5. Uluslararası İleri Teknolojiler Sempozyumu (IATS 9), 3-5 Mayıs 29, Karabük, Türkiye MANYETİK FİLTRE VE DÜZENLERİNİN YAPAY SİNİR AĞLARI İLE KONTROLÜ THE MAGNETIC FILTER AND SYSTEMS CONTROLED BY ARTIFICIAL NEURAL NETWORK İsmail SARITAŞ a, *, İlker Ali ÖZKAN a, Saadetdin HERDEM b,a, * Selçuk Üniversitesi Teknik Eğitim Fakültesi, Konya, Türkiye, E-posta: isaritas@selcuk.edu.tr, ilkerozkan@selcuk.edu.tr b Selçuk Üniversitesi Mühendislik Mimarlık Fakültesi, Konya, Türkiye, E-posta: sherdem@selcuk.edu.tr Özet Endüstriyel alandaki sıvıların içersinde bulunan mikron boyutundaki manyetik parçacıkların temizlenmesi için bir manyetik filtre (MF) tasarlanmıştır. Tasarlanan MF için 4 mm çapında manyetik özellikli küreciklerle iki filtre matrisi oluşturulmuştur. Endüstriyel sıvının temizlenmesi işleminin maksimum performans ile ve süreklilik arzedecek şekilde çalışması için YSA kullanılarak bir kontrol sistemi gerçekleştirilmiştir. Bu sistem ile filtre matrislerinden birinde tutulan ferromanyetik parçacıklar gözenekleri doldurduğunda diğer filtre matrisinin devreye girmesini sağlanmaktadır. Bu kontrol için Filtre içersinden geçen endüstriyel sıvının akış hızına bağlı olarak filtre matrislerinin giriş ve çıkışlarındaki parçacık konsantrasyonları YSA ile değerlendirilmektedir. Sonuç olarak bu değerler ile maksimum performans ile filtrenin çalışma kontrolü gerçekleştirilmiştir. Bu çalışma enerji tasarrufu, dolayısıyla ekonomik kazanç ve yüksek performans sağlamaktadır. nedeniyle bu karışımların temizlenmesi için elektromanyetik yöntemlerin kullanılması daha avantajlıdır. Bu amaçla son yıllarda MF ler çok kullanılmaktadır [3 7]. MF'nin klasik filtrelerden prensip olarak farkı süzgeç elemanlarının (filtre matrisinin) ferromanyetik özellikli malzemelerden (küreler, çubuklar, plakalar, yün şekilli çelik ipler, metal talaşları vb.) oluşturulmuş olmasıdır. Dış manyetik sistem elektromıknatıs (solenoid, toroid, çekirdekli bobin vs.) ve mıknatıslardan oluşturulabilir. Gövde veya karkas manyetik olmayan paslanmaz malzemeden yapılmaktadır [6]. MF'lerin prensip şeması Şekil 'de görüldüğü gibidir [8 ]. Anahtar kelimeler: Manyetik Filtre, yapay sinir ağı, manyetik filtre kontrolü Abstract A magnetic filter (MF) is designed to clean up industrial liquids from the micron size magnetic pieces which may present in these liquids. Two filter matrices are formed by using 4mm radius magnetic sphere in the designed filters. A control system by using ANN is realized to fulfill continuous operation and maximum performance requirements. With the system the second filter matrix is connected to the system when the first one is clogged the pores up by the ferromagnetic particles. For the sake of control, particle concentrations in input and output from the filter matrices depending on the velocity of the liquid are evaluated by using ANN. By using these values, filters running control is realized with maximum performance. With these works, energy saving consequently economic gains and high performance is