Tuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi

Transkript

1 Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), , (1), , 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem FIRAT Fırat Ünverstes, Teknk Eğtm Fakültes, Yapı Eğtm Bölümü, ELAZIĞ okelesoglu@frat.edu.tr (Gelş/Receved: ; Kabul/Accepted: ) Özet: Bu çalışmada, tuğla duvardak ve tessat borusundak ısı kaybı yapay snr ağları kullanılarak tespt edlmştr. Sayısal uygulamalarda tuğla duvarın ve borunun yalıtımlı ve yalıtımsız durumları göz önüne alınmıştır. Ağ yapısı olarak ger yayılımlı yapay snr ağı terch edlmş ve verler normalze edlerek ağa sunulmuştur. Ağdan elde edlen çıkışlar sayısal sonuçlarla karşılaştırılmış ve sonuçların yeterl hassasyette olduğu görülmüştür. Anahtar Kelmeler: Yapay snr ağı, Tuğla duvar, Tessat, Yalıtım, Isı kaybı Determnaton of Loss of Heat n Brck Wall and Installaton wth Artfcal Neural Network Abstract: In ths study, loss of heat n brck wall and nstallaton ppe have been determned by artfcal neural network. In numercal applcatons, both wth nsulaton and wthout nsulaton cases of the brck wall and nstallaton ppe have been consdered. A backpropagaton neural network for teachng has been preferred and the data have been presented to network by beng normalzed. The result obtaned from the output of network has been compared wth the numercal result and the sutablty of the results have been dscussed and t was seen that the results were satsfactory enough. Key Words: Artfcal neural network, Brck wall, Installaton, Insulaton, Loss of heat 1. Grş Enerj tasarrufu ve onun çok öneml br aracı olan yalıtım ; ale bütçes, ulusal kaynaklar ve çevre açısından günümüzde en öncelkl gündem maddes ve br uygarlık ölçütüdür. Yalıtımla sağlanacak olan enerj tasarrufunun toplumun belrl katmanları tarafından paylaşılması gderek önem kazanmaktadır. Blm dünyası 1940 lı yıllarda yapay snr ağları le tanıştı. Bu alanda yapılan lk çalışmalar beyn hücrelernn şlevlernn ve brbrler le haberleşme şekllernn ortaya çıkarılmasını amaçlamaktaydı. O zamandan ber yapay snr ağları gerek teork gerekse pratk anlamda dkkate değer mktarda yol katett. Bugün brçok hücrenn bell br düzende br araya getrlmes ve uygun öğrenme algortmalarının kullanılması le snr ağları kurulablmekte ve bu ağlar çok karmaşık görevler başarıyla yerne getreblmektedr [1]. Yapay snr ağları, yapay snr hücrelernn katmanlar şeklnde bağlanmasıyla oluşturulan ver tabanlı sstemler olup nsan beynnn öğrenme ve değşk koşullar altında çok hızlı karar vereblme gb yeteneklernn, bastleştrlmş modeller yardımıyla karmaşık problemlern çözülmesnde kullanılmasını amaçlamaktadır [2]. Yeh yaptığı çalışmasında su, çmento, su/çmento oranı, maksmum tane çapı, nce ve kalın agrega gb faktörler altında betonun dayanımını ncelemştr [3]. Yapay snr ağları dern betonarme krşlern kesme dayanımlarının belrlenmesnde başarıyla uygulanmış ve elde edlen sonuçlardan etkl, alternatf br metot olduğu görülmüştür [4]. Yapılan başka br çalışmada daresel beton kolonların gerlme ve dayanım analzlernde bu teknk kullanılarak sağlıklı sonuçlara ulaşılmıştır [5]. Beton dayanımının tahmnnde ve beton yapılardak klord üzerne bazı çalışmalar yapılmıştır [6,7]. Köprülern dnamk analznde bu teknk kullanılarak sağlıklı sonuçlara ulaşılmıştır [8]. Deprem vme kayıtlarının değerlendrlmes

