Fourıer dönüşümlü kızılötesi spektroskopisi ve makine öğrenmesi kullanılarak poliollerde bazı karakteristik özelliklerin öngörülmesi

Abstract

Günlük hayatta poliüreatanları birçok alanda kullanmaktayız. Bu poliüretanların ve diğer bir çok ürünün hammaddesi olan poliol ürünlerinin bazı ana karakteristiklerini bulunmaktadır. Bu çalışma, bu karakteristikleri belirlemek amacıyla çeşitli makine öğrenme yöntemlerini incelemektedir. Poliol ürünleri, endüstriyel süreçlerde yaygın olarak kullanılan bir kimyasal bileşenlerdir ve bu ürünlerin ana karakteristiklerinin doğru bir şekilde tahmin edilmesi, üretim süreçlerinin yönetimi, kalite kontrolü ve ürün geliştirmenin temelini oluşturur. Çalışma, poliol ürünlerinin ana karakteristiklerini etkileyebilecek faktörleri belirlemek amacıyla derinlemesine bir literatür taraması yapar. Daha sonra, çeşitli kaynaklardan elde edilen geniş veri setlerini kullanarak, dört farklı makine öğrenme yöntemi olan lineer regresyon, Gaussian Process Regresyon (GPR), Destek Vektör Makinesi (SVM) ve Yapay Sinir Ağları (ANN) ile poliol karakteristiklerini tahmin etmek için kapsamlı analizler gerçekleştirir. Her bir modelin performansı, kök-kare ortalama hatası (RMSE), R-kare değeri ve diğer metrikler kullanılarak ayrıntılı bir şekilde değerlendirilir. Sonuçlar, hangi makine öğrenme yönteminin poliol ürünlerinin ana karakteristiklerini en iyi tahmin ettiğini belirlemeye yardımcı olacaktır. Ayrıca, bu tez, endüstriyel süreçlerin verimliliğini artırmayı hedefleyen mühendisler ve endüstri profesyonelleri için değerli bir kaynak oluşturacaktır. Poliol ürünlerinin kalite kontrolü ve süreç iyileştirmesi için gelişmiş veri analitiği tekniklerinin nasıl kullanılabileceğini vurgulayarak, gelecekteki çalışmalar için temel oluşturacaktır. Sadece poliollerin değil tüm kimyasalların birçok karakteristik özelliğini (Derişim, pH, mol kütlesi, bağ yapısı, öz ısı, öz kütle, ışık geçirgenlik vb.) tahmin etmek için de kaynak olacaktır. Sonuç olarak, bu çalışma, makine öğrenme yöntemlerinin poliol ürünlerinin ana karakteristiklerini tahmin etmek için nasıl kullanılabileceğini ve endüstriyel süreçlerin geliştirilmesine nasıl katkı sağlayabileceğini inceliyor. Bu çalışma, endüstriyel uygulamalar ve araştırma alanlarında değerli bir bilgi kaynağı olacaktır.We use polyureathane in many areas in daily life. Polyol products, which are the raw materials of these polyurethanes and many other products, have some main characteristics. This study examines various machine learning methods to identify these characteristics. Polyol products are commonly used chemical components in industrial processes, and accurately predicting their key characteristics is crucial for process management, quality control, and product development. The study commences with an in-depth literature review to identify the factors that may influence the key characteristics of polyol products. Subsequently, by utilizing extensive datasets from various sources, the research employs four different machine learning methods linear regression, Gaussian Process Regression (GPR), Support Vector Machines (SVM), and Artificial Neural Networks (ANN) - to predict the key characteristics of polyol products, conducting comprehensive analyses in the process. Each model's performance is assessed in detail using metrics such as Root Mean Square Error (RMSE), R-squared value, and others. The results provide valuable insights into which machine learning method offers the most accurate predictions for the key characteristics of polyol products. Furthermore, this thesis serves as a valuable resource for engineers and industry professionals aiming to enhance industrial processes. By highlighting how advanced data analytics techniques can be applied for quality control and process improvement of polyol products, it paves the way for future research. It will also be a resource for estimating many characteristic properties (concentration, pH, molar mass, bond structure, specific heat, specific mass, light transmittance, etc.) not only of polyols but of all chemicals. In conclusion, this study delves into the application of machine learning methods to predict the key characteristics of polyol products and how they can contribute to the enhancement of industrial processes. It stands as an invaluable source of knowledge for industrial applications and research fields.