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 hata- lan 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
eşitliği ile hesaplanır. Burada ; X, : Giriş değerleri, wi: Bağlantıların ağırlıkları, Netj: Hücre çıkışında el
de edilen bilgidir.
Kullanılan aktivasyon fonksiyonlarından birisi şu
dur:
f(Netj) = l/(l+e-Neti ) (2)
f(Netj): Aktivasyon fonksiyonuyla hesaplanan so
nuçtur.
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 ara- lanndaki 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
içermekte: böylece lineer olmayan modeller elde edebilmektedirler.
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.
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 Hücre çıkışındaki bilgi;
(D
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 ik- limlendirme 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].
Chow, absorbsiyonlu soğutma sistemlerinin yapay
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].
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
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 tri- yaklı 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.
KAYNAKLAR
1. Civalek. Ö., Dairesel Plakların Nöro- fuzzy tekniği ile Analizi. DEÜ Müh. Fak. Fen ve Müh. Dergisi. 1- 2. 13-31, 1999.
2. Ataman, F., Kaynak, T.. Yüncü, S., Bilgisayar orta
mında sistem modelleme yoluyla yapay zeka içeren çözümlerin irdelenmesi, Elektrik-Elektronik-Bilgi- sayar 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
Identification of Dehumudifying Coils, ASHRAE Trans., 1999.
14. Hamdy, K. Elminir, Faiz F., Areed, Tarek S. Elsa- yed, 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.,Gu- essoum. 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, 627- 635,2006.
19. Şencan.A., Yakut, A.K., Kalogirou, S.A.,Thefmo- dinamic analysis of absorbtion systems using arti
ficial neural network, Renewable Energy, 31; 29- 43, 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-Bilgisa- yar 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.
TESİSAT MÜHENDİSLİĞİ DERGİSİ. Sayı 91. 2006 87