2 Ö. Keleşoğlu ve A. Fırat ve sonuçlarının yorumlanmasında yapay snr ağları hayl başarılı olmuştur [9]. Ayrıca br tuğla duvardak yalıtım malzemesnn kalınlığı yapay snr ağları le başarılı br şeklde tespt edlmştr [10]. Bu çalışmada hem yalıtımlı hem de yalıtımsız tuğla duvardak ısı kaybı le tessatta kullanılan boruların yalıtımlı ve yalıtımsız ısı kayıplarının tespt YSA le analz edlmştr. Ağ sonuçları sayısal sonuçlarla karşılaştırılmış ve hassas sonuçlar elde edldğ görülmüştür. 2. Yapay Snr Ağları Yapay snr ağları (YSA) kavramı beynn çalışma lkelernn sayısal blgsayarlar üzernde taklt edlmes fkr le ortaya atılmış ve lk çalışmalar beyn oluşturan byolojk hücrelern, ya da lteratürdek smyle nöronların matematksel olarak modellenmes üzernde yoğunlaşmıştır [1]. YSA, byolojk snr ağlarından esnlenerek modellenen, fakat onlardan daha bast br yapıya sahptr. Bu sstemlern başlıca belrgn özellkler algortmasız, tamamıyla paralel, uyarlanablen, öğreneblen ve paralel dağıtılmış br hafızaya sahp olmalarıdır [11]. YSA nsan beynnn bazı organzasyon lkelerne benzeyen özellkler kullanmaktadırlar. YSA blg şleme sstemlernn yen nesln temsl eder. Genel olarak YSA; model seçm ve sınıflandırılması, şlev tahmn, en uygun değer bulma ve ver sınıflandırılması gb şlerde başarılıdırlar. Geleneksel blgsayarlar se özellkle model seçme şnde vermszdr ve sadece algortmaya dayalı hesaplama şlemler le kesn artmetk şlemlerde hızlıdırlar [12]. YSA, olayların örneklerne bakmakta, onlardan lgl olay hakkında genellemeler yapmakta, blgler toplamakta ve daha sonra hç görmedğ örnekler le karşılaşınca öğrendğ blgler kullanarak o örnekler hakkında karar vereblmektedr Ger yayılma algortması Ger yayılma algortması, bastlğ ve uygulamadak görüş açısı gb başarılarından dolayı ağ eğtm çn en popüler algortmalardan brdr [13]. Bu algortma; hataları gerye doğru çıkıştan grşe azaltmaya çalışmasından dolayı ger yayılım smn almıştır. Ger yayılmalı öğrenme kuralı ağ çıkışındak mevcut hata düzeyne göre her br tabakadak ağırlıkları yenden hesaplamak çn kullanılmaktadır. Br ger yayılımlı ağ modelnde grş, gzl ve çıkış olmak üzere 3 katman bulunmakla brlkte, problemn özellklerne göre gzl katman sayısını artırablmek mümkündür. Ger yayılım çok katmanlı ağlarda kullanılan delta kuralı çn genelleştrlmştr br algortmadır. Bu algortma çok katlı ağlarda hesap şlern öğrenmede kullanılablmektedr. Ger yayılım ağında hatalar, ler besleme aktarım şlevnn türev tarafından, ler besleme mekanzması çnde kullanılan aynı bağlantılar aracılığıyla, gerye doğru yayılmaktadır. Öğrenme şlem, bu ağda bast çft yönlü hafıza brleştrmeye dayanmaktadır [14]. Q katmanlı ler beslemel br ağ çn ger yayılım algortması; = 1, 2, 3,...Q katman numarası, p H : nc katmandak brmnn grds, y : nc katmandak brmnn çıktısı, w j : (-1) nc katmandak brmn, ncu katmandak j brmne bağlayan ağırlık olmak üzere; 1. Adım: w ye reel değerl küçük rastlantısal sayıları başlangıç değer olarak atanır. 2. Adım: Rasgele br (grş-hedef) çalışma model seçlr ve katmanındak her br j brm çn ler yönde çıktı değerler hesaplanır. Böylece çıkış, = 1 y f y w olur. j (1) 134

