Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi

KIRMACI, Volkan; Doğan, Ayhan; KORKMAZ, Murat

Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi

Murat KORKMAZ, (Hacettepe Üniversitesi, Başkent OSB Teknik Meslek Yüksek Okulu, Elektrik ve Enerji Bölümü, Ankara, Türkiye)

Ayhan DOĞAN, (Hacettepe Üniversitesi, Başkent OSB Teknik Meslek Yüksek Okulu, Bilgisayar Teknolojileri Bölümü, Ankara, Türkiye)

Volkan KIRMACI (Bartın Üniversitesi, Mühendislik Fakültesi, Makina Mühendisliği Bölümü, Bartın, Türkiye)

Gazi Mühendislik Bilimleri Dergisi

9 0

Yıl: 2022 Cilt: 8 Sayı: 2 Sayfa Aralığı: 361 - 370 Metin Dili: Türkçe İndeks Tarihi: 05-09-2022

Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi

Öz:

Ranque-Hilsch Vorteks Tüp (RHVT) kontrol valfi haricinde hareketli parçası olmayan, basit bir borudan oluşan, basınçlı akışkan ile çalışarak ısıtma soğutma işlemini aynı anda yapan bir sistemdir. Çalışmada iç çapı 7 mm, gövde uzunluğu 100 mm olan RHVT’de giriş basıncı 50 kPa aralılarla 150 ile 700 kPa basınç değerinde hava kullanılmıştır. RHVT’de alüminyum, çelik, polyamid ve pirinç malzemeden üretilmiş iki, üç, dört, beş ve altı orfisli nozullar kullanılmıştır. Deneysel çalışma esnasında sıcak akışkan çıkış tarafındaki kontrol valfi tam açık konumda bırakılarak, RHVT’ünün performansı çıkan sıcak akış sıcaklığı (Tsck) ile çıkan soğuk akışın sıcaklığı (Tsgk) arasındaki fark (ΔT) hesaplanarak veriler alınmıştır. Deneysel veri seti ile makine öğrenimi yöntemlerinden Lineer Regresyon (LR), Destek Vektör Makineleri (DVM) ve Gauss Süreç Regresyonu (GSR) yöntemleri ile ayrı ayrı kullanılarak RHVT’nin performansının optimizasyonu yapılmıştır. Çalışmada makine öğrenme yöntemleri esnasında tüm eğitim verisinin %80’ni, tüm test verisinin ise %20’sini kullanılmıştır. Çalışma sonunda elde edilen modeller ile testler yapılmış ve ortaya çıkan sonuçlar karşılaştırılmıştır.

Anahtar Kelime: Vorteks tüp Lineer regresyon Destek vektör makineleri Gauss süreç regresyonu Makine öğrenimi

