Yazar "Korkmaz, Cem" seçeneğine göre listele

Listeleniyor 1 - 4 / 4
  • Küçük Resim Yok
    Öğe
    Çok katmanlı algılayıcı ağı, uzun kısa süreli bellek ağı ve regresyon yöntemleri ile tarımsal kurutma tahmini
    (2022) Kacar, İlyas; Korkmaz, Cem
    Tarımın önemli bir parçası olan gübrenin üretiminde kullanılan işlemlerden biri de kurutma işlemidir. Uygun kurutma parametrelerinin belirlenebilmesi, hem ürün kalitesi hem de üretim verimliliği açısından önemlidir. Kurutma işlem parametrelerinin belirlenmesinde regresyon yöntemleri sıklıkla kullanılmaktadır. Bu çalışmada regresyon yönteminin yanı sıra yapay sinir ağı, uzun kısa süreli bellek gibi makine öğrenme teknikleri de incelenmiştir. Modellemeler için %5 azot, %10 fosfor karışımından oluşan ticari bir organomineral gübrenin 70?C, 75?C ve 80?C sıcaklıklarda kurutulması işleminden elde edilen veriler kullanılmıştır. Modellerden elde edilen sonuçlar ile deneysel sonuçlar kıyaslanmıştır. Her bir modelin tahmin performansları sunulmuştur. Uygun kurutma parametrelerini yakalamak, ürünün kurutma verimi açısından önemlidir. İlave olarak, kurutma simülasyonlarında, başarılı sonuçlar elde edilmesinde, model seçimi önemli rol oynamaktadır. Netice olarak, yapay sinir ağı ile oluşturulan modelin tahmin performansının diğerlerine göre daha başarılı olduğu tespit edilmiştir. Regresyonlar, mevcut verinin modellenmesinde verimli iken, ileriye yönelik tahminlerde başarılı olamamaktadırlar. Ayrıca kurutma verisi içerisindeki tepe ve çukurları tahmin etmede de yetersiz kalmaktadır.
  • Küçük Resim Yok
    Öğe
    Explaining Data Preprocessing Methods for Modeling and Forecasting with the Example of Product Drying
    (Univ Namik Kemal, 2024) Korkmaz, Cem; Kacar, Ilyas
    Although regression is a traditional data processing method, machine and deep learning methods have been widely used in the literature in recent years for both modelling and prediction. However, in order to use these methods efficiently, it is important to perform a preliminary evaluation to understand the data type. Therefore, preevaluation procedures are described in this study. Experimental uncertainty analysis was performed to determine the measurement uncertainties in the measurement devices and sensors used in the drying experimental setup. Significant and insignificant relationships between variables in the data set were determined by Pearson correlation matrix. Autocorrelation and partial autocorrelation functions were used to determine the time series lag in the drying data and an AR(5) series with 5 lags was determined. The data were found to have variable variance due to peaks and troughs in the raw data resulting from the natural behaviour of the drying process. Modelling success was achieved with the normalisation pre -evaluation process performed without distorting the raw data. Thus, it has been shown that better models can be obtained compared to traditional models. In order to avoid unnecessary time and computational costs in the trial and error method used to determine the number of hidden layers and neurons in the machine learning method, various formulas proposed in the literature were compared. It is shown that the correlation coefficient alone is not sufficient to determine the goodness of the model. In modelling the data in this study, the NARX model was found to converge to the desired value faster and with less error than ANFIS and LSTM models. In the simulation of a rotary drum dryer, the optimum number of mesh elements was determined as 1137 by mesh independence analysis. In this way, unnecessary over -calculations were also prevented. Of course, all these methods are already available in statistical science. However, in this study, the methods to be used for modelling and prediction purposes are carefully selected and explained with examples, especially for young researchers who are outside this field to gain speed and easy comprehension.
