Research Article
BibTex RIS Cite

Ahşap atıkların makine öğrenmesi yaklaşımları ile sınıflandırılması

Year 2024, Volume: 25 Issue: 1, 22 - 33, 15.05.2024
https://doi.org/10.17474/artvinofd.1402203

Abstract

Bu çalışmada 200 adet farklı kökenden gelen ahşap atık örneğinde İndüktif Eşleşmiş Plazma- Optik Emisyon Spektrometre (ICP-OES) ve Indüktif Eşleşmiş Plazma-Kütle Spektrometresi(ICP-MS) cihazlarında ahşap atıklarda çıkma olasılığı yüksek olan 11 elementin (Pb, Cd, Al, Fe, Zn, Cu, Cr, As, Ni, Hg ve S) analizi yapılmıştır. Çalışmada verilerin tehlikesiz ve tehlikeli şeklindeki değerlendirilmesi TS EN ISO 17225-1 (2021) standardı esas alınarak yapılmıştır. Daha sonra verileri daha iyi analiz edebilmek ve yorumlayabilmek amacıyla, verilere yapay sinir ağı (YSA) ve random forest (RF) analizleri uygulanmıştır. Bu şekilde ahşap atıkların istatistiksel olarak da tehlikesiz ve tehlikeli olarak ayrımının yapılması gerçekleştirilmiştir. Buna göre %100 doğruluk oranı ile random forest analizinin, %99 doğruluk oranı ile yapay sinir ağı analizinden daha iyi bir sınıflandırma yaptığı ortaya konmuştur. Ahşap atıkların geri kazanılarak ülke ekonomisine katkı sağlayacak şekilde üretim döngüsüne girebilmesi veya biyoenerji üretiminde çevre dostu olacak şekilde uygun yöntemler ile yakılabilmesi bu atıkların doğru bir şekilde sınıflandırılması ile mümkün olacaktır. Bu çalışma ileliteratür taramasında rastlanmayan makine öğrenme yaklaşımları ile ahşap atıkların ICP verileri kullanılarak tehlikeli ve tehlikesiz olarak %100 doğruluk oranı ile sınıflandırılması yapılmıştır.

Supporting Institution

İÜ-Cerrahpaşa BAP

Project Number

İÜ-Cerrahpaşa BAP (Project Number: 36203)

Thanks

ICPvalue datas were collected by ICP-MS(Istanbul University-Cerrahpaşa Forestry Faculty) at the Department of Soil Science and Ecology,Bahçeköy, Istanbul, and ICP-OES (Istanbul University-Cerrahpaşa Merlab) with measurement service procurement in the project. Mehtap ERDİL was supported by a PhD Student Fellowship by the Council of Higher Education (YÖK) 100/2000 of Turkey and this article is related to her PhD thesis. This study was supported by the İÜ Cerrahpaşa Scientific Research Projects Corporation (İÜ-Cerrahpaşa BAP) (Project Number: 36203).

