TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI

Ebat: px

Şu sayfadan göstermeyi başlat:

Download "TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI"

Özgür Gürses
8 yıl önce
İzleme sayısı:

1 TUĞLA VE KİREMİT FABRİKALARININ HAVA KİRLİLİĞİNE KATKILARININ YAPAY SİNİR AĞI MODELLEMESİ İLE ARAŞTIRILMASI Merve ARABACI a, Miray BAYRAM a, Mehmet YÜCEER b, Erdal KARADURMUŞ a a Hitit Üniversitesi, Mühendislik Fakültesi, Kimya Mühendisliği Bölümü, Çorum,19000 b İnönü Üniversitesi, Mühendislik Fakültesi, Kimya Mühendisliği Bölümü, Malatya, * Merve Arabacı: Hitit Üniversitesi, Mühendislik Fakültesi, Kimya Mühendisliği Bölümü, Çorum,19000 mervearabaci@hotmail.com ÖZET Çorum ilinde bulunan 16 adet tuğla ve kiremit fabrikasının bacalarından alınan ölçüm verileriyle baca gazındaki SO 2, CO, CO 2, NO X, O 2, miktarını öngören Yapay Sinir Ağı (YSA) modelleri geliştirilmiştir. Bu YSA modelleriyle, tuğla ve kiremit fabrikalarına ait baca çapı, kesit alanı, yakıt kalorisi, yakıt miktarı, ısıl güç, fiili baca yüksekliği, yerden yükseklik, ortam sıcaklığı, gaz sıcaklığı, nem oranı, gaz hızı, gaz debisi, toz konsantrasyonu giriş parametreleri olarak verildiğinde fabrikanın baca gazındaki CO, CO 2, NO X, SO 2, O 2 miktarı hesaplanabilmektedir. Tüm parametreler göz önünde bulundurularak her fabrika için yıl içinde 3 ayrı zamanda deneysel çalışmalar yapılmış ve model için veriler toplanmıştır. Bu verilerin bir kısmı YSA modelinin eğitiminde, geri kalan kısmı ise modellerin test edilmesi için kullanılmıştır. SO 2 miktarını öngören YSA modeli eğitim ve test korelasyon katsayı değerleri sırasıyla ve olarak hesaplanmıştır. Anahtar Kelimeler: Hava Kirliliği, Yapay Sinir Ağı (YSA), Tuğla ve Kiremit Fabrikaları GİRİŞ Fabrikaların baca gazı emisyon değerleri izlenerek hava kirliliğinin kontrol altına alınması önemli ve güncel bir sorundur. Kirlilik parametrelerinin öngörülmesi, önceden önlem alınması muhtemel yatırımların çevreye etkilerinin saptanabilmesi için baca gazı emisyonlarının takibi ve tahmini bilgisayar ortamında modellenmelidir. Sistem içinde meydana gelen değişimler tahmini olarak matematiksel modellerle açıklanabilmektedir. Bu modellerin çoğu doğrusal olmayan ve çözümü zor olan denklem takımlarından oluşur. Bu tür problemlerde çözüme ulaşmak için Yapay Sinir Ağı (YSA) modellerinden yararlanılabilir. YSA tekniği karmaşık ve zor problemlerin çözümünde etkin bir yöntemdir. Çorum ili genelinde yaklaşık 36 adet tuğla ve kiremit fabrikası bulunmaktadır. Bunların hemen hemen hepsi il merkezine yaklaşık 15 km uzaklıktadır. Bu fabrikalardan her biri yaklaşık yıllık 4000 ton toz kömür kullanmakta ve yılda ortalama 190 gün çalıştırılmaktadır [1]. Şehir 3 yıldır doğalgaz kullanımına geçmesine rağmen fabrikalarda kullanılan kalitesiz kömürden dolayı hava kirliliği sorununu aşamamıştır. Özellikle tuğla ve kiremit fabrikalarının faaliyet sezonu bahar aylarında şehirde partiküler madde miktarı çalışma öncesine göre artış göstermektedir.kullanılan kömürün kalitesiz oluşu nedeniyle atmosfere yayılan baca gazları hava kirliliğine neden olmaktadır. Ayrıca toz kömürdeki kül miktarı %8 ile %18 arasındadır. Fabrikaların kullandıkları toz kömürdeki kül miktarı ise %13 ile %15 arasındadır. Külün kalorisi sıfırdır, bu yüzden enerji üretmek için daha fazla kömür tüketilir. Kömürde dikkat edilmesi gereken diğer bir unsur da yüksek kükürt miktarıdır. Kömürdeki kükürt yandığında kükürtoksitlere dönüşmektedir, bu durum kirliliği artırıcı sebeplerden biridir. Atmosfere bırakılan baca gazı çevreye zararlı CO, CO 2, NO x, SO x bileşenlerini içermektedir. Sözkonusu zararların bir model yardımıyla önceden tahmin edilmesi hava kirliliğini önleme çalışmalarına katkıda bulunacaktır.

