Bu çalışma, metan hidratı büyüme deneylerinden hesaplanan görünür veya etkin bir kinetik parametrenin basit ve yorumlanabilir bir veri modeliyle tahmin edilip edilemeyeceğini incelemektedir. Araştırmacı, daha önce yayımlanmış bir deneysel çalışmadan alınan 30 gözlemi kullanmış; basınç, hidrat denge sıcaklığı ve aşırı soğumayı çoklu doğrusal regresyon modelinin girdileri olarak seçmiştir. Yedi farklı değişken bileşimi aynı 10 katlı çapraz doğrulama yöntemiyle karşılaştırılmıştır.

En başarılı model olan Model 7; basınç, denge sıcaklığı ve aşırı soğumayı birlikte kullanmıştır. Bu model için çapraz doğrulanmış R² değeri 0,9682, kök ortalama kare hata 3092,5 W/m²K ve ortalama mutlak hata 2429,1 W/m²K olarak bildirilmiştir. Aynı veri ve doğrulama yöntemiyle değerlendirilen Arrhenius modeli ise R² = 0,9540, RMSE = 3712,0 W/m²K ve MAE = 2967,0 W/m²K sonuçlarını vermiştir. Regresyon modeli, ek işletme değişkenlerini içerdiği için incelenen veri kümesinde daha düşük tahmin hatası sağlamıştır.

Ancak tahmin edilen büyüklük moleküler ölçekte doğrudan ölçülmüş saf bir reaksiyon sabiti değildir. Parametre; deneysel arayüz büyüme hızı, hidrat oluşum ısısı, hidrat yoğunluğu ve ısı transfer katsayısından türetilmiştir. Bu nedenle termodinamik itici kuvvet, ısı ve kütle aktarımı, arayüz olayları ve deney düzeneğinin ortak etkilerini içeren görünür bir parametre olarak değerlendirilmelidir. Model de fiziksel bir hidrat büyüme yasası değil, yalnızca aynı koşullara benzeyen deneyler için veri kümesine özgü ampirik bir yaklaşım sunmaktadır.

Türkiye açısından değerlendirme: Çalışma; Türkiye’de doğal gaz iletim hatları, denizaltı boru sistemleri, akış güvencesi, yüksek basınçlı prosesler ve enerji mühendisliği alanlarında küçük deneysel veri kümelerinin şeffaf modellerle değerlendirilmesi açısından yararlı bir yöntem örneği sunmaktadır. Yaklaşımın Türkiye’de kullanılabilmesi için yerel gaz bileşimleri, boru ve reaktör geometrileri, akış koşulları, tuzluluk, inhibitörler, karıştırma düzeyi ve ısı-kütle aktarımı koşullarını kapsayan bağımsız deneysel veri toplanmalıdır. Modelin farklı sistemlere aktarılmadan önce dış veriyle doğrulanması, tekrarlı veya iç içe çapraz doğrulama uygulanması ve fiziksel değişkenlerle genişletilmesi gerekir. Bu çalışmadan Türkiye’deki herhangi bir boru hattının hidrat tıkanma riski, güvenli işletme sınırı veya inhibitör ihtiyacı doğrudan hesaplanamaz.

Detaylı Açıklama

Araştırmanın ele aldığı problem nedir?

Yüksek basınç ve düşük sıcaklık koşullarında su molekülleri hidrojen bağlarıyla kafes benzeri kristal yapılar oluşturabilir ve metan gibi küçük gaz moleküllerini bu kafeslerin içine hapsedebilir. Ortaya çıkan katı kristal yapılara gaz hidratı adı verilir.

Doğal gazın uzun boru hatlarından taşındığı sistemlerde akışkanın çevreye ısı kaybetmesi veya basınç düşüşüne bağlı olarak soğuması, sistemi hidratların kararlı olduğu sıcaklık ve basınç bölgesine taşıyabilir. Hidrat kristallerinin büyüyüp kümelenmesi boru kesitini daraltabilir, basınç kaybını artırabilir ve ileri aşamada hattın tıkanmasına yol açabilir.

Bu nedenle yalnızca hidratların hangi sıcaklık ve basınçta termodinamik olarak kararlı olduğunu bilmek yeterli değildir. Hidratın hangi hızla çekirdeklendiğini, büyüdüğünü ve ne kadar sürede operasyonel risk oluşturabileceğini anlamak da gerekir.

Metan hidratı oluşumu hangi evrelerden geçmektedir?

