Entegre sinir ağı modelleri ve SAP S/4HANA sensör analitiği kullanarak petrol ve gaz tesislerinde yanma performansının tahmini

Daha akıllı yanmanın önemi

Petrol ve gaz tesisleri günlük olarak ısı ve buhar üretmek için büyük miktarda yakıt yakar. Yakıtın daha temiz ve verimli yanmasındaki küçük iyileşmeler, şirketlere milyonlarca dolar tasarruf sağlayabilir ve aynı zamanda iklimi ısıtan emisyonları azaltabilir. Yine de işletmeciler hâlâ fırınlar ve kazanları kontrol altında tutmak için sabit kurallara ve gecikmeli alarmlara büyük ölçüde güveniyor. Bu makale, modern sensörleri, SAP S/4HANA gibi kurumsal yazılımları ve gelişmiş sinir ağlarını birleştirmenin, yanma sistemlerini yakıt israfı veya kirlilik sınırlarını aşmadan önce sürekli olarak sorunları tahmin edip önleyen akıllı, kendini fark eden makinelere nasıl dönüştürebileceğini inceliyor.

Sabit kurallardan öğrenen sistemlere

Rafinerilerde ve gaz tesislerinde geleneksel yanma kontrolü, statik formüller ve kural setlerine dayanır: oksijen veya karbon monoksit (CO) bir eşik değeri aştığında alarmlar tetiklenir ve operatörler müdahale eder. Bu kurallar, yakıt kalitesi, ekipman yaşlanması ve değişen yükler gibi endüstriyel tesislerin karmaşık gerçekliğiyle başa çıkmakta zorlanır; bu durum yanma davranışını son derece doğrusal olmayan hale getirir. Çalışma, bu uyumsuzluğun daha yüksek yakıt kullanımı, daha fazla bakım ihtiyacı ve MARPOL ve IMO gibi sıkılaşan emisyon kurallarının ihlal edilme riskinin artmasına yol açtığını savunuyor. Her alarmı izole bir olay olarak ele almak yerine, yazarlar yanmayı sensör verilerinin zengin akışlarından öğrenilebilen sürekli evrilen bir örüntü olarak görmeyi öneriyor.

Tesis sensörlerini kurumsal beyinlere bağlamak

Modern tesisler, oksijen seviyeleri, baca gazı sıcaklığı, yakıt ve hava akışı, buhar basıncı ve bacadaki emisyonlar gibi verileri izleyen yüzlerce sensörden zaten veri akışı sağlıyor. SAP S/4HANA gibi kurumsal sistemler bu sinyalleri bakım planlaması ve düzenleyici raporlama için toplar, ancak nadiren gerçek zamanlı tahmin için kullanırlar. Bu çalışma bir yapay zekâ öngörü motorunu doğrudan o kurumsal katmana entegre ediyor. SAP’nin endüstriyel ağ geçitleri kullanılarak, tesiste sensör başına 70’in üzerinde veriden gelen veriler kısa zaman pencerelerinde temizlenip gürültüsü alınarak senkronize ediliyor ve ardından bellek içi bir veritabanında saklanıyor. Aynı mimari Oracle, Siemens Mindsphere veya benzeri platformların üstünde de çalışabilir; böylece yaklaşım büyük ölçüde tedarikçiden bağımsız hale geliyor.

Sinir ağı yangını nasıl tahmin etmeyi öğreniyor

Sistemin çekirdeği, iki gücü harmanlayan hibrit bir sinir ağıdır: belirli bir anda değişkenler arasındaki ilişkileri yakalamak için yoğun (dense) katmanlar ve bu değişkenlerin zaman içinde nasıl değiştiğini izlemek için kapılı tekrarlı birimler (GRU’lar). Üç farklı tesisten 6,5 milyon sensör örneği üzerinde eğitilen model, on dakika sonrasını tahmin etmek üzere üç önemli çıktıyı öğreniyor: yanma verimliliği, CO emisyonları ve yakıt akışını faydalı buhar çıktısına bağlayan bir yakıt kullanım indeksi. Sorunu basit izlemeden ziyade kısa vadeli tahmin olarak çerçevelendirerek, yapay zekâ operatörlere verimlilik düşmeden veya emisyon limitleri aşılmadan önce brülörleri, kelebek vanaları veya yakıt karışımlarını ayarlamak için değerli bir avantaj sağlıyor.

Güvenilir tahminler, daha hızlı uyarılar, daha temiz bacalar

Üç tesiste ve ek simülasyonlarda yapılan testlerde, hibrit model doğrusal regresyon, rastgele ormanlar ve hatta daha basit tekrarlı ağlar gibi standart araçlardan daha iyi performans gösterdi. Verimlilik için tahmin hataları yaklaşık iki yüzde puanı içinde kaldı; güçlü istatistiksel güven ve zaman içinde düşük değişkenlik sağlandı. Sistem ortalama yaklaşık 0,1 saniyelik yanıt süresi ve %99,7 kullanılabilirlik ile kontrol odalarında canlı kullanım için uygundu. Kritik olarak, açıklanabilir yapay zekâ yöntemleri entegre edildi: model, tipik olarak baca gazı sıcaklığı, yakıt akışı ve oksijen olan hangi sensörlerin belirli bir tahmini en çok etkilediğini vurgulayabiliyor. Bu şeffaflık mühendislerin gerçek proses sorunlarını arızalı enstrümanlardan ayırt etmesine yardımcı oldu ve yapay zekânın önerilerine olan güveni artırdı.

Enerji, maliyet ve emisyonlar açısından anlamı

Tipik bir endüstriyel kazan için yanma verimliliğinde bile %2–5’lik bir artış, yıllık önemli yakıt tasarruflarına ve karbondioksit ile diğer kirleticilerde doğrudan azalmaya dönüşür. Çalışma, erken dağıtımlarda ortalama %1,7 civarında verimlilik artışları bildirdi; bu, daha düşük yakıt faturaları, daha az plansız duruş ve azalan düzenleyici cezalar sayesinde entegrasyon maliyetlerinin birkaç ay içinde geri ödenmesine yetecek düzeyde. Yapay zekâ katmanı mevcut ERP ortamının içinde bulunduğundan, aynı zamanda denetim izlerini ve sürdürülebilirlik raporlamasını da güçlendirir. İleriye bakıldığında, yazarlar yalnızca tahmin etmekle kalmayıp brülör ayarlarını otomatik olarak ince ayar yapabilecek pekiştirmeli öğrenme ajanları eklemeyi ve uzak konumlarda çalışabilecek hafif uç (edge) sürümlerini devreye almayı öngörüyor. Bu adımlar birlikte, yanmanın sürekli optimize edildiği—para tasarrufu sağlayan, güvenliği artıran ve günlük olarak güvendiğimiz enerjinin çevresel ayak izini küçülten—endüstriyel tesislere doğru bir yol gösteriyor.

Atıf: Keshireddy, S.R., Jamithireddy, N.H., Jamithireddy, N.S. et al. Combustion performance prediction in oil and gas plants using integrated neural network models and SAP S4HANA sensor analytics. Sci Rep 16, 5069 (2026). https://doi.org/10.1038/s41598-026-35364-1

Anahtar kelimeler: endüstriyel yapay zekâ, yanma verimliliği, petrol ve gaz tesisleri, sensör analitiği, SAP S4HANA