In this study, the gross calorific value (GCV)of washed Turkish lignite coals was predicted by using dry-basis proximateanalysis data of coal samples with machine learning methods. The data set wasgenerated by using ash (A), volatile matter (VM), sulfur (S) and GCV variablesobtained from the analysis results. The GCV prediction models were developed byapplying Support Vector Regression (SVR) and three different Artificial NeuralNetworks (ANNs), namely Multi-Layer Perceptron (MLP), General Regression NeuralNetwork (GRNN) and Radial Basis Function Neural Network (RBFN), separately tothe data set. The generalization capability of the developed models was ensuredby using 10-fold cross-validation, and the prediction accuracy of the modelswas calculated by using performance metrics Multiple Correlation Coefficient (R), Root Mean Square Error(RMSE), Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE).For GCV prediction, the results reveal that the SVR-based model performedslightly better than the ANN-based models and among the ANN-based models, theRBFN-based model performed better than MLP- and GRNN-based models.
Bu çalışmada yıkanmış Türklinyit kömürlerinin üst ısıl değeri (GCV), makine öğrenmesi yöntemleri ilekömür numunelerinin kuru baz kısa analiz sonuçları kullanılarak tahminedilmiştir. Laboratuvar kömür analiz sonuçlarından elde edilen kül (A), uçucumadde (VM), kükürt (S) ve GCV değişkenleri kullanılarak veri kümesioluşturulmuştur. Veri kümesine, Destek Vektör Regresyonu (SVR) ile Çok KatmanlıAlgılayıcı (MLP), Genel Regresyon Sinir Ağı (GRNN) ve Radyal Temelli FonksiyonSinir Ağı (RBFN) olmak üzere üç farklı Yapay Sinir Ağı (ANN) uygulanarak GCVtahmin modelleri geliştirilmiştir. Geliştirilen modellerin performansgenelleştirme kabiliyeti 10-katlı çapraz-doğrulama kullanılarak sağlanmış vemodellerin tahmin doğruluğu, performans ölçütleri Çoklu Korelasyon Katsayısı (R), Kök Ortalama Kare Hatası(RMSE), Ortalama Mutlak Hata (MAE) ve Ortalama Mutlak Yüzde Hata (MAPE)kullanılarak hesaplanmıştır. Sonuçlar, GCV tahmini için, tüm modeller arasındaSVR tabanlı modelin ANN tabanlı modellere göre biraz daha iyi, ANN tabanlımodeller arasında ise RBFN tabanlı modelin MLP ve GRNN tabanlı modellere göredaha iyi performans gösterdiğini ortaya koymuştur.