achieved. Keywords: Artificial neural network, Magnetic Filter, Magnetic Filter Control. Giriş Endüstriyel sıvı ve gazların temizlenmesi için kullanılan etkin metotlardan biri de manyetik filtrasyondur [ ]. Endüstriyel sıvıların içerdikleri demir bileşenli karışımların tanecik şeklinde olmaları ve temel olarak paramanyetik ve ferromanyetik (genel olarak manyetik) özellikli olmaları -Manyetik alan oluşturan manyetik sistem, 2-Manyetik olmayan gövde, 3-Filtre matrisi, 4-Giriş borusu, 5-Çıkış borusu Şekil. Manyetik filtrenin temel yapısı. Endüstriyel sıvılar filtre matrisinin gözeneklerinden geçerken içerdikleri manyetik özellikli parçacıklar, bu gözenekli bölgelerde kuvvetli manyetik alanın etkisiyle tutulur ve toplanırlar. Mekanik ve hidrodinamik kuvvetlerin etkisiyle karakterize edilen klasik filtrelerden farklı olarak, manyetik parçacıklar MF de daha büyük bir kuvvetin etkisinde kalırlar. Bu nedenle MF lerde temizlenen sıvının filtrelenme hızı, klasik (mekanik) filtrelerdekinden 3 kat daha fazladır. Dolayısıyla MF de temizlenen sıvının debisi veya filtrelerime etkinliği çok daha yüksektir [6]. Endüstriyel sıvıların MF de temizlenmesi hiçbir kimyasal ve biyolojik reajentler içermeyen fiziksel bir yöntem olarak oldukça avantajlıdır [ 3]. Manyetik alandan geçen sıvıların fiziksel ve kimyasal özellikleri değişmemektedir. Bu nedenlerle pek çok avantaja sahip olan MF ler enerji üretimi, kimya, gemi inşası, petrol çıkarma tesisleri, ağaç sanayi, cam sanayi, porselen sanayi, kağıt sanayi vb. gibi pek çok alanda kullanılmaktadır. Bu çalışmada, manyetik filtre performansının yüksek olarak tutulmasını sağlamak ve performansı düşen filtrenin kendi kendini temizlenmesi amacıyla bir kontrol sistemi IATS 9, Karabük Üniversitesi, Karabük, Türkiye
tasarlanmıştır. Bunun için gerçekleştirilen MF nin endüstriyel sıvı giriş ve çıkışları selonoit valflerle kontrol edilmiştir. Filtrelerin temizlenmesi işleminde yapay sinir ağı kullanılarak uygun filtre matrisinin çalışması sağlanmıştır. 2. Yapay Sinir Ağları (YSA) Yapay sinir ağları, insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri herhangi bir yardım almadan otomatik olarak gerçekleştirmek amacı ile geliştirilen bilgisayar sistemleridir. Genel olarak bir giriş katmanı, bir ya da birkaç gizli katman ve bir çıkış katmanı olmak üzere üç katmandan oluşur. Her bir katman, nöron ya da düğüm diye adlandırılan birbirine bağlı belli sayıda elemanlara sahiptir (Şekil 2). Nöronların her biri bağlantı ağırlıkları ile eşlik eden iletişim linkleri aracılığıyla diğerine bağlıdır. Sinyaller bağlantı ağırlıkları üzerinden nöronlar boyunca geçerler. Her bir nöron diğer nöronlardan bağlantı ağırlıkları oranında çoklu girişler alır ve diğer nöronlar tarafından da üretilebilen bir çıkış sinyali üretir [4 8]. Test edilen hata, arzu edilen tolerans değerine ulaştığında ağ eğitme işlemi durdurulur [2,4]. Sıvının akış hızı Giriş parçacık konsantrasyonu ortalaması () değerleri azalmayı durdurulduğu ve aşırı eğitimin bir işareti olan artış başlatıldığı zaman eğitim durdurulur. [7, 9]. = n n i= ( d i O i ) 2 Burada d i hedeflenen veya gerçek değer, O i ağ çıkış veya tahmin edilen değer, n çıkış verileri sayısı [6]. 