Abstract
Bu çalışma, biyogaz reform süreçlerinde çeşitli çıktı parametrelerini tahmin etmek için Evrişimli Sinir Ağları (CNN: Convolutional Neural Networks) ve Uzun Kısa Süreli Bellek (LSTM: Long Short-Term Memory) algoritmalarını birleştiren hibrit bir derin öğrenme modelinin uygulamasını incelemektedir. Çalışmanın amacı, bu süreçlerin yönetimini iyileştiren tahmine dayalı modeller geliştirmektir. CNN-LSTM modeli, zaman serisi verilerindeki uzun vadeli bağımlılıkları ve karmaşık özellikleri yakalama konusundaki yeterliliği nedeniyle seçilmiş ve Destek Vektör Regresyonu (SVR: Support Vector Regression) gibi diğer modellerle karşılaştırılmıştır. Araştırma metan dönüşüm oranı, hidrojen-karbon monoksit oranı ve sentez gazı bileşimi gibi biyogaz reformunun önemli çıktılarını değerlendirmektedir. Modelin etkinliği RMSE, MAE ve MAPE ölçümleri kullanılarak değerlendirilmiştir. Farklı eğitim dönemleri sonrasında, metan dönüşüm oranı için RMSE 0,1905, MAE 0,1311 ve MAPE 0,0036 olarak kaydedilmiştir. Elde edilen sonuçlar, modelin tahmin başarısındaki yüksek doğruluğu ortaya koymaktadır. Bu çalışma, makine öğrenimi tekniklerinin endüstriyel uygulamalarda biyogaz reform süreçlerinin optimize edilmesi ve kontrol edilmesine katkı sağlayabileceğini göstermektedir. CNN-LSTM modelinin özellikle karmaşık biyokimyasal süreçleri yönetmedeki başarısı, derin öğrenme tekniklerinin potansiyelini vurgulamaktadır. Gelecekteki çalışmalar, modelin farklı biyogaz tesislerinde uygulanmasını ve optimizasyon parametrelerinin daha da iyileştirilmesini amaçlayacaktır.