Yapay Zeka Uygulamalarında "Yapay Sinir Ağları"nın Tesisat

Yapay Zeka Uygulamalarında "Yapay Sinir
Ağları"nın Tesisat Mühendisliğinde Kullanımı
Kemal ATİK*
Özet
Yapay zeka uygulamaları bilimde gittikçe artan oranda kullanılmaktadır. Bunlardan biri, insan beyninin sinir hücre­
si yapısını örnek alan ve öğrenme kabiliyetine sahip olan Yapay Sinir Ağları dır. Bu yeteneğinden dolayı birçok bilim
dalında, modelleme ve kontrol işlemlerinde başarılı bir şekilde kullanılmaktadır. Tesisat mühendisliği alanında da bir­
çok modelleme, tahmin ve kontrol uygulamalarında başarıyla kullanılmış ve kullanılabilirliği belirtilmiştir. Bu çalış­
mada, "Yapay Sinir Ağları " nın yapısı ve algoritmaları anlatılıp, tesisat mühendisliği alanındaki kullanımına örnekler
verilmiştir.
Anahtar kelimeler: Tesisat Mühendisliği, Kontrol, Modelleme, Yapay Zeka, Yapay Sinir Ağları
1. GİRİŞ
Bilgisayarlar, hızlarının ve kapasitelerinin artması,
yeni programlama tekniklerinin geliştirilmesi saye­
sinde bilimin her alanında kullanımları yaygınlaş­
maktadır. Yapay zeka uygulamalarından; Yapay Si­
nir Ağları (YSA), Genetik algoritmalar ve Bulanık
mantık algoritmaları son yıllarda sıkça kullanılan
programlama metotlardır. Bu çalışmada YSA' ların
yapısı ve tesisat mühendisliği alanındaki uygulama­
ları tanıtılacaktır.
2. YAPAY SİNİR AĞLARI
Yapay sinir ağlan insan beyninin çalışma mekaniz­
ması taklit edilerek geliştirilen ve biyolojik olarak
insan beyninin yaptığı temel işlemleri belirli bir ya­
zılımla gerçekleştirmeyi amaçlayan bir mantıksal
programlama tekniğidir [1]- Hücre adı verilen ve
bilgiyi işleyen birimlerden oluşmaktadır. Hücreler
arasındaki kendine özgü ağırlık değeri olan bağlantı
hatları vasıtasıyla bilgiyi taşırlar. Taşınan bilgi sin­
yalleri bu ağırlıklarla çarpılarak toplam enerjileri bu­
lunur. Hücre çıkışındaki bilgi, bir aktivasyon fonksi­
yonundan faydalanılarak hesaplanır [2]. Şekil l.'de
bir hücre yapısı görülmektedir. Yapay sinir ağlan ön­
ce eldeki verilerle eğitilmekte ve daha sonra amaca
göre kullanılmaktadır. Eğitme işi oldukça uzun za­
man almasına rağmen; kullanım sırasında çok çabuk
karar vermektedirler. Öğrenme, genelleme ve hatalan tolère etme yeteneklerinden dolayı lineer olma­
yan sistemlerin modellenmesinde de çok geniş uy­
gulama alanı bulmuşlardır [3].
Z.K.Ü. Karabük Teknik Eğitim Fakültesi, Makine Eğitimi Bölümü - KARABÜK
TESİSAT MÜHENDİSLİĞİ DERGİSİ, Sayı 91, 2006
83
Hücre çıkışındaki bilgi;
içermekte: böylece lineer olmayan modeller elde
edebilmektedirler.
(D
eşitliği ile hesaplanır. Burada ; X, : Giriş değerleri,
wi: Bağlantıların ağırlıkları, Netj: Hücre çıkışında el­
de edilen bilgidir.
Kullanılan aktivasyon fonksiyonlarından birisi şu­
dur:
N
f(Netj) = l/(l+e- eti )
(2)
f(Netj): Aktivasyon fonksiyonuyla hesaplanan so­
nuçtur.
Mühendislikte ve pek çok alanda en çok kullanılan
öğrenme algoritması, geriye yayılma algoritmasıdır.
Bunun en büyük nedeni, öğrenme kapasitesinin
yüksek ve algoritmasının basit olmasıdır [5].
3. UYGULAMALAR
YSA ile bir problemin çözülebilmesi amacıyla önce
bu probleme uygun ağ mimarisi tasarlanır. Bu ağın
giriş katmanı hücre sayısı, problemdeki sonuca etki
eden değişkenler, çıkış katmanı hücre sayısı ise elde
edilecek sonuçların sayısı kadardır.