3. Materyal ve Metot Bu çalışmada; endüstriyel sıvıların temizlenmesi için bir deney düzeneği tasarlanmış ve gerçekleştirilmiştir [8]. Bu deney düzeneği kullanılarak elde edilen verileri kullanmak, YSA geliştirmek ve analizlerini yapmak için MATLAB yazılımı ve Neural Network Toolbox ı kullanılmıştır. 3.. Deneysel çalışma Selçuk Üniversitesi Mühendislik Mimarlık Fakültesi Manyetik Filtrasyon laboratuarında gerçekleştirilen deney düzeneği kullanılarak deneyler yapılmıştır (Şekil 3)[8]. () i Giriş katmanı (W ) ij Depo j... (W 2 ) jk Gizli katman Parçacık Sensörleri Selenoid Valves Manyetik Filtreler k Çıkış katmanı Akışmetre Manyetik akı yoğunluğu Şekil 2. YSA yapısı. Geriye yayılma (BP) algoritması en popular ve geniş alanda kullanılan algoritmadır. BP, ileri besleme ve geri yayılma işlemleri olmak üzere iki fazdan oluşur. İleri besleme esnasında, giriş katmanından çıkış katmanına kadar işleme tabi tutulan bilgiler üretilir. Geriye yayılma durumunda ise ileri besleme işleminden elde edilen ağ çıkış değeri ve istenen çıkış değeri arasındaki fark arzu edilen fark toleransı ile karşılaştırılır ve çıkış katmanındaki hata hesaplanır. Bu elde edilen hata giriş katmanındaki bağlantıları güncellemek için geriye doğru yayılır [7, 9]. BP eğitim algoritması bir rampa iniş algoritmasıdır. BP algoritması, rampası boyunca ağırlıkları değiştirmek suretiyle toplam hatayı küçülterek ağın performansını iyileştirmek için çalışır. Test edilen karesel hatalar Depo 3 Şekil 3. Deney düzeneği Depo 4 Deney düzeneği için tasarlanan kontrol sistemi Şekil 4 te verilmiştir. Bu sistemde; S ile endüstriyel sıvının filtre içerisindeki akış hızı ölçülmektedir. S 2 ve S 3 sensörleriyle endüstriyel sıvı içersindeki manyetik parçacık miktarı belirlenmektedir. Endüstriyel sıvı temizlenirken V -V 2 açık, V 3 -V 4 kapalı konumdadır. Filtre temizleme işleminde ise selenoid valflar tam ters konumdadır. Endüstriyel sıvı; girişten itibaren S - V -S 2 -MF-S 3 -V 2 yolunu izlemekte ve içerisindeki manyetik parçacıklar MF de tutularak temizlenen sıvı çıkışına aktarılmaktadır. S -S 3 sensörlerinden gelen bilgiye göre bobin akımı ve V -V 2 veya V 3 -V 4 selenoid valfleri kontrol edilmektedir.
5. Uluslararası İleri Teknolojiler Sempozyumu (IATS 9), 3-5 Mayıs 29, Karabük, Türkiye Depo M Güç kaynağı Sürücü devre S -Akışmetre Kontrol birimi Solenoid valflere Röle kartı (A-A) Selenoit valfler (SW - SW 8 ) Kontaktörler (B -B 2 ) İnverter Bobinler (Bobin- Bobin2) S 2 -Parçacık sensorü S 4 -Akımetre MF Parçacık Konsantrasyonu Sensörleri V V 7 K K 2 V 2 V 3 V 4 S 4 -Akımetre MF 2 V 5 V 6 V 8 S 3 -Parçacık sensorü PCI 636E DAQ Kartı BNC 2 Konnektör Akış metre Akı metreler PWM mosfet sürücü Su Şebekesi Depo 3 Depo 2 Şekil 4. Tasarlanan MF kontrol sistemi ve diyagramı YSA kontrol ile filtrenin rejenerasyon işleminin ne zaman yapılması gerektiği belirlenerek