OPTIMIZATION OF BIOGAS REFORMING PROCESSES USING HYBRID DEEP LEARNING ALGORITHMS: PREDICTION OF OUTPUT PARAMETERS WITH CNN-LSTM MODEL

Saadin Oyucu; Münür Sacit Herdem

Makale detayları

OPTIMIZATION OF BIOGAS REFORMING PROCESSES USING HYBRID DEEP LEARNING ALGORITHMS: PREDICTION OF OUTPUT PARAMETERS WITH CNN-LSTM MODEL

Yazarlar:

Saadin Oyucu | Münür Sacit Herdem

Yayıncı:

Adıyaman University

Ana Başlıklar:

Derin Öğrenme | Enerji

Dergi:

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi Vol.11 Issue 23, pp.301-316

Belge Tipi:

Makale

Yayın Tarihi:

8/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001326400

pISSN:

2149-0309

Anahtar kelimeler:

Özet:

 This study examines the application of a hybrid deep learning algorithm, combining Convolutional Neural Networks CNN with Long Short-Term Memory LSTM, for predicting various output parameters in biogas reforming processes. The objective is to develop predictive models that enhance the management of these processes. The CNN-LSTM model was selected for its proficiency in capturing long-term dependencies and complex features in time-series data, and it was benchmarked against other models, including Support Vector Regression SVR. This research evaluates crucial outputs of biogas reforming, such as the methane conversion rate, the hydrogen-to-carbon monoxide ratio, and the synthesis gas composition. The effectiveness of the CNN-LSTM model was assessed using RMSE, MAE, and MAPE metrics. After different training epochs, the RMSE for CONMET  was recorded at 0.1905, MAE at 0.1311, and MAPE at 0.0036, demonstrating the models high accuracy in prediction. This study marks a significant advancement in incorporating machine learning techniques into optimizing and controlling biogas reforming processes for industrial applications. The success of the CNN-LSTM model, particularly in managing complex biochemical processes, underscores the potential of deep learning techniques. Future efforts will explore the models application across different biogas plants and aim to refine optimization parameters further.

 This study examines the application of a hybrid deep learning algorithm, combining Convolutional Neural Networks CNN with Long Short-Term Memory LSTM, for predicting various output parameters in biogas reforming processes. The objective is to develop predictive models that enhance the management of these processes. The CNN-LSTM model was selected for its proficiency in capturing long-term dependencies and complex features in time-series data, and it was benchmarked against other models, including Support Vector Regression SVR. This research evaluates crucial outputs of biogas reforming, such as the methane conversion rate, the hydrogen-to-carbon monoxide ratio, and the synthesis gas composition. The effectiveness of the CNN-LSTM model was assessed using RMSE, MAE, and MAPE metrics. After different training epochs, the RMSE for CONMET  was recorded at 0.1905, MAE at 0.1311, and MAPE at 0.0036, demonstrating the models high accuracy in prediction. This study marks a significant advancement in incorporating machine learning techniques into optimizing and controlling biogas reforming processes for industrial applications. The success of the CNN-LSTM model, particularly in managing complex biochemical processes, underscores the potential of deep learning techniques. Future efforts will explore the models application across different biogas plants and aim to refine optimization parameters further.

 This study examines the application of a hybrid deep learning algorithm, combining Convolutional Neural Networks CNN with Long Short-Term Memory LSTM, for predicting various output parameters in biogas reforming processes. The objective is to develop predictive models that enhance the management of these processes. The CNN-LSTM model was selected for its proficiency in capturing long-term dependencies and complex features in time-series data, and it was benchmarked against other models, including Support Vector Regression SVR. This research evaluates crucial outputs of biogas reforming, such as the methane conversion rate, the hydrogen-to-carbon monoxide ratio, and the synthesis gas composition. The effectiveness of the CNN-LSTM model was assessed using RMSE, MAE, and MAPE metrics. After different training epochs, the RMSE for CONMET  was recorded at 0.1905, MAE at 0.1311, and MAPE at 0.0036, demonstrating the models high accuracy in prediction. This study marks a significant advancement in incorporating machine learning techniques into optimizing and controlling biogas reforming processes for industrial applications. The success of the CNN-LSTM model, particularly in managing complex biochemical processes, underscores the potential of deep learning techniques. Future efforts will explore the models application across different biogas plants and aim to refine optimization parameters further.

