DÖNER FIRINLARDA ÇİNKO GERİ KAZANIMININ MAKİNE ÖĞRENMESİ KULLANILARAK SINIFLANDIRILMASI VE REGRESYON ANALİZİ
Yükleniyor...
Dosyalar
Tarih
2024-04
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Demir ve çelik endüstrisi dünya çapında önemli bir sektördür ve Elektrik Ark Fırınları (EAF), bu endüstride en yaygın kullanılan yöntemlerden biridir. Bu fırınlardan elde edilen tozdan çinko geri kazanımı, yaygın bir uygulamadır. Bu çalışmada, Waelz prosesi ile çinko geri kazanımı sağlanmış ve cüruftaki çinkonun kalitesi çeşitli denetimli makine öğrenimi teknikleri kullanılarak sınıflandırılmıştır. Ayrıca, bu tez çalışması kapsamında ayrıntılı analizler gerçekleştirilmesine olanak sağlamak için çıktılar üzerinde regresyon analizleri yapılmıştır. Sınıflandırıcı ve regresyon modellerinin eğitiminde kullanılan veriler, Waelz prosesi hammaddelerinin ve cüruf örneklerinin kimyasal analizleri yoluyla elde edilmiştir. Elde edilen veriler, cüruftaki çinko içeriğine göre uzmanlar tarafından etiketlenmiştir. Cürufta çinko geri kazanım kalitesini sınıflandırmak için yapılan deneysel çalışmalarda, Destek Vektör Makinesi, Karar Ağacı, Naive Bayes ve Rastgele Orman gibi makine öğrenmesi teknikleri kullanılmıştır. Modellerin güvenilirliğini sağlamak için çapraz doğrulama tekniklerinden, k-kat çapraz doğrulama, kullanılmıştır. Deneysel çalışmaların sonuçlarına göre, Karar Ağacı modeli kullanılarak geliştirilen yaklaşımda %99'dan daha yüksek sınıflandırma performansı elde edilmiştir. Ayrıca, diğer sınıflandırma yaklaşımları da yüksek ve rekabetçi sonuçlar üretmiştir. Regresyon analizi açısından, kullanılan hammadde miktarı, EAF'daki demir oranı ve üretilen cüruf miktarı arasında anlamlı bir ilişki gözlenmiştir. Cüruf miktarı üzerinde en etkili maddelerin EAF tozu miktarı, EAF tozundaki demir oranı, kömür ve kireç olduğu belirlenmiştir. Bu çalışmanın bulguları, demir çelik endüstrisinde çevre dostu ve ekonomik olarak uygulanabilir çözümlerin geliştirilmesi için yol gösterici olacaktır. Sonuç olarak, endüstriyel atıkların geri dönüştürülmesi ve çevresel etkilerinin azaltılmasıyla sürdürülebilir bir endüstriyel üretim süreci oluşturulacaktır.
The iron and steel industry is an important sector worldwide, and Electric Arc Furnaces (EAFs) are one of the most widely used methods in this industry. Zinc recovery from the dust obtained from these furnaces is a common practice. In this study, zinc recovery was achieved with the Waelz process and the quality of zinc in the slag was classified using various supervised machine learning techniques. In addition, regression analyses were performed on the outputs to enable detailed analyses within this thesis's scope. The data used in training of the classifier and regression models were obtained through chemical analyses of Waelz process feedstocks and slag samples. Experts labelled the datang to the zinc content in the slag. Machine learning techniques such as Support Vector Machine, Decision Tree, Naive Bayes and Random Forest were used in the experimental studies to classify the zinc recovery quality. To ensure the reliability of the models, k-fold cross-validation technique has been employed. According to the results of the experimental studies, the classification performance of the approach using the Decision Tree model is higher than 99%. Moreover, other classification approaches also produced high and competitive results. In regression analysis, a significant relationship was observed between the amount of raw material used, the iron content in the EAF, and the amount of slag produced. It was determined that the most effective substances in the amount of slag were the amount of EAF powder, iron content in EAF powder, coal, and lime. This study's findings will guide the development of environmentally friendly and economically viable solutions in the iron and steel industry. As a result, a sustainable industrial production process will be created by recycling industrial waste and reducing their environmental impact."
The iron and steel industry is an important sector worldwide, and Electric Arc Furnaces (EAFs) are one of the most widely used methods in this industry. Zinc recovery from the dust obtained from these furnaces is a common practice. In this study, zinc recovery was achieved with the Waelz process and the quality of zinc in the slag was classified using various supervised machine learning techniques. In addition, regression analyses were performed on the outputs to enable detailed analyses within this thesis's scope. The data used in training of the classifier and regression models were obtained through chemical analyses of Waelz process feedstocks and slag samples. Experts labelled the datang to the zinc content in the slag. Machine learning techniques such as Support Vector Machine, Decision Tree, Naive Bayes and Random Forest were used in the experimental studies to classify the zinc recovery quality. To ensure the reliability of the models, k-fold cross-validation technique has been employed. According to the results of the experimental studies, the classification performance of the approach using the Decision Tree model is higher than 99%. Moreover, other classification approaches also produced high and competitive results. In regression analysis, a significant relationship was observed between the amount of raw material used, the iron content in the EAF, and the amount of slag produced. It was determined that the most effective substances in the amount of slag were the amount of EAF powder, iron content in EAF powder, coal, and lime. This study's findings will guide the development of environmentally friendly and economically viable solutions in the iron and steel industry. As a result, a sustainable industrial production process will be created by recycling industrial waste and reducing their environmental impact."
Açıklama
Anahtar Kelimeler
Elektrik ark fırınları, çinko geri kazanımı kalitesi, EAF tozu, endüstriyel atık geri dönüşümü, sınıflandırma, makine öğrenmesi, regresyon., Electric arc furnaces, zinc recovery quality, EAF dust, industrial waste recycling, classification, machine learning, regression.