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık

[1] A. Pinar, O. Uluer, and V. Kirmaci, “Optımızatıon of counter flow ranque-hilsch vortex tube performance using taguchi method,” International Journal of Refrigeration, vol. 32, no. 6, pp. 1487-1494, 2009. doi:10.1016/j.ijrefrig.2009.02.018
[2] F. Günver, “Paralel bağlı karşıt akışlı ranque-hılsch vorteks tüpün enerji-ekserji analizlerinin deneysel olarak incelenmesi,” Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Bartın Üniversitesi, 2018
[3] A. Pinar, O. Uluer, and V. Kirmaci, “Statistical assessment of counter-flow vortex tube performance for different nozzle numbers, cold mass fractions, and inlet pressures via taguchi method,” Experimental Heat Transfer, vol. 22 no. 4, pp. 271-282, 2009. doi:10.1080/08916150903099058
[4] H. Kaya, O. Uluer, E. Kocaoğlu, and V. Kirmaci, “Experimental analysis of cooling and heating performance of serial and parallel connected counter-flow Ranquee–Hilsch vortex tube systems using carbon dioxide as a working fluid,” Int. J. Refrig., vol. 106, pp. 297–307, 2019. doi:10.1016/j.ijrefrig.2019.07.004
[5] H. Gökçe, “Optimization of ranque–hilsch vortex tube performances via taguchi method,” J. Brazilian Soc. Mech. Sci. Eng., vol. 42, no. 11, 2020. doi:10.1007/s40430-020-02649-z
[6] W. Fröhlingsdorf and H. Unger, “Numerical investigations of the compressible flow and the energy separation in the ranque- hilsch vortex tube,” Int. J. Heat Mass Transf., vol. 42, no. 3, pp. 415–422, 1998. doi:10.1016/S0017-9310(98)00191-4
[7] K. Dincer, S. Baskaya, B. Z. Uysal, and I. Ucgul, “Experimental investigation of the performance of a ranque-hilsch vortex tube with regard to a plug located at the hot outlet,” Int. J. Refrig., vol. 32, no. 1, pp. 87–94, 2009. doi:10.1016/j.ijrefrig.2008.06.002
[8] M. Bovand, M. S. Valipour, S. Eiamsa-Ard, and A. Tamayol, “Numerical analysis for curved vortex tube optimization,” Int. Commun. Heat Mass Transf., vol. 50, pp. 98–107, 2014. doi:10.1016/j.icheatmasstransfer.2013.11.012
[9] H. R. Thakare and A. D. Parekh, “CFD analysis of energy separation of vortex tube employing different gases, turbulence models and discretisation schemes,” Int. J. Heat Mass Transf., vol. 78, pp. 360–370, 2014. doi:10.1016/j.ijheatmasstransfer.2014.06.083
[10] H. Gökçe, H. Kaya, and V. Kırmacı, “Karşıt akışlı ranque–hilsch vorteks tüpün performansının taguchi metodu ile analizi,” 2nd International Turkish World Engineering and Science Congress 2019, pp. 414–421, 2019.
[11] Kaya. H and Gökçe. H, “oksijen kullanılan karşıt akışlı vorteks tüpünün taguchi yöntemi ile analizi,” 2nd International Turkish World Engineering and Science Congress, pp. 588–595, 2019.
[12] H. Kaya, H. Gökçe, and V. Kırmacı, “Effect of cold outlet diameter on thermal performance and exergy analysis of ranque- hilsch vortex tube with copper nozzles,” Heat Transf. Res., vol. 53, no. 2, pp. 59–70, 2022. doi:10.1615/HeatTransRes.2021039907
[13] J. Wei, X.Chu, X. Sun, K. Xu, H. Deng, J. Chen, Z. Wei and M. Lei “Machine learning in materials science,” InfoMat, vol. 1, no. 3, pp. 338–358, 2019.
[14] T. E. Kalaycı, “Kimlik hırsızı web sitelerinin sınıflandırılması için makine öğrenmesi yöntemlerinin karşılaştırılması,” Pamukkale Üniversitesi Mühendislik Bilim. Derg., vol. 24, no. 5, pp. 870–878, 2018.
[15] Q.-H. Luu, M. F. Lau, S. P. H. Ng, and T. Y. Chen, “Testing multiple linear regression systems with metamorphic testing,” Journal of Systems and Software, vol. 182, p. 111062, 2021.
[16] D. S. Memnun ve Ş. Kalaycı, “SPSS uygulamalı çok değişkenli istatistik teknikleri,” Ankara: Asil Yayın Dağıtım, İlköğretim Online, cilt 12, sayı 1, 2006.
[17] S. Rong and Z. Bao-Wen, “The research of regression model in machine learning field,” in MATEC Web of Conferences, vol. 176, pp. 1033, 2018.
[18] M. Bayazıt and B. Oğuz, Mühendisler için istatistik, Birsen Yayınevi, İstanbul, s. 197, 1994.
[19] Y. Aslan, S. Yavasca, and C. Yasar, “Long term electric peak load forecasting of Kutahya using different approaches,” Int. J. Tech. Phys. Probl. Eng., vol. 3, no. 2, pp. 87–91, 2011.
[20] C. Cortes and V. Vapnik, “Support-vector networks,” Mach. Learn., vol. 20, no. 3, pp. 273–297, 1995.
[21] K. P. Soman, R. Loganathan, and V. Ajay, Machine learning with SVM and other kernel methods, PHI Learning Pvt. Ltd., New Delhi, 2009.
[22] S. Ayhan and Ş. Erdoğmuş, “Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi,” Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilim. Derg., cilt 9, sayı 1, ss. 175–201, 2014.
[23] S. Haykin, Neural Networks, a comprehensive foundation, Prentice-Hall Inc, New Jersey, pp. 161–175, 1999.
[24] S. Tolun, “Destek vektör makineleri: Banka başarısızlığının tahmini üzerine bir uygulama,” Doktora Tezi, Sosyal Bilimler Enstitüsü, İstanbul Üniversitesi, İstanbul, 2008.
[25] B. Schölkopf, J. C. B. Christopher, and J. A. Smola, Advances in kernel methods, England: The MIT Press, vol. 53., Cambridge, 1999.
[26] N. Cristianini and J. Shawe-Taylor, An introduction to support vector machines and other kernel-based learning methods, Cambridge university press, Cambridge, 2000.
[27] T. Kavzoğlu ve İ. Çölkesen, “Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi,” Harit. Derg., cilt 144, sayı 7, ss. 73–82, 2010.
[28] E. E. Osuna, “Support vector machines: Training and applications,” Ph.D. dissertation, Massachusetts Institute of Technology, USA, 1998.
[29] S. Huang, N. Cai, P. P. Pacheco, S. Narrandes, Y. Wang, and W. Xu, “Applications of support vector machine (SVM) learning in cancer genomics,” Cancer Genomics Proteomics, vol. 15, no. 1, pp. 41–51, 2018.
[30] K. Liu, X. Hu, Z. Wei, Y. Li, and Y. Jiang, “Modified Gaussian process regression models for cyclic capacity prediction of lithium- ion batteries,” IEEE Trans. Transp. Electrif., vol. 5, no. 4, pp. 1225–1236, 2019.
[31] M. Acı ve A. G. Doğansoy, “Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak e-perakende sektörüne yönelik talep tahmini,” Gazi Üniversitesi Mühendislik Mimar. Fakültesi Derg., vol. 37, no. 3, pp. 1325–1340, 2022.
[32] B. Ateş, “Gemi yapılarında gerilme yığılması öngörülerinin kaba ağ yapısı ve makine öğrenmesi ile gerçekleştirilmesi,” Fen Bilimleri Enstitüsü, İstanbul Teknik Üniversitesi, İstanbul, 2020.
[33] Y. Heo and V. M. Zavala, “Gaussian process modeling for measurement and verification of building energy savings,” Energy Build., vol. 53, pp. 7–18, 2012.
[34] C. E. Rasmussen and C. K. I. Williams, “Gaussian processes formachine learning,” USA: MIT Press, Cambridge, 2006.
[35] K. Yazıcı, “Makine öğrenmesi yöntemleri kullanılarak kısa dönem rüzgar gücü tahmini,” Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Sakarya Üniversitesi, Sakarya, 2021.

