Tarımın önemli bir parçası olan gübrenin üretiminde kullanılan işlemlerden biri de kurutma işlemidir. Uygun kurutma parametrelerinin belirlenebilmesi, hem ürün kalitesi hem de üretim verimliliği açısından önemlidir. Kurutma işlem parametrelerinin belirlenmesinde regresyon yöntemleri sıklıkla kullanılmaktadır. Bu çalışmada regresyon yönteminin yanı sıra yapay sinir ağı, uzun kısa süreli bellek gibi makine öğrenme teknikleri de incelenmiştir. Modellemeler için %5 azot, %10 fosfor karışımından oluşan ticari bir organomineral gübrenin 70˚C, 75˚C ve 80˚C sıcaklıklarda kurutulması işleminden elde edilen veriler kullanılmıştır. Modellerden elde edilen sonuçlar ile deneysel sonuçlar kıyaslanmıştır. Her bir modelin tahmin performansları sunulmuştur. Uygun kurutma parametrelerini yakalamak, ürünün kurutma verimi açısından önemlidir. İlave olarak, kurutma simülasyonlarında, başarılı sonuçlar elde edilmesinde, model seçimi önemli rol oynamaktadır. Netice olarak, yapay sinir ağı ile oluşturulan modelin tahmin performansının diğerlerine göre daha başarılı olduğu tespit edilmiştir. Regresyonlar, mevcut verinin modellenmesinde verimli iken, ileriye yönelik tahminlerde başarılı olamamaktadırlar. Ayrıca kurutma verisi içerisindeki tepe ve çukurları tahmin etmede de yetersiz kalmaktadır.
Çok katmanlı algılayıcı ağı Makine öğrenmesi Organik gübre Regresyon Tarımsal kurutma Uzun kısa süreli bellek
Dergi yönetimine bu çalışmamızın dergimizde yayınlanması için göstereceği gayret, ilgi ve alakaya şimdiden teşekkür ederiz
One of the processes used in the production of fertilizers, which has become an important part of agriculture, is the drying process. Determination of proper drying parameters is important both in terms of product quality and production efficiency. Regression methods are used to determine the drying process parameters frequently. In this study, in addition to the regression method, machine learning techniques are also examined such as artificial neural network, long short term memory method. The data obtained from the drying process of a commercial organomineral fertilizer consisting of a mixture of 5% nitrogen and 10% phosphorus at 70˚C, 75˚C, and 80˚C were used for modelling. The simulation results obtained from the models of the methods and the data obtained from the experiments were compared. The predictions and performances of each model were presented. Determination the appropriate drying parameters is It is important for the drying efficiency of the product. In addition, model selection plays an important role in obtaining successful results in drying simulations. As a result, it has been observed that the prediction performance of the model created with the artificial neural network is more successful than the others. While regressions are efficient in modelling existing data, they are not successful in predicting. Moreover, it is not enough to predict the peak and pits in the drying data.
Multi layer perceptron network Machine learning Organic fertilizer Regression Agricultural drying Long short time memory
Birincil Dil | Türkçe |
---|---|
Konular | Mühendislik |
Bölüm | Makaleler |
Yazarlar | |
Yayımlanma Tarihi | 15 Ekim 2022 |
Gönderilme Tarihi | 28 Nisan 2022 |
Kabul Tarihi | 9 Ekim 2022 |
Yayımlandığı Sayı | Yıl 2022 Cilt: 12 Sayı: 4 |