References

  • Adıyaman F (2007) Talep tahmininde yapay sinir ağlarının kullanılması. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Yüksek Lisans Tezi, İstanbul.
  • Akman M, Genç Y, Ankaralı H (2011) Random forests yöntemi ve sağlık alanında bir uygulama. Türkiye Klinikleri Journal of Biostatistics, 3(1): 36-48.
  • Amit Y, Geman D (1997) Shape quantization and recognition with randomized trees. Neural Computation, 9(7): 1545-1588.
  • Ataseven B (2013) Yapay sinir ağlari ile öngörü modellemesi. Öneri Dergisi, 10(39): 101-115.
  • Benli Y (2002) Finansal başarısızlığın tahmininde yapay sinir ağı kullanımı ve İMKB’de bir uygulama. Muhasebe Bilim Dünyası Dergisi, 4 (4):17-30.
  • Breiman L (2001a) Random Forests. Machine Learning, 45 (1): 5–32.
  • Breiman L (2001b) Bagging Predictors. Machine Learning, 24 (2): 123-140.
  • Çolak S, Demirkır C, Çolakoğlu G (2005) Odun kökenli atıkların hammadde ve enerji kaynağı olarak değerlendirilmesi. 1. Çevre ve Ormancılık Sürası, 21-25 Mart, Antalya, 3, Cilt:1009-1017.
  • Cutler A, Stevens J, Cutler DR (2011) Random forests, machine learning. January 2011, Ensemble Machine Learning: Methods and Applications (pp.157-176), Chapter 5, Springer Editors: Cha Zhang, Yunqian Ma.
  • Davis C, Williams L, Lupberger S, Daviet F (2013) Assessing forest governance. The Governance of Forests Initiative Indicator Framework, World Resources Institute.
  • Demirkır C, Çolak S (2006) Odun kökenli atıkların levha endüstrisinde yeniden kullanım imkanları. Kafkas Üniversitesi Artvin Orman Fakültesi Dergisi, 7(1): 41-50.
  • Hisarlı A (1990) Ormancılık ve orman ürünleri sanayinin ekonomik gelişmeye etkileri: Türkiye uygulaması. Anadolu Üniversitesi Sosyal Bilimler Enstitüsü Yüksek Lisans Tezi, Eskişehir.
  • Huhn G, Schulz H, Stark H-J, Tolle R, Schoormann G (1995) Evaluation of regional heavy metal deposıtıon by multivariate analysis of element contents in pine tree barks. Water Air and Soil Pollution, 84 (3): 367-383.
  • Huron M, Oukala S, Lardière J, Giraud N, Dupont C (2017) An extensive characterization of various treated waste wood for assessment of suitability with combustion process. Fuel, 202: 118–128.
  • Kılıç G (2015) Yapay sinir ağları ile yemekhane günlük talep tahmini. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Yüksek Lisans Tezi, Denizli.
  • ORÜS (1991) Orman Ürünleri Sanayi Kurumu Genel Müdürlüğü 1980-1990 Faaliyetleri. s:133, Ankara.
  • Özertan G, Çoşkun A (2021) Masif ahşap sektör raporu. Boğaziçi Üniversitesi, 15 Aralık 2021.
  • Santos I, Castro L, Rodriguez-Fernandez N, Torrente-Patino A, Carballal A (2021) Artificial neural networks and deep learning in the visual arts: a review. Review of. Neural Computing and Applications, 1-37.
  • Szczepanik M, Szyszlak-Bargłowicz J, Zajac G, Koniuszy A, Hawrot-Paw M, Wolak A (2021) The use of multivariate data analysis (HCA and PCA) to characterize ashes from biomass combustion. Energies, 14: 6887.
  • Tafur-Marinos JA, Ginepro M, Pastero L, Zelano V (2016) Digestion procedures for the elemental analysis of wood by inductively coupled plasma optical emission spectrometry. Analytical Letters, 49 (11): 1722–1733.
  • TOBB (2015) Türkiye orman ürünleri meclisi sektör raporu. Türkiye Odalar ve Borsalar Birliği.
  • Tokalıoğlu Ş, Çiçek B, İnanç N, Zarasız G, Öztürk A (2018) Multivariate statistical analysis of data and ICP-MS determination of heavy metals in different brands of spices consumed in Kayseri, Türkiye. Food Analytical Methods, 11(9).
  • TORID (2017) Eylem Planı 1-2-3. https://www.torid.org.tr, 2017 Türkiye Ormancılığı (2019). Türkiye Ormancılar Derneği.
  • TS EN ISO 17225-1 (2021) Katı biyoyakıtlar - Yakıt özellikleri ve sınıfları - Bölüm 1: Genel gerekler standardı, Eylül 2021, ICS 27.190; 75.160.40.
  • Türk HC, Osma E (2020) Ankara’nın farklı bölgelerinden toplanan (Pinus nigra arnold)’da ağır metal birikiminin araştırılması. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(2): 557-567.
  • Tutuş A, Tozluoğlu A (2008) Orman endüstrilerinde hava kirliliği ve çözüm önerileri, hava kirliliği ve kontrolü. Ulusal Sempozyumu‐2008, 22‐25 Ekim 2008, Hatay.
  • Uhde E, Salthammer T, Marutzky R, Bahadır M (1996) Heavy metal content of wooden furniture coatings. Toxicological and Environmental Chemistry, 53:25-3.
  • Yan J, Karlsson A, Zou Z, Dai D, Edlund U (2019) Contamination of heavy metals and metalloids in biomass and waste fuels: comparative characterisation and trend estimation. Science of the Total Environment, 15(700):134382.