3 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes 3. Adım: Çıkış brmler çn hata termler hesaplanır. Q Q p ' Q ( ) ( ) δ = y y f H (2) 4. Adım: = Q, Q-1,...,2 katmanlarındak tüm brmler çn gerye yayılımla deltaları yan gzl katman brmler çn hata termler hesaplanır. δ 1 = f ' ( 1 H ) δ w j (3) 5. Adım: Bütün bu ağırlıklar ler kullanılarak güncellenr. w yen j w j = w esk j + w 1 j w j (4) = η δ y (5) 6. Adım: 2. adıma dönüp, toplam hata kabul edleblr br düzeye gelene kadar her br p model çn şlemler tekrarlanır. Ger yayılım algortmasının amacı uygunluk fonksyonunu mnmum yapmaktır. Uygunluk fonksyonu YSA nın ağırlık değerlerne bağlı olduğundan, algortma YSA ağırlıklarının en uygun bçmde değştrlmes şlemlernden oluşmaktadır [15]. 3. Isı Yalıtımı Isı yalıtımında amaç; kışın bna ısısının dışa kaçışını yavaşlatarak, ısıtma enerjs tüketmn azaltmak ve ç mekanın bütününde dengelenmş br sıcaklık ortamının devamını sağlamaktır. İçnde yaşadığımız konutlarda ısı yalıtım amaçlı konforu sağlamak ve optmum şartlarda sıcaklık dengesn kurmak, yapılarda kullanılan malzemenn seçm le drekt lgl br durumdur. Seçlen malzemenn hang türden br yapı malzemes olursa olsun, ısısal yalıtım etkler ve ısı geçrmllk karakterstğ analz edlerek, rdelenmeldr. Yapılarda ç hava sıcaklığının ve buna bağlı olarak yapı kestn oluşturan (duvarda, tavanda, tabanda) elemanların ç yüzey sıcaklıkların bell değerlerde olması gerekmektedr. Yapılan lteratür araştırmaları, ç ortam sıcaklığının ºC, yapı elemanı sıcaklığı se ºC olması arzu edlen konfor şartlarının sağlanableceğn göstermştr [16]. Yüksek sıcaklıkların söz konusu olduğu tessatta yalıtım daha büyük ısı kazancı ve parasal kazanç sağlamaktadır. Yalıtım kalınlığı arttıkça tasarruf artmakta, ancak yatırım malyet de yükselmektedr. Isı yalıtım malzemesnn cns ve kalınlığı belrlenrken, optmum yalıtım kalınlığı belrlenmeldr. Tessatta yalıtımın bna yalıtımlarından en öneml farkı, tessatta karşılaşılan sıcaklık sevyelernn, bnalardak sıcaklık sevyesnden çok daha yüksek olmasıdır. Bnalarda ç ortam sıcaklığı le dış ortam sıcaklığı arasındak fark ºC olmasına karşılık tessatta karşılaşılan sıcaklıklar bunun çok üzerndedr. Dolayısıyla tessatta yapılacak y br yalıtımla bnalardaklerden çok daha fazla enerj tasarrufu sağlanması söz konusudur [17]. 4. Uygulamalar 4.1. Yalıtımsız duvardak ısı kaybının tespt Bu uygulamada, Şekl 1 de gösterlen yalıtımsız br tuğla duvardak ısı kaybı YSA kullanarak tespt edlmştr. Uygulamada kullanılan delkl tuğla kalınlığı 19 cm, ç sıva kalınlığı 2 cm, dış sıva kalınlığı se 3 cm olarak verlmş olup ç ortam sıcaklığı 22 ºC, dış ortam sıcaklığı -10 ºC alınmıştır. İç ortam Dış Şekl 1. Yalıtımsız duvar İç sıva Delkl tuğla Dış sıva Problem çn ger yayılımlı yapay snr ağı terch edlmştr. Bu ağda 1 grş katmanı, 1 ara katman ve 1 çıkış katmanı kullanılmıştır. Grd katmanında beş şlem elamanı bulunmaktadır (Tablo 2). Ara 135