 Bu çalışma, biyogaz reform süreçlerinde çeşitli çıktı parametrelerini tahmin etmek için Evrişimli Sinir Ağları CNN: Convolutional Neural Networks ve Uzun Kısa Süreli Bellek LSTM: Long Short-Term Memory algoritmalarını birleştiren hibrit bir derin öğrenme modelinin uygulamasını incelemektedir. Çalışmanın amacı, bu süreçlerin yönetimini iyileştiren tahmine dayalı modeller geliştirmektir. CNN-LSTM modeli, zaman serisi verilerindeki uzun vadeli bağımlılıkları ve karmaşık özellikleri yakalama konusundaki yeterliliği nedeniyle seçilmiş ve Destek Vektör Regresyonu SVR: Support Vector Regression gibi diğer modellerle karşılaştırılmıştır. Araştırma metan dönüşüm oranı, hidrojen-karbon monoksit oranı ve sentez gazı bileşimi gibi biyogaz reformunun önemli çıktılarını değerlendirmektedir. Modelin etkinliği RMSE, MAE ve MAPE ölçümleri kullanılarak değerlendirilmiştir. Farklı eğitim dönemleri sonrasında, metan dönüşüm oranı için RMSE 0,1905, MAE 0,1311 ve MAPE 0,0036 olarak kaydedilmiştir. Elde edilen sonuçlar, modelin tahmin başarısındaki yüksek doğruluğu ortaya koymaktadır. Bu çalışma, makine öğrenimi tekniklerinin endüstriyel uygulamalarda biyogaz reform süreçlerinin optimize edilmesi ve kontrol edilmesine katkı sağlayabileceğini göstermektedir. CNN-LSTM modelinin özellikle karmaşık biyokimyasal süreçleri yönetmedeki başarısı, derin öğrenme tekniklerinin potansiyelini vurgulamaktadır. Gelecekteki çalışmalar, modelin farklı biyogaz tesislerinde uygulanmasını ve optimizasyon parametrelerinin daha da iyileştirilmesini amaçlayacaktır.

Makale detayları

OPTIMIZATION OF BIOGAS REFORMING PROCESSES USING HYBRID DEEP LEARNING ALGORITHMS: PREDICTION OF OUTPUT PARAMETERS WITH CNN-LSTM MODEL

Yazarlar:

Saadin Oyucu | Münür Sacit Herdem

Yayıncı:

Adıyaman University

Ana Başlıklar:

Derin Öğrenme | Enerji

Dergi:

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi Vol.11 Issue 23, pp.301-316

Belge Tipi:

Makale

Yayın Tarihi:

8/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001326400

pISSN:

2149-0309

Biogas Reforming

CNN-LSTM

SVR

Sustainable EnergyBiyogaz Reformlama

CNN-LSTM

SVR

Sürdürülebilir Enerji

Sayı

Makale detayları

Yazarlar: Saadin Oyucu | Münür Sacit Herdem

Yayıncı: Adıyaman University

Ana Başlıklar: Derin Öğrenme | Enerji

Dergi: Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi Vol.11 Issue 23, pp.301-316

Belge Tipi: Makale

Yayın Tarihi: 8/2024

Belge Dili: Türkçe

Document ID (Org No.): 2001326400

pISSN: 2149-0309

Sayı

Yazarlar:

Saadin Oyucu | Münür Sacit Herdem

Yayıncı:

Adıyaman University

Ana Başlıklar:

Derin Öğrenme | Enerji

Dergi:

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi Vol.11 Issue 23, pp.301-316

Belge Tipi:

Makale

Yayın Tarihi:

8/2024

Belge Dili:

Türkçe

Document ID (Org No.):

2001326400

pISSN:

2149-0309