Görüntüleme
4
Günümüzde nüfus artışı ile sanayi ve konutlara yönelik doğal gaz tüketim talebinin artması sonucunda, talebin az olduğu zamanlarda doğal gazın yeraltında depolanması ve çok olduğu zamanlarda ise depolardan kullanımının sağlanabilmesine yönelik hem ülkemizde hem de dünyada çeşitli projelerin planlaması yapılmıştır. Planlanan bu projeler vasıtasıyla doğalgaz talebindeki mevsimsel dalgalanmaların önlenmesi hedeflenmektedir. Tuz mağaralarında yeraltı doğal gaz depolaması için turbo kompresörler kullanılmaktadır. Turbo kompresörler doğalgazı yüksek basınçlara çıkarabilen önemli makinalardandır. Bu çalışma kapsamında bahsedilen turbo kompresörlerin çalışma hızını etkileyen faktörlerden akış, hat basıncı ve kuyu başı basıncının kompresör devrinin tahmini için makine öğrenmesi yöntemleri ile modellenmesi gerçekleştirilmiştir. 42 makine öğrenmesi modelinin denendiği çalışmadan elde edilen deneysel sonuçlara göre kompresör devrinin tahmininde Decision Tree Regressor (DT) algoritması 0.99 R2, 11.29 RMSE ve 0.01 (sn) çalışma zamanı ile en iyi sonucu veren algoritma olmuştur.
Due to the increasing demand for natural gas in industries and households caused by population growth, various projects have been planned both in our country and globally to store natural gas underground during periods of low demand and utilize it from storage during high-demand periods. It is aimed to prevent seasonal fluctuations in natural gas demand through these planned projects. Turbo compressors are used for underground natural gas storage in salt caves. Turbo compressors are significant machines capable of raising natural gas to high pressures. Within the scope of this study, machine learning methods were used to model the factors affecting the operating speed of the mentioned turbo compressors for predicting the compressor speed, including flow, line pressure, and wellhead pressure. According to the experimental results obtained from the study, where 42 machine learning models were tested, the Decision Tree Regressor (DT) algorithm provided the best results for predicting the compressor speed with an R2 value of 0.99, RMSE of 11.29, and a runtime of 0.01 seconds.
Alan : Mühendislik
Dergi Türü : Uluslararası
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