4 Ö. Keleşoğlu ve A. Fırat katmanda 10 adet yapay nöron kullanılmıştır. Ağın çıkışı se duvar ç yüzey sıcaklığıdır (Şekl 2). rastgele belrleyp her br örneğ sırasıyla ağa sunarak çalışmaktadır. Bu ağın terasyona bağlı hata değşm Şekl 3 de verlmştr. X 1 X 2 X 3 X 4 X 5 Y 1 Tablo 2. Yalıtımsız duvar çn hazırlanan eğtm set çn kullanılan değerler Grş ve çıkış parametreler Eğtmde kullanılan değerler X 1 İç sıva kalınlığı m X 2 Dış sıva kalınlığı m X 3 Tuğla kalınlığı 0.085/0.13/0.19 m X 4 İç ortam sıcaklığı ºC X 5 Dış ortam sıcaklığı (-2) (-12) ºC Y 1 Duvar ç yüzey sıcak ºC Şekl 2. Yalıtımsız tuğla duvar çn hazırlanan YSA mmars Ağın grd elemanlarına çeştl değerler verlerek oluşturulan eğtm setnde 27 adet örnek bulunmaktadır. Grş ve çıkış değerler normalze edlerek ağa sunulmuştur. Tablo 1 de görüleceğ üzere çeştl ağ yapıları ve öğrenme oranları denenerek en hassas sonuç elde edlmeye çalışılmıştır. Yapılan denemeler sonucunda 10 nörondan oluşan br ara katman uygun görülmüş, momentum katsayısı 0.98 ve öğrenme oranı 0.75 alındığında ağ daha uygun sonuçlar vermştr. Tablo 1. Ağ yapısı ve öğrenme oranının deneme yoluyla bulunması Ağ yapısı Öğrenme Hata Ağın eğtm tamamlandıktan sonra ağın performansını test etmek amacıyla eğtm setndek örneklerden tamamen farklı değerler kullanılarak ağ test edlmştr. Ağın test setnde kullanılan örnekler ve sonuçların karşılaştırılması Tablo 3 de verlmştr. Yapay snr ağını eğttkten ve test ettkten sonra; problem çn verlen değerler ağa sunulursa elde edlen duvar ç yüzey sıcaklığı ºC olarak bulunur. Bu problemn sayısal çözümü [17] sonucunda elde edlen duvar ç yüzey sıcaklığı ºC dr. Tablo 3. Yalıtımsız duvar çn hazırlanan test set Grş Çıkış Test Sayısal No X 1 X 2 X 3 X 4 X 5 YSA sonuç Aktvasyon fonksyonu olarak tangent sgmod fonksyonu, ağın eğtlmes çn öğrenme tp olarak danışmanlı öğrenme uygulanmıştır. Bu parametreler kullanılarak MATLAB ta hazırlanan programda YSA eğtlr. Matlab programı ağırlık değerlern Şekl 3: Yalıtımsız tuğla duvar çn hazırlanan snr ağının terasyona bağlı hata değşm grafğ 136

5 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes 4.2. Yalıtımlı duvardak ısı kaybının tespt Bu uygulamada da, Şekl 4 de yalıtımlı br tuğla duvardak ısı kaybı YSA kullanarak tespt edlmştr. Uygulamada kullanılan delkl tuğla kalınlığı 19 cm, ç sıva kalınlığı 2 cm, dış sıva kalınlığı se 3 cm olarak verlmş olup ç ortam sıcaklığı 22 ºC, dış ortam sıcaklığı -10 ºC alınmıştır. Yalıtım malzemes olarak 5 cm lk styropor malzemes kullanılmıştır. İç ortam Dış ortam Şekl 4. Yalıtımlı duvar Özel sıva Stropor İç sıva Delkl tuğla Dış sıva sonuç elde edlmeye çalışılmıştır. Yapılan denemeler sonucunda 8 nörondan oluşan br ara katman uygun görülmüş, momentum katsayısı 0.98 ve öğrenme oranı 0.80 alındığında ağ daha uygun sonuçlar vermştr. Tablo 4. Ağ yapısı ve öğrenme oranının deneme yoluyla bulunması Ağ yapısı Öğrenme Hata yüzdes Problem çn 1 grş, 1 ara ve 1 çıkış katmanı bulunan ger yayılımlı yapay snr ağı kullanılmıştır. Grd katmanında altı şlem elamanı bulunmaktadır. Ara katmanda 10 adet yapay nöron kullanılmıştır. Ağın çıkışı se yalıtımlı duvarın ç yüzey sıcaklığıdır (Şekl 5). Aktvasyon fonksyonu olarak tangent sgmod fonksyonu, ağın eğtlmes çn öğrenme tp olarak danışmanlı öğrenme uygulanmıştır. Bu parametreler kullanılarak MATLAB ta hazırlanan programda YSA eğtlr. Matlab programı ağırlık değerlern rastgele belrleyp