Çalışmanın sayfa 4’teki Şekil 1’i, tipik gaz tüketimi eğrisini dört nitel evreye ayırmaktadır:

1. Evre I — Gaz çözünmesi ve indüksiyon: Gaz su fazında çözünür; kararlı hidrat çekirdeklerinin makroskobik olarak fark edilmesine kadar geçen indüksiyon dönemi yaşanır.
2. Evre II — Hızlı büyüme: Kararlı çekirdekler büyür ve gaz hidrat fazına hızla alınır. Gaz tüketim eğrisinin en dik olduğu bölgedir.
3. Evre III — Yavaşlayan büyüme: Kristal yapıların büyümesi sürer, ancak gaz tüketim hızı düşmeye başlar.
4. Evre IV — Kararlı veya sınırlanmış durum: Gaz tüketimi çok yavaşlar. Bu aşama çoğunlukla kütle aktarımı sınırlamalarıyla ilişkilendirilir.

Araştırma, özellikle hidrat büyüme deneylerinden türetilen bir kinetik parametreye odaklanmaktadır. Ancak gerçek bir deneyde arayüz reaksiyonu, gazın sıvı içinde taşınması, kristal yüzeyine difüzyon ve oluşum ısısının ortamdan uzaklaştırılması eş zamanlı gerçekleşebilir.

“Kinetik parametre” neden görünür veya etkin bir parametredir?

İdeal bir intrinsik kinetik sabit, yalnızca hidrat-su-gaz arayüzündeki moleküler reaksiyon hızını temsil etmelidir. İncelenen çalışmadaki k parametresi ise doğrudan moleküler ölçümden elde edilmemiştir. Daha önce yayımlanmış deneylerde gözlenen arayüz hareket hızından ve ısıl denge ifadelerinden hesaplanmıştır.

Bu nedenle k değerinin içinde şu etkiler birlikte bulunabilir:

• Hidrat yüzeyindeki gerçek reaksiyon kinetiği,
• Gazın sıvı fazda çözünmesi ve taşınması,
• Arayüzdeki kütle aktarım direnci,
• Hidrat oluşumunun açığa çıkardığı ısının uzaklaştırılması,
• Deney kabının geometrisi ve karıştırma koşulları,
• Basınç ve fugasitenin oluşturduğu termodinamik itici kuvvet,
• Hidrat filmi veya gözenekli yapı içinde gelişen taşıma sınırlamaları.

Araştırmacı bu nedenle modelin “intrinsik reaksiyon sabiti” değil, deneysel sistemin ortak etkilerini yansıtan görünür bir kinetik parametreyi tahmin ettiğini özellikle vurgulamaktadır.

Arrhenius yaklaşımının rolü

Geleneksel kinetik çalışmalarda sıcaklık bağımlılığı sıklıkla Arrhenius eşitliğiyle ifade edilir:

\[ k=A\exp\left(-\frac{E_a}{RT_{\mathrm{eq}}}\right) \]

Burada:

• k: Kinetik parametre veya hız sabiti,
• A: Arrhenius ön üstel çarpanı,
• E_a: Aktivasyon enerjisi,
• R: Evrensel gaz sabiti,
• T_eq: Kelvin cinsinden denge sıcaklığıdır.

Arrhenius modeli sıcaklığın reaksiyon hızı üzerindeki etkisine fiziksel bir temel sağlar. Buna karşılık standart biçimi basıncı, aşırı soğumayı, gaz fugasitesini veya deneysel taşıma koşullarını açıkça ayrı değişkenler olarak içermez.

Çalışmanın temel yaklaşımı, Arrhenius modelini geçersiz saymak değil; basınç ve aşırı soğuma gibi ek değişkenleri içeren şeffaf bir regresyon modelinin aynı veri kümesindeki ampirik uyumu iyileştirip iyileştiremeyeceğini test etmektir.

Kullanılan veri kümesi

Veriler Freer ve çalışma arkadaşlarının 2001 tarihli metan hidratı film büyümesi deneylerinden alınmıştır. Toplam 30 gözlem bulunmaktadır. Her gözlemde şu değişkenler yer almaktadır:

• Basınç, P,
• Hidrat denge sıcaklığı, T_eq,
• Yığın veya deney ortamı sıcaklığı, T_b,
• Aşırı soğuma, ΔT = T_eq − T_b,
• Deneysel verilerden hesaplanan k parametresi.

