A data-driven digital twin approach to optimize continuous production environment with deep reinforcement learning
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Enformatik Enstitüsü, Bilişim Sistemleri Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: ALİ HAYDAR SİVRİ
Asıl Danışman (Eş Danışmanlı Tezler İçin): Altan Koçyiğit
Eş Danışman: Mert Onuralp Gökalp
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bugün dünya, enerji maliyetlerini ve sera etkisini azaltmak için enerji üretiminde karbon emisyonlarını minimize etmeyi ve verimliliği maksimize etmeyi hedeflemektedir. Bu bağlamda, üretimde önemli enerji tüketen enerji üreticileri için hidrojen üretim süreçlerini optimize etmek kritik bir hedef haline gelir. Kuruluşlar, rekabet avantajı elde edebilmek ve hayatta kalabilmek için üretim süreçlerini en optimum koşullar altında işletmelidir. Ancak, üretim süreçlerinde enerji kullanımlarını optimize etmede önemli zorluklarla karşılaşırlar. Bu zorluklar, süreç akışlarını yönetmek ve optimize etmek için veriye dayalı bir yaklaşım ve dinamik bir çerçeve kullanmayı zorunlu kılar. Bu tez çalışması iki ana aşamadan oluşmaktadır. İlk aşama, ML yaklaşımlarını kullanarak süreçlerin karmaşıklığına ve değişkenliğine uyum sağlayabilen Derin Pekiştirmeli Öğrenme (DRL) için bir veriye dayalı simülasyon ortamı (DDSE) geliştirmeye odaklanır. DDSE, hidrojen üretim sürecinin karmaşıklıklarını, sıcaklık, basınç ve katalizör değişkenleri gibi kritik parametreleri içerir. İkinci aşamada, sürekli öğrenmeyi desteklemek ve uzun vadeli sonuçlara dayalı kararlar almak için gelişmiş DRL algoritmaları geliştirilir. DRL modeli, hidrojen üretim verimini optimize etmek için kontrol edilebilir üretim parametrelerini ayarlamada DDSE ile etkili bir şekilde etkileşim kurar. Önerilen modelin doğrulama ve etkinliği, kapsamlı simülasyonlar ve gerçek dünya verileri aracılığıyla gösterilmiştir. Test sonuçları, enerji verimliliğini yaklaşık olarak %4 artırabileceğimizi göstermektedir.