bu işlemin gerçekleştirilmesi sağlanmıştır. Sıvının akış hızı ve filtre matrisinin girişindeki parçacık konsantrasyonu girişlerine karşılık manyetik akı yoğunluğu verileri alınmıştır. Değişkenlerin en düşük ve en yüksek değerleri Çizelge de verilmiştir. Çizelge Giriş ve çıkış değişkenleri Değişken Min. Maks. Giriş hızı (l/h) 4 Parçacık konsantrasyonu (mg/l) 5 Manyetik akı yoğunluğu (mt) 68 3.2. Geliştirilen yapay sinir ağı Veriler, eğitim ve test veri seti olarak ikiye bölünmüştür. Alınan toplam 25 adet veriden rasgele seçilmiş 367 adedi YSA nın eğitimi için ve geriye kalan 684 veri de eğitilmiş YSA nın testi için kullanılmıştır. Şekil 2 de gösterilen bir giriş katmanı (sıvının akış hızı, parçacık konsantrasyonu), bir gizli katman ve bir çıkış katmanından (manyetik akı yoğunluğu) oluşan ileri beslemeli ağ yapısı tasarlanmıştır [8]. YSA yapısı geliştirildikten sonra deneysel çalışmada elde edilen veriler eğitim karakteristiğini iyileştirmek için Denklem 2 kullanılarak - değerleri arasında normalize edilmiştir [8]. x norm x x = x x max min min Eğitim işleminde geri yayılım (Back Propagation) algoritması kullanılarak, gizli ve çıkış katmanlarındaki nöronlarda farklı transfer fonksiyonları (Purelin, Tansig, Logsig vb.) denenmiştir. Transfer fonksiyonu olarak denemeler sonucunda en uygun sonucu veren Logaritmik- Sigmoid (Logsig) fonksiyonu seçilmiştir. Logaritmik sigmoid transfer fonksiyonunun matematiksel eşitliği Denklem 3 deki gibidir. Burada eğitim sabiti β= olarak kullanılmıştır [2,2]. f x) + e ( (3) = β Oluşturulan YSA nın ağırlıklarını ve bias değerlerini belirlemek için eğitim veri seti kullanılmıştır. Tasarlanan ağda en düşük hata değerinin elde edilmesi için gizli katmandaki nöron sayısı ve iterasyon sayısı değiştirilerek eğitim tekrarlatılmıştır. En iyi mean squared error (- Denklem 4) performansına sahip YSA yapısını tespit edebilmek için öncelikle gizli katmandaki nöron sayısı 2- (2) IATS 9, Karabük Üniversitesi, Karabük, Türkiye
arasında değiştirilerek her bir ağ yapısı eğitilmiştir. Eğitilen ağların ve test regresyonu değerleri Şekil 5 te verilmiştir. = d O ) n 2 ( i i (4) n i = Burada d i hedeflenen veya gerçek değer, O i ağ çıkış veya tahmin edilen değer, n çıkış verileri sayısıdır. Korelasyon,95,9,85,8,75,7,65,6 2 8 26 34 42 5 58 66 74 82 9 98 Nöron Sayısı Korelasyon (Eğitim) Korelasyon (Test) Şekil 5. Nöron sayısına göre ve korelasyon değişimi Şekil 5 te görüldüğü gibi en düşük hata değerinin () ve en iyi performansın elde edildiği değer nöron sayısının 42 olduğu ağ yapısıdır.eğitim ve test regresyon değerinin en yüksek olduğu değer yine aynı nöron sayınsına sahip YSA yapısıdır. Böylece en uygun ağ yapısının 42 nörona sahip gizli katmanlı ağ yapısı olduğu tespit edilmiş ve seçilmiştir. En düşük hata değerinin () elde edildiği epok sayısının tespit edilmesi için elde edilen 42 nöronlu gizli katmana sahip ağ yapısı -6 epok a kadar er artırılarak denenmiştir (Şekil 6) Korelasyon,964,962,96,958,956,954,952,95,948 Korelasyon (Eğitim) Korelasyon (Test),946 