You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
değiştiricilerde optimizasyon çözümlemeleri, yakıt piline yönelik optimizasyon<br />
uygulamalarının yapıldığı gözlenmiştir [21-29].<br />
Bu problemlerin hemen hemen hepsi çok geniş bir çözüm havzasının<br />
taranmasını gerektirmektedir. Bu çözüm havzasının geleneksel yöntemlerle<br />
taranması çok uzun sürmekte, genetik algoritmayla ise kısa bir sürede kabul edilebilir<br />
bir sonuç alınabilmektedir. Genetik algoritmaları klasik optimizasyon<br />
yaklaşımlarından ayıran önemli farklar vardır. Klasik optimizasyon<br />
çözümlemelerinde hedeflenen optimal noktaya ulaşıp ulaşılamadığı veya ne kadar<br />
ulaşılabildiği ölçülür. Genetik algoritma klasik yaklaşımlardan dört noktada ayrılır<br />
[30,31] ;<br />
a) Genetik algoritma parametrelerin kendileri ile değil, parametre takımının<br />
kodlanmış bir haliyle uğraşır.<br />
b) Genetik algoritma aramaya tek bir noktada değil, bir nokta ailesinden başlar.<br />
Dolayısıyla yerel bir optimuma takılmadan çalışabilir.<br />
c) Genetik algoritma, amaç fonksiyonunun (objective function) türevlerini ve bir<br />
takım ek bilgileri değil, doğrudan amaç fonksiyonunun kendisini kullanır.<br />
d) Genetik algoritmada deterministik değil, rastlantısal geçiş kuralları kullanılır.<br />
Bu çalışmada kuru sistem çimento fabrikalarında üretim hattı üzerinde yer<br />
alan döner fırın prosesinin öncelikle termodinamiğin birinci ve ikinci yasasına göre<br />
enerji ve ekserji analizleri yapılmıştır. Çalışmada döner fırın bölümünün bir haftalık<br />
çalışma verileri kullanılmıştır. Daha sonra bu verilere göre döner fırın prosesinin<br />
yeni geliştirilen Ürün Ekserjetik Maliyet (Product Exergetic Cost; PRECO)<br />
eksergoekonomik analiz yöntemi ile eksergoekonomik analizleri gerçekleştirilmiştir.<br />
Çalışmada ayrıca, geleneksel optimizasyon tekniklerinden farklı olarak, genetik<br />
algoritmanın kullanıldığı eksergoekonomik optimizasyon yöntemi ile ürün maliyeti<br />
ve sistemin ekserjetik veriminin iyileştirilmesi hedeflenmiştir. Bunun için genetik<br />
algoritma yaklaşımlarından biri olan uyarlanabilir aralıklı çok amaçlı genetik<br />
algoritma (Adaptive Range Multi-Objective Algorithm; ARMOGA) tekniği<br />
kullanılmıştır.<br />
5
Change language