Machine learning based truncation point estimation in steady-state simulation
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: BURAK GİRİT
Asıl Danışman (Eş Danışmanlı Tezler İçin): Nur Evin Özdemirel
Eş Danışman: Pınar Karagöz
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu çalışmada, kararlı durum simülasulasyonunda karşılaşılan başlangıç sapması problemini çözebilmek amacıyla, makine öğrenmesi teknikleri kullanılarak kesme noktası tahminlemeye odaklanılmıştır. Simülasyonda başlangıç koşulları kararlı durumu temsil etmediğinden, simülasyon çıktılarının sağlıklı bir şekilde analiz edilebilmesi için, başlangıç durumundan kaynaklanan sapmalı veriler elenmelidir. Bu başlangıç sapmasını elemek için, simülasyon çıktısında bir kesme noktası belirlenmesi gerekir. Bu çalışmada, çok katmanlı algılayıcı regresör, uzun kısa dönemli hafıza ve koşullu yinelenen sinir ağlarının kesme noktası tahminleme yetenekleri araştırılmıştır. Bu üç tip sinir ağının eğitilmesi ve performanslarının test edilmesi amacıyla kullanılmak üzere, simülasyon çıktılarını temsil eden verileri üretmek için, ikinci derece özbağlanımlı model ve M/M/1 kuyruk sistemi modeli kullanılmıştır. Ek olarak, bu üç makina öğrenmesi temelli yöntem, bilinen kesme noktası tahminleme yöntemleri olan MSER ve MSER-5 ile karşılaştırılmıştır. Deneysel sonuçlara göre, kesme noktası tahminleme hatası ve kararlı durum beklendik değerleri için kurulan güven aralıklarının bu beklendik değerleri kapsaması dikkate alındığında, çok katmanlı algılayıcı regresör ağı diğer yöntemlerden kayda değer daha iyi performans göstermiştir. Buna karşılık, uzun kısa dönemli hafıza ve koşullu yinelenen sinir ağları, belirlenen ağ konfigürasyonları ile, etkin kesme noktası tahminlemesi yapmayı öğrenememiştir.