Yapay sinir ağlarından kontrol uygulamalarında, ro­
botlarda, desen tanıma işlemlerinde, tıpta, güç sis­
temlerinde, sinyal işlemede, sosyal ve fizyolojik
tahminde bulunmada ve sistem modellemede fayda­
lanılmaktadır [4]. YSA'lar yapısal ve matematiksel
olarak farklılıklar gösterirler. Yapısal farklılıklar, kat­
man sayılan ve düğüm noktalan arasındaki bağlantı
şekillerinin farklı olmasıdır. Bu farkhlık YSA'nın
kullanım amacına ve programcının tasarımına bağlı­
dır. Genellikle, Şekil 2'de görüldüğü gibi; giriş kat­
manı, gizli katman ve çıkış katmanı olmak üzere 3
katmandan oluşmaktadırlar. Düğüm noktası ve aralanndaki bağlantı sayısı arttıkça YSA'nın öğrenme
kapasitesi artmakta, fakat eğitim zamanı da artmak­
tadır.
Matematiksel farklılıklar ise; YSA'nın eğitilmesinde
kullanılan algoritma ve aktivasyon fonksiyonunun
ipidir. Aktivasyon fonksiyonları üstel fonksiyonlar
84
Tesisat mühendisliği alanındaki YSA kullanımını
modelleme ve kontrol olarak iki bölümde toplayabi­
liriz. Deneysel verilerin kullanılması ile bir cihazın
deney yapılmayan değerler için performansının tah­
mini, meteorolojik veriler kullanılarak elde bulun­
mayan verilerin veya cihaz verimi tahmini gibi ça­
lışmalar modelleme alanındaki uygulamalardır. Sı­
caklık, nem, hava debisi kontrolü, ısıtmaya başlama
zamanı belirlenmesi vb. çalışmalar ise kontrol ala­
nındaki YSA uygulamalarıdır.
3.1. Modelleme
Matematiksel modelin kurulamadığı veya zor oldu­
ğu problemlerde YSA'lar ile modelleme yapılabil­
mektedir. Deneysel verilerin bir kısmı YSA'nın eği­
tilmesinde kullanılmaktadır. Uzun süren bu işlem­
den sonra eğer ağın hatası kabul edilebilir sınırlar
içerisinde ise YSA eğitimini tamamlamıştır ve geri­
ye kalan verilerle YSA test edilerek elde olmayan
TESİSAT MÜHENDİSLİĞİ DERGİSİ. Sayı 91. 2006
veriler için kullanılabilir. Bu konuda yapılan çalış­
malar aşağıda özetlenmiştir.
Kalogirou tarafından yapılan bir çalışmada pasif gü­
neş binalarının enerji tüketiminin tahmini için yapay
sinir ağlan kullanılmıştır. Çalışmada yalıtılmış bir
odanın yaz ve kış durumlan için, duvar kalınlığı
15cm'den 60 cm aralığına kadar değiştirilerek; çok
tabakalı, geriye yayılım öğrenme algoritmasını kulla­
nan bir yapay sinir ağı binanın termal davranışlarıy­
la eğitilmiştir. Eğitilen bu YSA diğer binaların ener­
ji tüketiminin tahmininde kullanılmıştır. Böylece el­
de edilen yapay sinir ağının hızlı ve tatminkar sonuç­
lar verdiği görülmüştür [4].
Shengwei, YSA kullanarak değişken hava debili iklimlendirme sisteminin kontrol modelini kurmuştur.
Geliştirilen model farklı iklim şartları için değişken
hava debili bir sistemin bütün cevaplarını tahmin
edebilecek şekilde eğitilmiş ve test edilmiştir [6].
Soteris başka bir çalışmasında ısıtma, havalandırma,
iklimlendirme ve güneş ışınımlı güç sistemleri uygu­
lamalarında da yapay sinir ağlarının kullanabileceği­
ni belirtmiştir [7].
Kalogirou başka bir çalışmasında yenilenebilir ener­
ji sistemlerinde yapay sinir ağlarının bir uygulaması­
nı yapmıştır. Bu çalışmada parabolik kollektör kulla­
nan güneş enerjisiyle buhar üreten sistem dizaynın­
da, sulu ısıtma sistemlerinde ve pasif ısıtma sistem­
lerinin performansını tahmin etmede yapay sinir ağ­
ları kullanılmıştır [8].