8 5 22 29 36 43 5 57 Epok Sayısı,6,5,4,3,2,,7,6,5,4,3,2, Şekil 6. Epok sayısına göre ve korelasyon değişimi Şekil 6 daki grafikte görüldüğü gibi hata değeri epok sayısı arttıkça düşmektedir. Ancak 5 epoktan sonra hata düşüşü sabit kalmaktadır. Eğitim ve test regresyon değerlerinin 5 epokta en büyük değere ulaştığı ve bu değerden sonra sabit kaldığı görülmektedir. Bu işlemlerden sonra en iyi performansı veren ağ yapısı Çizelge 2 deki gibi oluşturulmuştur. Gizli katmandaki nöron 42 Çıkış katmanındaki nöron Öğrenme oranı (α),3 Eğitim hızı katsayısı (β),3 Öğrenme algoritması Gradient descent Transfer fonksiyonu Logaritmik sigmoid Tablo 2 de verilen parametrelere göre yapısı oluşturulan YSA 5 epok ile eğitilmiş ve ağ yapısının en uygun ağırlık değerleri elde edilmiştir. Eğitilen YSA test veri setine uygulanmıştır. Uygulama sonucunda eğitime hiç dahil edilmemiş olan test verilerinin YSA ile elde edilen sonuçları deneysel olarak elde edilen sonuçlar ile aralarında regresyon değeri R=,96 elde edilmiştir. En uygun yapı ile eğitilen ve test edilerek kontrolü yapılan YSA, MF kontrol birimine uygulanmıştır. Böylece giriş verilerine bağlı olarak filtrenin manyetik akı yoğunluğu kontrol edilmiştir. Manyetik akı yoğunluğunun kontrol edilmesi ile endüstriyel sıvının akış hızına ve filtrenin girişindeki parçacık konsantrasyonuna bağlı olarak filtre matrisi gözeneklerinde parçacıkların tutulması sağlanmaktadır. Denklem 5 ten MF performansını etkileyecek olan filtre çıkışındaki parçacık konsantrasyonu(pçk) kontrol altına alınmış olmaktadır. Diğer bir ifadeyle sıvının akış hızına ve filtrenin girişindeki parçacık konsantrasyonu (PGK) değişimine bağlı olarak MF bobin akımı kontrol edilerek manyetik akının kontrol edilmesi sağlanmaktadır. Böylece filtre matrisi gözeneklerinden kopmaların ve yetersiz manyetik çekme kuvvetinin olmasına bağlı kaçakların önüne geçilmiş olmaktadır. MF Performansı = PÇK (5) PGK Ayrıca MF çıkışında parçacık konsantrasyonunun oluşması filtrenin artık parçacık tutamadığı yada performansının düştüğü anlamına geldiğinden paralel çalışan iki filtreden birisi dolduğunda diğerini devreye alan yedekli (redundant) bir sistem olarak çalışmasını sağlayan diğer filtrenin devreye girmesi sağlanmaktadır. Diğer filtre devreye girdiğinde ise basıçlı şebeke suyu ile diğer taraftan dolan filtrenin tuttuğu parçacıklar da temizlenmektedir. 4. Sonuç ve Tartışmalar Geliştirilen YSA modeli ile deney sonuçları arasındaki karşılaştırma Şekil 7- de gösterilmektedir. Grafiklerden de görüldüğü gibi YSA nın tahmin değerinin doğruluğu deney sonuçlarına çok yakındır. Deneysel olarak alınan tüm çıkış verileri ile YSA da elde edilen tüm çıkış verileri arasındaki korelasyon değeri,96433 olarak elde edilmiştir. Çizelge 2 Ağ Parametreleri Parametreler Özellikler Giriş katmanındaki nöron 42 Gizli katman sayısı