  • Küçük Resim Yok
    Öğe
    N25P5K5 Türü Yeni Nesil Bir Bitki Besininin Kuruma Kinetiğinin Regresyon ve Makine Öğrenme Yöntemleri ile Belirlenmesi
    (2022) Kacar, İlyas; Korkmaz, Cem
    Gittikçe artan dünya nüfusunun gıda ihtiyacını karşılayabilmek için araştırmacılar tarımsal verimin artırılmasına yönelik yoğun bir şekilde çalışmaktadırlar. Bu çalışmaların önemli bir kısmını; zirai, katı atık vb. ürünlerin kuruma davranışının modellenmesi oluşturmaktadır. Verimli bir kurutma sayesinde kaliteli ürün ve enerji tasarrufu elde edilmektedir. Bu çalışmada yeni nesil bitki besinlerinden biri olan %25 azot, %5 fosfor ve %5 potasyum karışımının kuruma davranışı modellenmiştir. Kurumanın modellenebilmesi için sadece regresyon değil aynı zamanda makine öğrenme yöntemleri de kullanılmıştır. Makine öğrenme yöntemlerinden yapay sinir ağları ve uzun-kısa süreli bellek yöntemleri kullanılmıştır. Bu yöntemlerin hem kuruma verisini modellemede hem de ileriye yönelik verilerin tahminindeki performansları araştırılmıştır. Kurutma deneylerinden elde edilen nem verisi kullanılmıştır. Veriler eğitim, doğrulama ve test kümelerine ayrılmıştır. Performans değerlendirme kriterleri olarak hata fonksiyonları, korelasyon ve determinasyon katsayıları kullanılmıştır. Sonuç olarak yapay sinir ağı ve uzun-kısa süreli bellek metotlarının hem eğitim hem de test verileri üzerindeki tahmin performanslarının regresyon yöntemlerine göre oldukça iyi olduğu görülmüştür. Yapay sinir ağı tahmin performansının uzun-kısa süreli bellek yönteminden daha başarılı olduğu ve en iyi tahmin performansını verdiği tespit edilmiştir.
  • Küçük Resim Yok
    Öğe
    Time-series prediction of organomineral fertilizer moisture using machine learning
    (Elsevier, 2024) Korkmaz, Cem; Kacar, Ilyas
    This study aims to model and forecast the drying process of three new types of commercial organomineral fertilizers: gold sulfur, 25.5.5, and 5x10 at elevated temperatures. They absorb and release moisture, depending on the conditions. Accurate prediction of drying behaviour is essential. Drying was carried out at temperatures of 70, 75, and 80 degrees C through natural convection. The data are unimodal time series of the moisture rate (MR). MR ). Supervised machine/deep learning techniques such as nonlinear autoregressive (NAR) network, adaptive neural fuzzy inference systems (ANFIS), long short-term memory (LSTM) network, gated recurrent unit (GRU), and hybrid of convolutional neural network (CNN) and recurrent neural network (RNN) are used in addition to wellknown regression-based formulas. The models can predict 30 minutes ahead. An error analysis was performed for performance comparison using the metrics, root mean square error (RMSE), RMSE ), and coefficient of determinant, R 2 . Two types of validation were performed by monitoring error convergence and using prediction curves. The most effective forecasting was obtained at an air temperature of 80 degrees C for all materials with machine learning. While RMSE =0.0030 having R 2 = 0.98843 by the LSTM network for gold sulfur (80 degrees C), ANFIS was the best for 25.5.5 and 5x10 with RMSE =0.0056, R 2 = 0.75585 and RMSE =0.0060, R 2 = 0.81938, respectively, in the MR prediction. GRU was remarkable for both its speed of 13.77 sec and RMSE =0.009. CNN-RNN has a more complex structure but lower performance. The results demonstrate that machine learning techniques are better than regressions. Among them, ANFIS provides the most reliable results. Regressions, including exponential terms, were good at providing a general curve shape but not peaks and drops. In addition, regressions are not good at forecasting.