Classification of wooden wastes with machine learning approaches

Year 2024, Volume: 25 Issue: 1, 22 - 33, 15.05.2024
https://doi.org/10.17474/artvinofd.1402203

Abstract

In this study, 200 wood waste samples from different origins were analysed by Inductive coupled plasma optical emission spectrometry (ICP-OES) and Inductively coupled plasma mass spectrometry (ICP-MS) for 11 elements (lead, cadmium, aluminium, iron, zinc, copper, chrome, arsenic, nickel, mercury and sulphur) that are likely to present in wood waste. In the study, the data as non-hazardous and hazardous was evaluated based on the standard (TS EN ISO 17225-1, 2021). Artificial neural network (ANN) and random forest (RF) analyses were then applied to better analyze and interpret the data. In this way, statistical separation of wood wastes as non-hazardous and hazardous was realized. Accordingly, it was shown that random forest analysis with an accuracy rate of 100% was better than artificial neural network analysis with an accuracy rate of 99%. Results suggested that wood wastes could be recycled and entered the production cycle in a way to contribute to the national economy or be incinerated with appropriate methods in bioenergy production in an environmentally friendly way which would be possible with the accurate classification of these wastes. In this study, the classification of wood wastes as hazardous and non-hazardous with 100% accuracy rate using ICP data with machine learning approaches, which is not encountered in the literature review.

Project Number

İÜ-Cerrahpaşa BAP (Project Number: 36203)

References

  • Adıyaman F (2007) Talep tahmininde yapay sinir ağlarının kullanılması. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü Endüstri Mühendisliği Anabilim Dalı Yüksek Lisans Tezi, İstanbul.
  • Akman M, Genç Y, Ankaralı H (2011) Random forests yöntemi ve sağlık alanında bir uygulama. Türkiye Klinikleri Journal of Biostatistics, 3(1): 36-48.
  • Amit Y, Geman D (1997) Shape quantization and recognition with randomized trees. Neural Computation, 9(7): 1545-1588.
  • Ataseven B (2013) Yapay sinir ağlari ile öngörü modellemesi. Öneri Dergisi, 10(39): 101-115.
  • Benli Y (2002) Finansal başarısızlığın tahmininde yapay sinir ağı kullanımı ve İMKB’de bir uygulama. Muhasebe Bilim Dünyası Dergisi, 4 (4):17-30.
  • Breiman L (2001a) Random Forests. Machine Learning, 45 (1): 5–32.
  • Breiman L (2001b) Bagging Predictors. Machine Learning, 24 (2): 123-140.
  • Çolak S, Demirkır C, Çolakoğlu G (2005) Odun kökenli atıkların hammadde ve enerji kaynağı olarak değerlendirilmesi. 1. Çevre ve Ormancılık Sürası, 21-25 Mart, Antalya, 3, Cilt:1009-1017.
  • Cutler A, Stevens J, Cutler DR (2011) Random forests, machine learning. January 2011, Ensemble Machine Learning: Methods and Applications (pp.157-176), Chapter 5, Springer Editors: Cha Zhang, Yunqian Ma.
  • Davis C, Williams L, Lupberger S, Daviet F (2013) Assessing forest governance. The Governance of Forests Initiative Indicator Framework, World Resources Institute.
  • Demirkır C, Çolak S (2006) Odun kökenli atıkların levha endüstrisinde yeniden kullanım imkanları. Kafkas Üniversitesi Artvin Orman Fakültesi Dergisi, 7(1): 41-50.
  • Hisarlı A (1990) Ormancılık ve orman ürünleri sanayinin ekonomik gelişmeye etkileri: Türkiye uygulaması. Anadolu Üniversitesi Sosyal Bilimler Enstitüsü Yüksek Lisans Tezi, Eskişehir.
  • Huhn G, Schulz H, Stark H-J, Tolle R, Schoormann G (1995) Evaluation of regional heavy metal deposıtıon by multivariate analysis of element contents in pine tree barks. Water Air and Soil Pollution, 84 (3): 367-383.
  • Huron M, Oukala S, Lardière J, Giraud N, Dupont C (2017) An extensive characterization of various treated waste wood for assessment of suitability with combustion process. Fuel, 202: 118–128.
  • Kılıç G (2015) Yapay sinir ağları ile yemekhane günlük talep tahmini. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Yüksek Lisans Tezi, Denizli.
  • ORÜS (1991) Orman Ürünleri Sanayi Kurumu Genel Müdürlüğü 1980-1990 Faaliyetleri. s:133, Ankara.
  • Özertan G, Çoşkun A (2021) Masif ahşap sektör raporu. Boğaziçi Üniversitesi, 15 Aralık 2021.
  • Santos I, Castro L, Rodriguez-Fernandez N, Torrente-Patino A, Carballal A (2021) Artificial neural networks and deep learning in the visual arts: a review. Review of. Neural Computing and Applications, 1-37.
  • Szczepanik M, Szyszlak-Bargłowicz J, Zajac G, Koniuszy A, Hawrot-Paw M, Wolak A (2021) The use of multivariate data analysis (HCA and PCA) to characterize ashes from biomass combustion. Energies, 14: 6887.
  • Tafur-Marinos JA, Ginepro M, Pastero L, Zelano V (2016) Digestion procedures for the elemental analysis of wood by inductively coupled plasma optical emission spectrometry. Analytical Letters, 49 (11): 1722–1733.
  • TOBB (2015) Türkiye orman ürünleri meclisi sektör raporu. Türkiye Odalar ve Borsalar Birliği.
  • Tokalıoğlu Ş, Çiçek B, İnanç N, Zarasız G, Öztürk A (2018) Multivariate statistical analysis of data and ICP-MS determination of heavy metals in different brands of spices consumed in Kayseri, Türkiye. Food Analytical Methods, 11(9).
  • TORID (2017) Eylem Planı 1-2-3. https://www.torid.org.tr, 2017 Türkiye Ormancılığı (2019). Türkiye Ormancılar Derneği.
  • TS EN ISO 17225-1 (2021) Katı biyoyakıtlar - Yakıt özellikleri ve sınıfları - Bölüm 1: Genel gerekler standardı, Eylül 2021, ICS 27.190; 75.160.40.
  • Türk HC, Osma E (2020) Ankara’nın farklı bölgelerinden toplanan (Pinus nigra arnold)’da ağır metal birikiminin araştırılması. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 13(2): 557-567.
  • Tutuş A, Tozluoğlu A (2008) Orman endüstrilerinde hava kirliliği ve çözüm önerileri, hava kirliliği ve kontrolü. Ulusal Sempozyumu‐2008, 22‐25 Ekim 2008, Hatay.
  • Uhde E, Salthammer T, Marutzky R, Bahadır M (1996) Heavy metal content of wooden furniture coatings. Toxicological and Environmental Chemistry, 53:25-3.
  • Yan J, Karlsson A, Zou Z, Dai D, Edlund U (2019) Contamination of heavy metals and metalloids in biomass and waste fuels: comparative characterisation and trend estimation. Science of the Total Environment, 15(700):134382.
There are 28 citations in total.