Swider, buhar sıkıştırmah sıvı soğutucunun yapay si­
nir ağlarıyla modellemesini yapmıştır. Soğutulmuş
su sıcaklığı, soğutma suyunun kondansere giriş sı­
caklığı ve evaporator kapasitesini giriş olarak alan
yapay sinir ağı; özellikle verim olmak üzere soğutu­
cu karakteristiklerini tahmin etmektedir. Bu ağ % 5
yaklaşıklıkla soğutucu perfonnansını tahmin etmiş­
tir. Yapay sinir ağlarını performans tahmininde, hata
bulmada ve diğer teşhis işlemlerinde tavsiye etmek­
tedir [9].
sinir ağları ile optimizasyonunun modellemesini
yapmıştır. Yakıtın doğrudan yakıldığı LiBr absorbsi­
yonlu sistemde yakıt ve elektrik enerjisinin optimal
kullanımı için tesisatın bütününü göz önüne almıştır.
Chow*un elde ettiği sonuçlar bu modellemenin kul­
lanılabilirliğini göstermiştir [10].
İslamoğlu, oluklu bir kanaldaki hava akışındaki de­
neysel verileri YSA ile ısı transfer analizinde kullan­
mıştır. Geriye yayınım algoritmasını kullandığı YSA
başarılı olmuş ve ortalama % 4 bağıl hata yapmıştır
[11].
Sözen, Türkiye'nin Güneş ışınımı potansiyelini YSA
ile modellemiştir. Bazı şehirlerin enlem, boylam, ra­
kım değerleri ile, hangi ay ve güneş ışmım süresi bil­
gilerine karşılık olan güneş ışınımı değerlerini YSA
ya öğretmiştir. YSA % 3.8 ortalama bağıl hata ve %
99.97 korelasyon katsayısı değerleriyle güneş ışınımı
miktarını öğrenmiştir [12].
Tanyolu, coil içerisindeki akışkan ile giriş ve çıkış
havalarının yaş ve kuru termometre sıcaklıklarının
ilişkilerini kullanarak; soğutarak nem alma işlemini
çok katmanlı bir yapay sinir ağı ile modellemiştir.
Deneysel verilerin % 80'ini modellemede, kalanını
da ağı test etmede kullanmıştır. Sonuçta girdi ve çık­
tılar arasında iyi genelleştirmeler elde etmiştir [13].
Hamdy, İki farklı gözlem istasyonundaki 2001 yılı
için ölçülen ultraviyole ve toplam güneş ışınım şid­
detini kullanarak eğittiği YSA'yı 2002 yılı ölçümleri
ile test etmiştir. Korelasyon katsayısı 0,74-0,99 ara­
lığında, ortalama karesel hata yaklaşık %10 değerle­
rinde hesaplanmıştır [14].
Mellit, Cezayir'de enlem, boylam ve rakımları fark­
lı 60 meteoroloji istasyonu için 1991-2000 yılları
arasındaki güneş ışınımı verilerini kullanarak farklı
mimarideki YSA larla fotovoltaik bir sistemin veri­
mimi modellemiştir. YSA 1ar 3 girişli 12 çıkışlıdır.
Gizli hücrelerinde 4 ve 8 hücre bulunmaktadır. 60
adet veriden 56' sı eğitimde; 4 ü testte kullanılmıştır
[15].
Chow, absorbsiyonlu soğutma sistemlerinin yapay
TESİSAT MÜHENDİSLİĞİ DERGİSİ. Sayı 91. 2006
85
Alam, 10 farklı meteoroloji istasyonundan alınan
verileri YSA ile modellemiştir. 6 giriş bir çıkış hüc­
resi vardır fi6].
Tymvios, Farklı mimarideki ve değişik giriş değiş­
kenlerine sahip YSA 1ar ile aylık global ışınım değer­
lerini tahmin etmiştir. Gizli katman sayısını 1 ve 2
almıştır. Giriş değişkeni olarak: teorik güneş ışınımı,
aylık maksimum sıcaklık ve ay numarası değişkenle­
rinden her seferinde ikisi alınmıştır [17].
Ertunç, buharlaşmak kondenserli bir soğutma siste­
mini YSA ile modellemiştir. 4 giriş, 4 çıkış hücresi­
ne sahip YSA da ortalama karesel hata % 1,9 - 4,18
arasında olmuştur [18].