her br örneğ sırasıyla ağa sunarak çalışmaktadır. Bu ağın terasyona bağlı hata değşm Şekl 6 da verlmştr X 1 X 2 X 3 X 4 X 5 X 6 Şekl 5. Yalıtımlı tuğla duvar çn hazırlanan YSA mmars Y 1 Tablo 5. Yalıtımlı duvar çn hazırlanan eğtm set çn kullanılan değerler Grş ve çıkış parametreler Eğtmde kullanılan değerler X 1 İç sıva kalınlığı m X 2 Dış sıva kalınlığı m X 3 Tuğla kalınlığı / 0.13 / 0.19 m X 4 Yalıtım malzeme kalınlığı m X 5 İç ortam sıcaklığı ºC X 6 Dış ortam sıcaklığı (-2) (-12) ºC Y 1 Duvar ç yüzey sıcaklığı ºC Ağın grd elemanlarına çeştl değerler verlerek oluşturulan eğtm setnde 27 adet örnek bulunmaktadır. Grş ve çıkış değerler normalze edlerek ağa sunulmuştur. Tablo 4 de görüleceğ üzere çeştl ağ yapıları ve öğrenme oranları denenerek en hassas Ağın eğtm tamamlandıktan sonra ağın performansını test etmek amacıyla eğtm setndek örneklerden tamamen farklı değerler kullanılarak ağ test edlmş ve bulunan sonuçlar Tablo 6 da karşılaştırılmıştır. 137

6 Ö. Keleşoğlu ve A. Fırat Tablo 6. Yalıtımlı duvar çn hazırlanan test set Grş Çıkış Test No Sayısal X 1 X 2 X 3 X 4 X 5 X 6 YSA sonuç Yapay snr ağını eğttkten ve test ettkten sonra; problem çn verlen değerler ağa sunulursa elde edlen ç yüzey sıcaklığı ºC olarak bulunur. Bu problemn sayısal çözümü [17] sonucunda elde edlen ç yüzey sıcaklığı ºC dr. Şekl 7 de gösterlen yalıtımsız borudak ısı kaybı; tahmn konusunda başarılı sonuçlar veren YSA kullanılarak tespt edlmştr. Yapılan uygulamada boru çapı 57 mm, boru ç sıcaklığı 120 ºC ve dış hava sıcaklığı da 20 ºC alınmıştır X 1 X 2 X 3 Şekl 8. Yalıtımsız boru çn oluşturulan ağ yapısı Y 1 Şekl 6. Yalıtımlı tuğla duvar çn hazırlanan snr ağının terasyona bağlı hata değşm grafğ 4.3. Yalıtımsız borudak ısı kaybının tespt Yalıtımsız çıplak borularda ısı kayıp hesapları oldukça karışık ve zordur. Dış yüzey sıcaklıklarının çeştl etkenlere bağlı olarak değşmes; havanın, rüzgar hızının sabt olmayışı, rüzgarın şddet, yakında bulunan chazların ışınlama yoluyla etkler matematksel yol le bulunan sonuçların objektf ölçümlemelere uymamasını yaratır [17]. r 1 r 2 Şekl 7. Yalıtım uygulanmamış tessat borusu Bu uygulamada kullanılan YSA da Şekl 8 de görüldüğü gb 3 grd, 1 çıktı ve 8 adet nörondan oluşan 1 gzl katman kullanılmıştır. Eğtm set çn gerekl data çıplak borularda ısı kaybını gösteren dyagram [17] kullanılarak hazırlanmıştır. Ağın grd elemanlarına çeştl değerler verlerek oluşturulan eğtm setnde 25 adet örnek bulunmaktadır. Ağın eğtm setnde kullanılan değerler Tablo 7 de verlmştr. Bu örnekler ağa sunulurken değerler normalze edlmştr. Tablo 7. Yalıtımsız boru çn oluşturulan eğtm setnde kullanılan değerler Grş ve çıkış parametreler Eğtmde kullanılan değerler X 1 Boru çapı mm X 2 Boru ç sıcaklığı ºC X 3 Dış hava sıcaklığı 2-28 ºC Y 1 Borudak ısı kaybı Kcal/mh Yapılan denemeler sonucunda br ara katman uygun görülmüş, momentum kat sayısı 0.98 ve öğrenme oranı 0.75 olarak seçldğnde ağ daha uygun sonuçlar vermştr (Tablo 8). Bu parametrelern kullanıldığı ağ Matlab ortamında gelştrlen programla eğtlmş ve test edlmştr. Matlab programı ağırlık değerlern rastgele belrleyp her br örneğ sırasıyla ağa sunarak çalışmaktadır. Bu 138