Details

Primary Language English
Subjects Environmental Assessment and Monitoring, Natural Resource Management, Environmental Management (Other), Forestry Biomass and Bioproducts, Forestry Management and Environment
Journal Section Research Article
Authors

Mehtap Erdil 0000-0003-1194-7534

Nural Yılgör 0000-0002-3417-5496

Ozan Kocadağlı 0000-0003-4354-7383

Project Number İÜ-Cerrahpaşa BAP (Project Number: 36203)
Publication Date May 15, 2024
Submission Date December 8, 2023
Acceptance Date December 21, 2023
Published in Issue Year 2024Volume: 25 Issue: 1

Cite

APA Erdil, M., Yılgör, N., & Kocadağlı, O. (2024). Classification of wooden wastes with machine learning approaches. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 25(1), 22-33. https://doi.org/10.17474/artvinofd.1402203
AMA Erdil M, Yılgör N, Kocadağlı O. Classification of wooden wastes with machine learning approaches. ACUJFF. May 2024;25(1):22-33. doi:10.17474/artvinofd.1402203
Chicago Erdil, Mehtap, Nural Yılgör, and Ozan Kocadağlı. “Classification of Wooden Wastes With Machine Learning Approaches”. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi 25, no. 1 (May 2024): 22-33. https://doi.org/10.17474/artvinofd.1402203.
EndNote Erdil M, Yılgör N, Kocadağlı O (May 1, 2024) Classification of wooden wastes with machine learning approaches. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi 25 1 22–33.
IEEE M. Erdil, N. Yılgör, and O. Kocadağlı, “Classification of wooden wastes with machine learning approaches”, ACUJFF, vol. 25, no. 1, pp. 22–33, 2024, doi: 10.17474/artvinofd.1402203.
ISNAD Erdil, Mehtap et al. “Classification of Wooden Wastes With Machine Learning Approaches”. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi 25/1 (May 2024), 22-33. https://doi.org/10.17474/artvinofd.1402203.
JAMA Erdil M, Yılgör N, Kocadağlı O. Classification of wooden wastes with machine learning approaches. ACUJFF. 2024;25:22–33.
MLA Erdil, Mehtap et al. “Classification of Wooden Wastes With Machine Learning Approaches”. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, vol. 25, no. 1, 2024, pp. 22-33, doi:10.17474/artvinofd.1402203.
Vancouver Erdil M, Yılgör N, Kocadağlı O. Classification of wooden wastes with machine learning approaches. ACUJFF. 2024;25(1):22-33.
Creative Commons License
Artvin Coruh University Journal of Forestry Faculty is licensed under a Creative Commons Attribution 4.0 International License.