Şencan, YSA ile absorbsiyonlu bir soğutma sistemi­
nin termodinamik analizini yapmıştır. Sıcaklık ve
konsantrasyon bilgilerinin giriş; entalpi değerinin
çıkış olduğu YSA da korelasyon katsayısı 0,999 ola­
rak bulunmuştur [19].
Hosoz, bir otomobil klimasının YSA ile analizini
yapmıştır. Üç giriş ve 4 çıkış olan YSA da ortalama
bağıl hata % 1,52- 2,51 arasında bulunmuştur [20].
3.2. Kontrol
Dinamik sistemin modelinin kurulabildiği veya ku­
rulamadığı uygulamalarda YSA'lar ile kontrol yapı­
labilmektedir. Isıtma, soğutma ve iklimlendirme gi­
bi tesisat mühendisliği alanlarında da YSA'lar başa­
rıyla kullanılmışlardır. Şekil 3'te YSA'nın kontrol
amaçlı uygulaması görülmektedir.
Kontrol konusunda yapılan çalışmalardan bazıları
aşağıda verilmiştir: Shiming, enerji tasarrufu sağla­
86
mak amacıyla, doğrudan genleşmeli iklimlendirme
sistemleri için ileri beslemeli bir kontrol sistemi ge­
liştirmiştir. Bu sistemde yapay sinir ağlan kullanıl­
maktadır. Yapay sinir ağına cihazın lineer olmayan
karakteristiğini öğretmekte; oransal kontrol yap­
maktadır. Yazar yaptığı simülasyonlarda tutarlı kont­
rol elde etmiştir. Başlangıç ayarlamaları ve bozucu
sinyallere karşı, bilinen PI uygulamalanndan daha
az duyarlı olduğu görmüştür. Bu sistemin hem doğ­
rudan genleşmeli sistemlerde hem de değişken hava
debili sistemlerde yüksek enerji etkinliği ve düşük
işletme maliyeti getireceğini beklemektedir [21].
Kanarachos, YSA ile tek bölgenin sulu ısıtma siste­
mini çeşitli kontrol tiplerini değiştirerek incelemiş­
tir. Bu işlemlerde bir gizli katmanı olan geri besle­
meli YSA kullanılmış ve farklı mimaride ağlar ve
eğitme yolları kullanarak oda sıcaklığı ve enerji tü­
ketimini karşı laştınlmıştır [22].
Karakuzu, YSA ile bir ısıtıcının kontrolünü yapmış­
tır. Bu kontrolde kullanılan YSA 3 katmanlı, geri
beslemelidir. Sistem 8,5 litre hacimli bir cam su ka­
bı, 1000 Watt elektrikli ısıtıcı, sıcaklık ölçer ve triyaklı güç kontrol devresinden oluşmaktadır. Önce­
likle başlangıç sıcaklığından ayar sıcaklığına kadar
ağın nasıl bir davranış göstereceği ağa öğretilmiştir.
Sonuçta, ayar değerine yakın bölgelerde iyi neticeler
alınmıştır [23].
Yang, YSA'yı bina kontrol sistemine uygulamıştır.
Binanın ısıtmaya başlama optimum zamanını belirle­
mede geriye yaydım algoritmah YSA kullanmıştır.
YSA deneysel verileri kullanarak eğitilmiş, değiş­
ken bina şartlanna göre oda sıcaklığını önceden bile­
rek ısıtmaya başlama zamanını bulmaktadır [24].
4. SONUÇ
Yapay zeka uygulamalarından olan YSA'lar fazla
geçmişleri olmamasına rağmen kullanım alanları
hızla yaygınlaşmakta ve Tesisat mühendisliği alanın­
da da kullanılmaktadırlar. İleride daha da yaygın
olarak kullanılacağı tahmin edilmektedir.
TESİSAT MÜHENDİSLİĞİ DERGİSİ, Sayı 91, 2006
KAYNAKLAR
1. Civalek. Ö., Dairesel Plakların Nöro- fuzzy tekniği
ile Analizi. DEÜ Müh. Fak. Fen ve Müh. Dergisi. 12. 13-31, 1999.
2. Ataman, F., Kaynak, T.. Yüncü, S., Bilgisayar orta­
mında sistem modelleme yoluyla yapay zeka içeren
çözümlerin irdelenmesi, Elektrik-Elektronik-Bilgisayar Mühendisliği 8. Ulusal Kongresi, 677-679.
Gaziantep. 1998.