APA	KORKMAZ M, Doğan A, KIRMACI V (2022). Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. , 361 - 370.
Chicago	KORKMAZ Murat,Doğan Ayhan,KIRMACI Volkan Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. (2022): 361 - 370.
MLA	KORKMAZ Murat,Doğan Ayhan,KIRMACI Volkan Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. , 2022, ss.361 - 370.
AMA	KORKMAZ M,Doğan A,KIRMACI V Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. . 2022; 361 - 370.
Vancouver	KORKMAZ M,Doğan A,KIRMACI V Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. . 2022; 361 - 370.
IEEE	KORKMAZ M,Doğan A,KIRMACI V "Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi." , ss.361 - 370, 2022.
ISNAD	KORKMAZ, Murat vd. "Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi". (2022), 361-370.

APA	KORKMAZ M, Doğan A, KIRMACI V (2022). Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. Gazi Mühendislik Bilimleri Dergisi, 8(2), 361 - 370.
Chicago	KORKMAZ Murat,Doğan Ayhan,KIRMACI Volkan Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. Gazi Mühendislik Bilimleri Dergisi 8, no.2 (2022): 361 - 370.
MLA	KORKMAZ Murat,Doğan Ayhan,KIRMACI Volkan Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. Gazi Mühendislik Bilimleri Dergisi, vol.8, no.2, 2022, ss.361 - 370.
AMA	KORKMAZ M,Doğan A,KIRMACI V Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. Gazi Mühendislik Bilimleri Dergisi. 2022; 8(2): 361 - 370.
Vancouver	KORKMAZ M,Doğan A,KIRMACI V Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi. Gazi Mühendislik Bilimleri Dergisi. 2022; 8(2): 361 - 370.
IEEE	KORKMAZ M,Doğan A,KIRMACI V "Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi." Gazi Mühendislik Bilimleri Dergisi, 8, ss.361 - 370, 2022.
ISNAD	KORKMAZ, Murat vd. "Karşıt Akışlı Ranque – Hilsch Vorteks Tüpünün Lineer Regresyon, Destek Vektör Makineleri ve Gauss Süreç Regresyonu Yöntemi ile Performans Analizi". Gazi Mühendislik Bilimleri Dergisi 8/2 (2022), 361-370.