Fakültesi, Kimya Mühendisliği Bölümü, Çorum,19000 mervearabaci@hotmail.

2 Analitik açıdan çözümü zor olan ve doğrusal olmayan problemlerde başarılı bir yöntem olarak kabul görmüş olan Yapay Sinir Ağları baca gazları emisyonu tahmininde kullanılabilir. Literatürde hava kirliliği tahmininde YSA modelleme tekniği kullanılmış ve başarılı sonuçlar elde edilmiştir [2-4]. Bu çalışmada, 16 adet fabrikanın bacalarından değişik periyotlarda yerinde deneysel çalışmalar yapılmıştır. Her fabrikanın yıl içindeki çalışma süresine bağlı olarak 3 ayrı zamanda deneysel çalışmalar gerçekleştirilmiştir. Bu veriler kullanılarak fabrikaların baca gazı emisyonlarını öngören YSA modelleri geliştirilmiştir. Modellerin test başarısı yüksek olup, fabrikalarda kullanılabilecek niteliktedir. DENEYSEL ÇALIŞMALAR Çalışma yapılan fabrikalarda yakıt olarak kullanılan toz kömür miktarı 4000 ton ve kalitesi de kcal/kg arasındadır. Atmosfere salınan baca gazlarının çevreye olan etkisini araştırmak üzere bölgeyi temsil eden 16 adet tuğla ve kiremit fabrikası tespit edilmiştir. Fabrikaların koordinatları, kurulu kapasiteleri, mevcut kapasiteleri, baca yüksekliği, yakıt kalitesi, yakıt miktarı, analizin yapıldığı tarih ve o tarihin hava koşulları, rüzgar yönü ve hızına bağlı olarak baca gazı emisyonları 8 ayda 3 değişik zamanda takip edilmiştir. Baca gazı emisyonları yerinde emisyon ölçüm cihazı ile analiz edilmiştir. Kullanılan cihaz MADUR marka GA 21 PLUS modelidir. GA 21 plus baca gazı analiz cihazı kendi kategorisinde yeni standartları bünyesinde taşıyan bir cihazdır [5]. Tuğla ve kiremit fabrikalarından dört tanesi için, örnek ölçüm tablosu Çizelge 1 de verilmiştir. Çizelge 1. Fabrikadan alınan örnek analiz sonuçları Parametreler 1. Fabrika 2. Fabrika 3. Fabrika 4. Fabrika Numune alma tarihi Ortam sıcaklığı 23 C 19 C 25 C 27 C % O % CO Gaz Sıcaklığı 78 C 75 C 72 C 100 C CO 197 ppm 384 ppm 411 ppm 484 ppm NO 32 ppm 0 ppm 0 ppm 5 ppm SO 2 45 ppm 25 ppm 73 ppm 77 ppm NO x 34 ppm 19 ppm 0 ppm 5 ppm YSA MODELİ Yapay Sinir Ağları son zamanlarda oldukça sık kullanılan bir yöntemdir. Zor problemlerin modellenmesinde yüksek başarı sağlama özelliği tercih sebebi olmuştur. Örnek bir YSA mimarisi Şekil 1. de verilmiştir. Şekilde gösterilen mimaride YSA, girdi katmanı, gizli (ara) katman ve çıktı katmanı olmak üzere 3 katmandan oluşmuştur. YSA yapısının çalışma prensibi aşağıdaki şekilde özetlenebilir. Girdi verileri giriş katmanındaki hücrelere beslenir. Giriş katmanındaki bu veriler bağlantı ağırlıkları ile çarpılarak gizli katman hücrelerine aktarılır. Gizli katmanda, her bir girdi hücresinden gelen ağırlıklı girdiler toplanır ve aktivasyon fonksiyonu yardımıyla hücrenin çıktı değeri bulunur (Eşitlik 1, 2).

Bu çalışmada, 16 adet fabrikanın bacalarından değişik periyotlarda yerinde deneysel çalışmalar yapılmıştır.

3 Şekil 1. YSA yapısı Aktivasyon fonksiyonu [0-1] aralığında çıktılar üreten sigmoid fonksiyondur (Eşitlik 3). Fabrikalardan ölçülen ve toplanan veriler YSA modelinin oluşturulmasında kullanılmıştır. Model girdi değişkenleri baca çapı kesit alanı yakıt kalorisi yakıt miktarı ısıl gücü fiili baca yüksekliği yerden yükseklik ortam sıcaklığı gaz sıcaklığı nem oranı gaz hızı gaz debisi toz konsantrasyonu iken, öngörü değişkeni SO 2 miktarıdır.