3. Demir. Y.. Tuntaş. R., Koksal, M., Anahtarlamalı
devrelerin yapay sinir ağlan ile analizi. Elektrik Elektronik-Bilgisayar Mühendisliği 8. Ulusal
Kongresi. 673-679. Gaziantep. 1998.
4. Soteris, A. K., Bojic, M., Artificial neural networks
for the prediction of the energy consumption of a
passive solar building, Energy, 25 , 479-491, 2000.
5. Üçgül.İ., Akarslan,F..Şencan,A..Dokuma Kumaş­
ların Kuruma Hızı Değerlerinin Yapay Sinir Ağlan
Metodu İle Tahmini, Isı Bilimi ve Tekniği Dergisi,
23.1-7,2003.
6. Shengwei, W., Jin, X., Model-based optimal control
of VAV air-conditioning system using genetic algo­
rithm. Building and Environment, 35, 471-487,
2000.
7. Kalogirou, A.S.. Applications of artificial neural
networks in energy systems a review, Energy Con­
version and Management. 40, 1073-1087, 1999.
8. Kalogirou, A. S., Artificial neural networks in rene­
wable energy systems applications: a review, Rene­
wable & Sustainable Energy Reviews, 5, 373-401,
2001.
9. Swider, D.J., Browne, M.W., Bansal, P.K., Kecman.
V., Modelling of vapour-compression liquid chillers
with neural networks, Applied Thermal Energy, 21,
311-329, 2001.
10. Chow. T.T., Zhang, G.Q. Lin, Z., Song. C.L., Glo­
bal optimization of absorbtion chiller system by
genetic algorithm and neural network. Energy and
Buildingsç, 34, 103,2002.
11. İslamoğlu, Y, Kurt, A., Heat Transfer Analysis
Using ANNs With Experimental Data for Air Flo­
wing Corrugated Channels. I. J. Of Heat And Mass
Transfer. 47. 1361-1365. 2004.
12. Sözen, A., Arcaklıoğlu, E., Solar potential in Tur­
key. Applied Energy. 80, 35-45, 2004.
13. Tanyolu, T., A Neural Network Approach with
Self-Organized Principal Component Analsis for
TESİSAT MÜHENDİSLİĞİ DERGİSİ. Sayı 91. 2006
Identification of Dehumudifying Coils, ASHRAE
Trans., 1999.
14. Hamdy, K. Elminir, Faiz F., Areed, Tarek S. Elsayed, Estimation of solar radiation components in­
cident on Helwan site using neural Networks, So­
lar Energy, 79, 270-279, 2005.
15.Mellit,A..Benghanem,M.,Hadj.A.,Arab,A.,Guessoum. A., A simplified model for generating se­
quences of global solar radiation data for isolated
sites: Using arti.cial neural network and a library
of Markov transition matrices approach. Solar
Energy 79,469-482,2005.
16. Alam, S., Kaushik, S.C., Garg, S.N., Computation
of beam solar radiation at normal incidence using
artificial neural network. Renewable Energy,
2005.
17. Tymvios, F.S., Jacovides, CR, Michaelides, S.C.,
Scouteli, C, Comperative study öf Angstrom's
and artificial neural networks methodologies in es­
timating global solar radiation, Solar Energy, 78,
752-762,2005.
18. Ertunç, H.M., Hosoz, M., Artificial neural network
analysis of a refrigeration system with an evapora­
tive condenser, Applied Thermal Energy. 26, 627635,2006.
19. Şencan.A., Yakut, A.K., Kalogirou, S.A.,Thefmodinamic analysis of absorbtion systems using arti­
ficial neural network, Renewable Energy, 31; 2943, 2006.
20. Hosoz, M., Ertunç, H.M., Artificial neural network
analysis of an automobile air conditioning system.
Energy Conversion and Management, 2005.
21. Shiming, D., The Application of feedforward cont­
rol in a direct expansion (DX) air conditioning
plant. Building and Environment, 37, 35, 2002.
22. Kanarachos, A., Geramanis, K., Multivariable
control of single zone hydronik heating system
with neural networks, Energy Con vers., 39-13,
1317-1335, 1998.
23. Karakuzu, C, Öztürk, S., Yapay sinir ağları ile bir
kontrol uygulaması, Elektrik-Elektronik-Bilgisayar Mühendisliği 8. Ulusal Kongresi, 689-692,
Gaziantep, 1998.
24. Yang, I., Yeo. M.S.. Kim, K.W., Application of ar­
tificial neural network to predict the optimal start
time for heating system in building, Energy Con­
version and Management. 44, 2791-2809, 2003.
87