of Organic and Organomineral Fertilizer Production in Sustainable Agriculture. In: Sustainable Agriculture Technologies – II, Ed(s): Bayat, A., İksad Yayınevi, Ankara, Türkiye.
10. Korkmaz, C. ve Kacar, İ. (2024a). Modelleme ve tahmin amaçlı veri ön işleme yöntemlerinin ürün kurutma örneği ile açıklanması. Tekirdağ Ziraat Fakültesi Dergisi, 21(2): 482-500.
11. Korkmaz, C. ve Kacar, İ. (2024b). Zaman serisinin kestirimi için uzun-kısa süreli bellek ağı yaklaşımı. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 39(4): 1053-1066.
12. Li, X., Li, S., Zhang, X.-L. and Rahardja, S. (2024). Transformer-based end-to-end speech translation with rotary position embedding. IEEE Signal Processing Letters, 31(n.a): 1105-1109.
13. Liu, Z., Yu, Y., Wang, J., Kang, Z., He, F. and Gao, L. (2023). Numerical simulation and optimization of peanut sheller air–screen cleaning device. Agriculture, 13(10): 1997.
14. MathWorks. (2023). Matlab R2023a. https://www.mathworks.com/products/matlab.html (Erişim Tarihi: 19.06.2024).
15. Naga, R. M., Jayachandran, T., Alzubaidi, L. H., Mazumder, D. and Praveena, H. D. (2024). Residual Network Based Bidirectional Gated Recurrent Unit for Speech Recognition Using Speech Signals. 2024 International Conference on Distributed Computing and Optimization Techniques (ICDCOT). 15–16 March, Bengaluru, India.
16. Rocky DEM. (2025). Ansys Rocky Particle Dynamics Simulation Software. https://www.ansys.com/products/fluids/ansys-rocky, (Erişim Tarihi: 16.08.2025).
17. Ugurluay, S. and Akcali, I. D. (2021). Development of a vibrationless sorting system. Spanish Journal of Agricultural Research, 19(1): 204.
18. Wang, M., Kumar, K., Feng, Y. T., Qu, T. and Wang, M. (2025). Machine learning aided modeling of granular materials: A review. Archives of Computational Methods in Engineering, 32(4): 1997-2034.
19. Zhang, J., Li, F., Zhang, X., Cheng, Y. and Hei, X. (2024). Multi-task mean teacher medical image segmentation based on swin transformer. Applied Sciences, 14(7): 2986.