7 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes ağın terasyona bağlı hata değşm oranı Şekl 9 da verlmştr. Tablo 8. Ağ yapısı ve öğrenme oranının deneme yoluyla bulunması Ağ yapısı Öğrenme Hata Bu problemde 0.75 öğrenme oranı ve Tablo 7 de verlen eğtm setnn uygulanması sonucu borudak ısı kaybı 234 kcal/mt.h bulunmuştur. Bu problemn çözümü [17] netcesnde 230 kcal/mt.h olarak bulunan sonuç göz önüne alındığında yapay snr ağından yeterl hassasyette br sonuç elde edldğ görülür. Tranng-Blue Goal-Black 10 5 Performance s e-023, Goal s 1e Epochs Şekl 9. Yalıtımsız boru çn hazırlanan snr ağının terasyona bağlı hata değşm grafğ 4.3. Yalıtımlı borudak ısı kaybının tespt Bu uygulamada da 318 mm lk boru çapı, 300 ºC lk boru ç sıcaklığı ve 20 ºC lk dış hava sıcaklığındak br boru 160 mm kalınlığında br yalıtım malzemes le yalıtılmıştır (Şekl 10). Ger yayılımlı br yapay snr ağı kullanılarak boruda oluşan ısı kaybı tespt edlmştr. r 3 r 2 Şekl 10. Yalıtım malzemes le sarılmış tessat borusu X 1 X 2 X 3 X 4 Şekl 11. Yalıtımlı boru çn oluşturulan ağ yapısı Bu uygulamada kullanılan YSA da Şekl 11 de görüldüğü gb 4 grd, 1 çıktı ve 8 adet nörondan oluşan 1 gzl katman kullanılmıştır. Ağın grd elemanlarına çeştl değerler verlerek oluşturulan eğtm setnde 25 adet örnek bulunmaktadır. Ağın eğtm setnde kullanılan değerler Tablo 9 da verlmştr. Bu örnekler ağa sunulurken değerler normalze edlmştr. Tablo 9. Yalıtımlı boru çn oluşturulan eğtm setnde kullanılan değerler Grş ve çıkış parametreler Eğtmde kullanılan değerler X 1 Boru çapı mm X 2 Boru ç sıcaklığı ºC X 3 Dış hava sıcaklığı 2-28 ºC X 4 Yalıtım kalınlığı mm Y 1 Borudak ısı kaybı W/m Yapılan denemeler sonucunda br ara katman uygun görülmüş, momentum kat sayısı 0.98 ve öğrenme oranı 0.8 olarak seçldğnde ağ daha uygun sonuçlar vermştr (Tablo 10). Bu parametrelern kullanıldığı ağ Matlab ortamında gelştrlen programla eğtlmş ve test edlmştr. r 1 Y 1 139

8 Ö. Keleşoğlu ve A. Fırat Tablo 10. Ağ yapısı ve öğrenme oranının deneme yoluyla bulunması Ağ yapısı Öğrenme Hata yüzdes Matlab programı ağırlık değerlern rastgele belrleyp her br örneğ sırasıyla ağa sunarak çalışmaktadır. Ağın test dataları ve test sonuçlarının karşılaştırılması Tablo 11 de verlmştr. Bu ağın terasyona bağlı hata değşm oranı Şekl 12 de verlmş ve hata değşm oranı çn ortalama kareler hatası (MSE) fonksyonu kullanılmıştır. Tablo 11. Yalıtımlı boru çn oluşturulan test set Grş Çıkış Test Sayısal No X 1 X 2 X 3 X 4 YSA sonuç Bu problemde 0.8 öğrenme oranı ve Tablo 9 da verlen eğtm setnn uygulanması sonucu yalıtımlı borunun ısı kaybı W/m olarak bulunmuştur. Bu problemn çözümü [17] netcesnde bulunan 177 W/m dkkate alınırsa sonuca yeterl hassasyette yaklaşıldığı görülmüştür Performance s e-029, Goal s 1e Sonuçlar Bu çalışmanın lk uygulamasında, yalıtımlı ve yalıtımsız tuğla duvardak ısı kaybının elde edlmes çn üç tabakalı, ger beslemel br YSA model kullanılmıştır. Tuğla duvar, ç sıva, dış sıva, yalıtım malzemes kalınlık değerler le ç ve dış ortam sıcaklık değerler grd olarak verlmş; duvar ç yüzey sıcaklık değer çıkış değer olarak kullanılmıştır. İknc uygulama da se yalıtımlı ve yalıtımsız borudak sıcaklık ve boru çapına bağlı