ESTIMATION OF THE CRITICAL PROPERTIES OF COMPOUNDS USING MACHINE  LEARNING ALGORITHMS

Roua ALHALOUSH

ESTIMATION OF THE CRITICAL PROPERTIES OF COMPOUNDS USING MACHINE LEARNING ALGORITHMS

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Kimya-Metalurji Fakültesi, Kimya Müh.Bölümü, Türkiye

Tezin Onay Tarihi: 2023

Tezin Dili: Türkçe

Öğrenci: Roua ALHALOUSH

Danışman: Hasan Sadıkoğlu

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Kritik özellikler, endüstriyel birimlerin işletilmesinde ve tasarlanmasında bir mihenk taşı olarak kabul edilir. Bu özellikleri deneysel olarak elde etmek aşırı enerji ve zaman tüketimi gerektirir. Bu nedenle, kimyasal bileşiklerin yapısına bağlı olarak kritik özelliklerin tahmin edilmesinde Grup Katkı Yöntemleri kullanılmaktadır. Lydersen yöntemi bu kapsamda geliştirilen en başarılı yöntemlerden biridir. Birçok araştırmacı, kritik özelliklerin tahmini için geliştirilmiş modeller geliştirmek için bu yöntemi temel olarak kullandı. Son zamanlarda, kimyasal bileşiklerin farklı özelliklerinin tahminini geliştirmek için makine öğrenimi algoritmaları kullanıldı. Bu çalışmada, alkol bileşiklerinin kritik özelliklerini tahmin etmek için çeşitli makine öğrenme algoritmaları (Lineer Regresyon, SVM, DT, Ensembles, GPR ve NN) kullanılmıştır. Bu kapsamda, makine öğrenme modellerini oluşturmak için kullanılan Lydersen sabitlerini elde etmek için 150 alkol bileşiğine Lydersen yöntemi uygulanmıştır. Makine öğrenimi modellerinin doğruluğunu değerlendirmek için R2, MSE, RMSE ve MAE hesaplandı. Modellerin geçerliliğini test etmek için 10 kat çapraz doğrulama yöntemi kullanılmıştır. Girdi değişkenleri arasındaki ilişkiyi anlamak için Pearson korelasyonu yapıldı. Ayrıca, makine öğrenmesi modellerinin oluşturulmasında girdi değişkenlerinin önemini anlamak için özellik seçimi yapılmıştır. Lydersen yönteminin tahmin doğruluğu, makine öğrenimi modellerininkiyle karşılaştırıldı. Tc, Pc ve Vc sırasıyla SVM modeli, GPR modeli ve GPR modeli tarafından en iyi şekilde tahmin edilmiştir. Bu modellerin sırasıyla 0,9842, 0,9685 ve 0,9964 R2 değerleri ile en iyi performansı verdiği bulunmuştur. Lydersen yöntemi kullanılarak Tc, Pc ve Vc tahmininde R2 değerleri sırasıyla 0.9759, 0.9318 ve 0.9943 olarak bulunmuştur. Elde edilen sonuçlar literatür ile karşılaştırıldı. Elde edilen sonuçlar, makine öğrenimi algoritmalarının, özellik tahmini için sağlam modeller oluşturmak için güçlü araçlar olduğunu göstermektedir.