Model girdi değişkenleri baca çapı kesit alanı yakıt kalorisi yakıt miktarı ısıl gücü fiili baca yüksekliği

4 YSA için 3 katmanlı ileri beslemeli, geri yayılım algoritması seçilmiştir. Girdi katmanı, ara katman ve son katman için optimum nöron sayıları sırasıyla 5, 4 ve 1 olarak belirlenmiştir. Veri seti için eğitim yapılırken gizli katman sayısı, gizli katmandaki nöron sayısı, öğrenme derecesi ve iterasyon sayısı deneme yanılma yoluyla belirlenmiştir. Öğrenme algoritması olarak Levenberg-Marquardt yöntemi seçilmiştir. Temelde bu algoritma maksimum komşuluk fikri üzerine kurulmuş bir en küçük kareler tahmin metodudur. Bu yöntem, genellikle hızlı yakınsama özelliğine sahip olduğundan tercih edilir. Yapay sinir ağının eğitimi için performans ölçütü olarak hata kareleri ortalaması kullanılmıştır. Ağın eğitimi için tanjant sigmoid tipi aktivasyon fonksiyonu kullanılmıştır. Aktivasyon fonksiyonun özelliğinden dolayı veriler [0~1] arasında normalize edilerek ağa tanıtılmıştır. Dolayısıyla yapay sinir ağlarının üreteceği sonuç değerleri de [0~1] arasında elde edilmiştir. Orijinal verilere dönmek için normalizasyon işlemi tersine çevrilerek çıktı değerleri bulunmuştur. Model ve hesaplamalar MATLAB (Mathworks, 2003) ortamında gerçekleştirilmiştir. SONUÇLAR VE TARTIŞMA YSA modellemesi için ileri beslemeli geri yayılım algoritması kullanılmıştır. Model parametreleri deneme yanılma yöntemi ile belirlenmiştir. YSA modelleme çalışmalarında deneme-yanılma metodu yaygın kullanıma sahiptir [6]. Öğrenme algoritması olarak Levenberg- Marquardt yöntemi seçilmiştir. Aktivasyon fonksiyonu olarak tanjant sigmoid transfer fonksiyonu seçilmiştir. Farklı fabrikalardan alınan 49 veriden 30 tanesi YSA eğitiminde, geriye kalan 19 veri ise test işleminde kullanılmıştır. Eğitim ve test işlemi için kullanılan veriler, veri havuzundan gelişigüzel seçilmiştir. SO 2 konsantrasyonunu öngören modele ait eğitim ve test performans sonuçları sırasıyla Şekil 2 ve Şekil 3 te verilmiştir. Eğitim ve test için hesaplanan korelasyon katsayıları sırasıyla ve olarak bulunmuştur. Modelin test başarısı oldukça iyi olup, yüksek güvenilirlikte sonuç vermektedir. 8 7 Deneysel Model 6 SO2 Konsantrasyonu Ornek Sayisi Şekil 2. YSA modeli eğitim sonuçları

Öğrenme algoritması olarak Levenberg-Marquardt yöntemi seçilmiştir. Temelde bu algoritma maksimum komşuluk fikri üzerine kurulmuş bir en küçük kareler tahmin metodudur.

5 Burada geliştirilen YSA modelleri kullanılarak fabrikaya ait bir önceki bölümde belirtilen girdi değişkenleri seçilen modele girdi olarak verildiğinde, model o fabrikanın seçilen değişkene ait baca gazı emisyonunu hesaplayabilmektedir. Dolayısıyla çalışma bölgesine gitmeden yukarıda bahsedilen 13 değişken bilindiği takdirde o fabrikadaki baca gazı emisyonu YSA modelleri yardımıyla öngörülebilmektedir. 7 6 Deneysel Model SO2 Konsantrasyonu Örnek Sayisi Şekil 3. YSA modeli test sonuçları Kaynaklar [1] T.C. Sanayi ve Ticaret İl Müdürlüğü [2] Gardner M.W. and Dorling, S.R. Neural network modelling and prediction of hourly NO x and NO 2 concentrations in urban air in London, Atmos. Environ., 33 (5), , [3] Karaca, F., Nikov, A. and Alagha, O. NN-AirPol: a neural-network-based method for air pollution evaluation and control, Int. J. Environ. Pollut., 28 (3/4), , [4] Ibarra-Berastegi,G., Elias, A., Barona, A., Saenz, J., Ezcurra, A. Diaz de Argandoña, J. From diagnosis to prognosis for forecasting air pollution using neural networks: Air pollution monitoring in Bilbao, Environmental Modelling & Software, 23 (5), , [5] Çevre Sağlık Teknolojileri Cihazları Pazarlama İth. İhr. Ltd. Şti [6] Grossberg, S. Nonlinear Neural Networks: Principles, Mechanisms, and Architectures, Neural Networks, 1, (1988).

Dolayısıyla çalışma bölgesine gitmeden yukarıda bahsedilen 13 değişken bilindiği takdirde o fabrikadaki baca gazı emisyonu YSA modelleri yardımıyla öngörülebilmektedir.

Benzer belgeler

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ

ÇİMENTO BASMA DAYANIMI TAHMİNİ İÇİN YAPAY SİNİR AĞI MODELİ Ezgi Özkara a, Hatice Yanıkoğlu a, Mehmet Yüceer a, * a* İnönü Üniversitesi Mühendislik Fakültesi Kimya Mühendisliği Bölümü, Malatya, 44280 myuceer@inonu.edu.tr