olarak oluşan ısı kaybı tespt edlmştr. Borulardak ısı kayıpların hesapları oldukça karışık ve zordur. Dış yüzey sıcaklıklarının çeştl etkenlere bağlı olarak değşmes, havanın ve rüzgar hızının sabt olmayışı, rüzgarın şddet, yakında bulunan chazların ışınlama yoluyla etkler matematksel yol le bulunan sonuçların objektf ölçümlemelere uymamasını yaratır. Bu nedenle yapay snr ağları kullanılarak yaklaşık değerler elde etmek mümkündür. YSA sonuçları le sayısal sonuçlar karşılaştırılmış ve gayet hassas sonuçlar elde edlmştr. Yalıtımla tasarruf edlen enerj en temz enerjdr. Günümüzde hçbr brey ya da topluluk parasını ödemeye hazır olsa ble enerj srafında özgür değldr. Ülkemzn ekonomk konumu dkkate alındığında enerj thal çn harcanan dövzden sağlanacak tasarrufun önem ortadadır. Yalıtımlı ve yalıtımsız duvardak ısı kayıpları le daha yüksek sıcaklık farklarının olduğu tessattak ısı kayıpları göz önüne alındığında yalıtımın ne kadar öneml olduğu görülmektedr. Tranng-Blue Goal-Black Epochs Şekl 12. Yalıtımlı boru çn hazırlanan snr ağının terasyona bağlı hata değşm grafğ 6. Kaynaklar 1 Efe, Ö., Kaynak, O. (2000). Yapay Snr Ağları ve Uygulamaları, Boğazç Ünverstes. 2 Koç, L., Balas, C. E., Arslan, A. (2004). Taş Dolgu Dalgakıranların Yapay Snr Ağları le Ön Tasarımı, İMO Teknk Derg, Yeh, I.C. (1998). Modelng Concrete Strength wth Augment-Neuron Networks. Journal of Materals n Cvl Engneerng, 10(4), Sanad, A., Saka, M. P. (2001). Shear Strength of Renforced-Concrete Deep Beams usng 140

9 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Neural Networks. Journal of Structural Engneerng, 127 (7), Oreta, A. W. C. (2003). Kawashma, K., Neural Network Modelng of Confned Compressve Strength and Stran of Crcular Concrete Columns, Journal of Structural Engneerng, 129, (4), Km, J. I., Km, D. K., Feng, M. Q., Yazdan, F. (2004). Applcaton of Neural Networks for Estmaton of Concrete Strength. Journal of Materals n Cvl Engneerng, 16(3), Peng, J., L, Z., Ma, B. (2002). Neural Network Analyss of Chlorde Dffuson n Concrete, Journal of Materals n Cvl Engneerng, 14(4), Ghabouss J., Ln C.C. (1998). New Method of Generatng Spectrum Compatble Accelerograms Usng Neural Network, Earthuake Engneerng and Structural Dnamcs, Vanluchene R.D., Roufe S. (1990). Neural Network n Structural Engneerng, Mcro Comp. n Cvl Engneerng, Keleşoğlu, Ö., Eknc C.E. ve Fırat, A. (2005). Yalıtım hesaplarında yapay snr ağlarının kullanımı. Sgma Dergs, 3, Özbay, Y. (1999). EKG Artmlern Hızlı Tanıma, Doktora Tez. 12 Cvalek, Ö. (1998). Plak ve Kabukların Nöro- Fuzzy Teknğ le Lneer ve Non-Lneer Statk-Dnamk Analz, Yüksek Lsans Tez, Fırat Ünverstes, Elazığ. 13 Aktaş, M., Okumuş, H. İ. (2003). Doğrudan Moment Kontrollü Asenkron Motorun Stator Drencnn Yapay Snr Ağı le Kestrm, Internatonal XII. Turksh Symposum on Artfcal Intellgence and Neural Networks. 14 Elmas Ç. (2003). Yapay Snr Ağları, Seçkn Yayıncılık, Ankara. 15 Ln C., Lee G. (1996). Neural Fuzzy Systems, Prentce Hall, , 242, Eknc, C. E. (2003). Yalıtım Teknkler, 1 Clt, 1. Baskı, İstanbul, Atlas Yayın Dağıtım, Ankara, Karakoç, T. H. (1999). Bnyıldız, E., Turan, O., Bnalarda ve Tessatta Isı Yalıtımı, ODE Teknk Yayınları G