Çelik Endüstrisinde Enerji Tüketim Düzeylerinin Makine Öğrenmesi Yöntemleriyle Geleceğe Yönelik Tahmini

Irmak S., Tonguç G.

INTERNATIONAL TOPKAPI CONGRESS II, İstanbul, Türkiye, 20 - 21 Ekim 2023, ss.615-620

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.615-620
  • Akdeniz Üniversitesi Adresli: Evet

Özet

Çelik üretim fabrikaları, yüksek enerji tüketimi ile bilinir ve bu nedenle enerji verimliliğini artırmak önemlidir. Bu nedenle, enerji tüketiminin tahmin edilmesi ve yönetilmesi, maliyetleri düşürmek, çevresel etkileri azaltmak ve enerji arz dengesini yönetebilmek açısından büyük önem taşır. Bu çalışmada geçmiş elektrik enerjisi tüketim verileri analiz edilerek çelik üretim fabrikasının gelecekteki enerji ihtiyacını tahmin etmeye yönelik makine öğrenmesi modeli geliştirilmeye çalışılmıştır. Çalışma sonucunda bir çelik üretim tesisinin elektrik tüketimini tahmin etmeye yönelik olarak Yapay Sinir Ağları, Karar Ağaçları (C&RT, CHAID, C5.0) ve Destek Vektör Makineleri (RBF, Polynomial) yöntemleri kullanılmıştır. Her yöntem için en iyi modelin doğru tahmin sonuçları ilki eğitim, ikincisi test olmak üzere sırasıyla %79,91-%79,49; %81,59-%81,24; %76,51-%75,91; %84,82-%84,59; %72,85-%72,77; %77,20-%76,63 oranlarında gerçekleşmiştir. Bu sonuçlar fabrika yöneticilerine enerji taleplerini planlama ve optimize etme konusunda rehberlik etmektedir ve bu tahminlerle enerji maliyetlerini düşürme ve çevresel etkileri azaltma stratejileri geliştirilir, bu da çelik üretim fabrikalarının daha sürdürülebilir bir şekilde iş yapmalarına yardımcı olur. Bu nedenle, enerji tüketim verilerinin analizi ve gelecekteki tahminlerin yapılması, enerji yönetimi açısından kritik bir rol oynamaktadır.

Steel manufacturing plants are known for their high-energy consumption and therefore it is important to improve energy efficiency. Estimating and managing energy consumption is of great importance in terms of reducing costs, reducing environmental impacts and managing the energy supply balance. In this study, an attempt was made to develop a machine learning model to predict the future energy needs of the steel production factory by analyzing past electrical energy consumption data. As a result of the study, Artificial Neural Networks, Decision Trees (C&RT, CHAID, C5.0) and Support Vector Machines (RBF, Polynomial) methods were used to predict the electricity consumption of a steel production facility. The correct prediction results of the best model for each method, the first for training and the second for testing, were realized at the following rates, respectively, 79.91%-79.49%; 81.59%-81.24%; 76.51%- 75.91%; 84.82%-84.59%; 72.85%-72.77%; 77.20%-76.63%. These results guide plant managers in planning and optimizing energy demands, and with these forecasts, strategies are developed to reduce energy costs and reduce environmental impacts, helping steelmaking plants operate in a more sustainable way. Therefore, analyzing energy consumption data and making future predictions plays a critical role in energy management.