Parçacık Miktarı (mg/l) 2,94,7 3, 2,92 2,8 2,86,8,5,3 2,5,94 2,86 2,47 2,83 25 25 Sıvının Akış Hızı (l/h) 27 52 58 9 79 26 29 38 378 68 2 5 27 246 25 25 2 2 2 2 5 5 5 5 5 5 5 5 32 2 33 47 56 67 8 93 25 29 236 257 38 382 Sıvının akış hızı (l/h),89,3,8,3,88 2,42 2,46 2,53 2,8 2,84 2,86 2,88 2,9 3,4 Parçacık Miktarı (mg/l) Şekil 7. Sıvının akış hızına bağlı olarak parçacık miktarına göre Deney-YSA eğitim verileri Şekil. Parçacık miktarına bağlı olarak sıvının akış hızına göre Deney-YSA test verileri Sıvının Akış Hızı (l/h) 224 222 99 42 37 367 232 48 7 34 27 3 53 236 25 2 25 2 Manyetik akı yoğunluğu için deneysel ve YSA ile elde edilen değerler arasında yapılan regresyon analiz grafikleri Şekil -3 de gösterildiği gibi elde edilmiştir. 5 5 5 5,88,4,8,3,89 2,42 2,46 2,52 2,82 2,84 2,86 2,88 2,9 3,3 Parçacık Miktarı (mg/l)) Şekil 8. Parçacık miktarına bağlı olarak sıvının akış hızına göre Deney-YSA eğitim verileri Parçacık Miktarı (mg/l) 25,6,76 2,8 2,87 2,89,95 2,82, 2,8,97 3,5 3,9 2,8 2,82 25 2 5 5 5 2 36 46 56 69 79 94 27 22 238 26 324 38 Sıvının akış hızı (l/h) 2 5 5 Şekil 9. Manyetik akı yoğunluğu YSA eğitim verileri regresyonu Şekil 9. Sıvının akış hızına bağlı olarak parçacık miktarına göre Deney-YSA test verileri Şekil. Manyetik akı yoğunluğu YSA test verileri regresyonu
Şekil. Manyetik akı yoğunluğu tüm veri regresyonu Korelasyon ve regresyon grafikleri göz önüne alındığında geliştirilen YSA kontrolü ile farklı hızlarda akan endüstriyel sıvıların farklı parçacık konsantrasyonlarında manyetik filtrelerin manyetik akı yoğunlukları kontrol edilebilmektedir. Manyetik akı yoğunluğunun sabit olduğu bir filtrasyon işleminde, endüstriyel sıvının akış hızı, manyetik filtreye giren ve çıkan parçacık konsantrasyonları vb teknolojik parametreler dikkate alınmamaktadır. Bu kontrolde ise teknolojik parametrelere göre kontrol yapıldığından enerji israfı zaman kaybı gibi dezavantajlar ortadan kaldırılmaktadır. Ayrıca paralel çalışan iki filtreden birisi dolduğunda diğerini devreye alan yedekli (redundant) bir kontrollü sistem olması sürekliliği de sağlamaktadır. Dolan filtrenin temizlenmesi ekonomik kazancın yanında üretimde sürekliliğini de sağlamaktadır. Bundan sonra yapılacak çalışmalarda giriş parametreleri olarak daha fazla teknolojik parametrenin kullanılması, YSA eğitiminde kullanılan deneysel verilerin farklı endüstriyel alanlardan alınması ve yapay zeka tekniklerinin hibrit olarak kullanılması ile daha başarılı sonuçlar elde edilebilir. Kaynaklar [] Herdem, S., Abbasov, T. ve Köksal, M., Manyetik Filtrede Tutulan Parçacıkların Manyetik Alınganlığının Önemi, Elektrik-Elektronik ve Bilgisayar Mühendisliği. Ulusal Kongresi, İstanbul/Türkiye, Bildiriler Kitabı, cilt, 2, 25, s.44-47. [2] Abbasov, T. ve Rüzgar, B., Yüksek Gradyanlı Alanlarda Manyetik Taşıyıcıların Hedeflendirilmesi Yöntemi Elektrik-Elektronik-Bilgisayar Mühendisliği. Ulusal Kongresi Bildiriler Kitabı, İstanbul, cilt,25, s. 99-. [3] Okada, H., Tada, T., Chiba, A., Mitsuhashi, K., Ohara, T. ve Wada, H., High Gradient magnetic Seperation for Weakly Magnetized Fine Particles, IEEE Transactions on Applied Superconductivity, Vol.2, 22, s 967-97. [4] Abbasov, T. ve Ceylan, K., Filter Performance and Velocity Distribution Relation in Magnetic Filtration of Non-Newtonian Liquids, Separatıon Scıence And Technology, 34(), 999, s. 277 289. [5] Haitmann, H.G., Iron Oxides in Boiles Water Removed Magnetically, Industrial Water Engineering, (2), 969, s. 3-33. [6] Abbasov, T., Elektromanyetik Filtreleme İşlemleri, Seçkin Yayıncılık, Ankara, 22. [7] Gerber, R. ve Lawson, P., Magnetic cage fitler, IEEE Trans. Magn.,. vol. 3, 994, s. 4653 4655. [8] Saritas, İ. The Design of Magnetic Filter for Cleaning Industrial Liquids and Adaptive Control of Filter by Artificial Intelligence Methods, Phd Thesis, Selcuk University Institute of the Natural and Applied Sciences, 28. [9] Sarıtaş, İ., Özkan, İ.A., Herdem S. Design of Fuzzy Expert System for Magnetic Filter Performance According to Magnetic Field, 5th International Conference on Electrical and Electronics Engineering ELECO 27, pp. 4-45, Bursa, 27. [] Özkan İ.A., Sarıtaş, İ., Herdem, S. It is modeling Magnetic Filtering process with ANFIS, Electric, Electronic, Computer, Biomedical Engineering 2th Congress and Exhibitions EMO 27, pp.45-48, Eskişehir, 27 (in Turkish). [] Abbasov, T., Magnetic filtration with magnetized granular beds: Basic principles and filter performance, China Particuology, vol. 5, issues -2, 27, pp. 7-83. [2] Gerber, R. ve Birss, R.R., High Gradient Magnetic Seperation, John Wiley, 983. [3] Cueller, J. ve Alvaro, A., Fluid-solid Mass Transfer in Magnetic Filtration. Sep. Sci. Thecnol. 3(), 995, s. 4 5. [4] Oztemel E. Integrating expert systems and neural networks for intelligent on-line statistical process control. PhD thesis. School of Electrical, Electronic and Systems Engineering, University of Wales, Cardiff, December 992. p. 38. [5] Massie DD. Neural network fundamentals for scientists and engineers. Efficiency, cost, optimization, simulation and environ-mental impact of energy systems (ECOS ). Istanbul, Turkey, 2. p. 23 8. [6] Hagan MT, Demuth HB. Neural Network Design, Vol. 2. Boston: PWS Publishing Company; 996. pp. - 29. [7] Saritas, İ. The Design of Magnetic Filter for Cleaning Industrial Liquids and Adaptive Control of Filter by Artificial Intelligence Methods, Phd Thesis, Selcuk University Institute of the Natural and Applied Sciences, 28. [8] Kalogirou, S.A. Artificial neural networks in the renewable energy systems applications: a review, Renewable and Sustainable Energy Reviews, 2, vol. 5, pp. 373 4. [9] Kurt, H., Atik, K., Ozkaymak, M. And Binark, A. K. The artificial neural networks approach for evaluation of temperature and density profiles of salt gradient solar pond. Journal of the Energy Institute, 27, 8 (), pp.46 5. [2] Yang, I. H., Yeo, M. S. and Kim, K.W. Application of artificial neural network to predict the optimal start time for heating system in building. Energy Conversion and Management, 23, vol. 44(7), pp.279-289. [2] Nasr, G. E. and Badr, C. J. Back-propagation neural networks for modeling gasoline consumption. Energy Conversion and Management, 23, 44 (6), 893 95.