Yalnızca 30 gözlem bulunması, model karmaşıklığının sınırlı tutulmasını gerektirmektedir. Bu nedenle araştırmacı yapay sinir ağı gibi çok parametreli yöntemler yerine çoklu doğrusal regresyonu temel model olarak seçmiştir.

Kinetik parametre nasıl hesaplanmıştır?

Çalışmada ilk olarak hareket eden hidrat arayüzü için ısı dengesi verilmiştir:

\[ \lambda_H\rho_H\frac{dX}{dt}=K(T_{\mathrm{eq}}-T_b) \]

Burada:

• λ_H: Hidrat oluşum veya ayrışma ısısı,
• ρ_H: Metan hidratı yoğunluğu,
• dX/dt: Hidrat arayüzünün ilerleme hızı,
• K: Toplam reaksiyon veya aktarım katsayısı,
• T_eq − T_b: Aşırı soğumadır.

Toplam katsayının kinetik ve ısı aktarım dirençleriyle ilişkisi şu biçimde ifade edilmiştir:

\[ \frac{1}{K}=\frac{1}{k}+\frac{1}{h} \]

Burada h deneysel sistemin ısı transfer katsayısıdır. İki ifade düzenlendiğinde:

\[ \frac{1}{k}=\frac{T_{\mathrm{eq}}-T_b}{\lambda_H\rho_H\left(dX/dt\right)}-\frac{1}{h} \]

eşitliği elde edilmektedir.

Hesaplamada kullanılan sabitler şunlardır:

Arayüz hızı deney kaynağında µm/s cinsinden verilmiş ve hesaplama öncesinde m/s birimine çevrilmiştir. Isıl eşitlikte watt cinsinden birim tutarlılığı sağlamak için hidrat ısısının da kJ/kg’dan J/kg’a dönüştürülmesi gerekir; çalışma hesaplama kodunu paylaşmadığı için bu dönüşümün uygulamadaki ayrıntıları doğrudan denetlenememektedir.

Sayfa 13’teki saçılım grafikleri ne göstermektedir?

Şekil 2’de k parametresi dört değişkene karşı ayrı ayrı çizilmiştir:

• Basınç: Basınç yükseldikçe k değerinde güçlü ve yaklaşık monoton bir artış görülmektedir.
• Denge sıcaklığı: Denge sıcaklığı yükseldikçe k genel olarak artmaktadır.
• Yığın sıcaklığı: Veriler 1, 2 ve 4 °C çevresinde kümelenmekte ve belirgin doğrusal eğilim göstermemektedir.
• Aşırı soğuma: ΔT yükseldikçe k değerinin belirgin biçimde arttığı görülmektedir.

Araştırmacı önemli bir aykırı değer belirlemediğini ve küçük veri kümesi nedeniyle hiçbir gözlemi çıkarmadığını belirtmiştir. Ancak grafiklerde görülen ilişkiler yalnızca bu deney aralığına aittir ve hidrat büyümesinin temel fiziksel olarak doğrusal olduğu anlamına gelmemektedir.

Korelasyon analizi

Basınç, denge sıcaklığı ve aşırı soğuma k ile 0,9’un üzerinde korelasyon göstermektedir. Buna karşılık yığın sıcaklığının doğrudan ilişkisi oldukça zayıftır.

Ancak girdilerin kendi aralarındaki korelasyonlar da çok yüksektir. Özellikle P ile T_eq arasındaki 0,987 düzeyindeki korelasyon ciddi çoklu doğrusal bağlantıya işaret etmektedir. Bu nedenle nihai modeldeki katsayıların bağımsız fiziksel etkiler veya nedensel değişimler olarak yorumlanmaması gerekir.

Yığın sıcaklığı neden nihai modele alınmamıştır?

Yığın sıcaklığı k ile zayıf doğrudan korelasyon göstermiştir. Ayrıca aşırı soğuma zaten şu bağıntıyla hesaplanmaktadır:

\[ \Delta T=T_{\mathrm{eq}}-T_b \]

T_b, T_eq ve ΔT’nin aynı anda modele eklenmesi matematiksel olarak tekrarlı bilgi oluşturacaktır. Bu nedenle araştırmacı yığın sıcaklığını aday model kümesinden çıkarmış; basınç, denge sıcaklığı ve aşırı soğumaya odaklanmıştır.

Bununla birlikte ΔT kullanılması, T_b bilgisinin tamamen ortadan kalktığı anlamına gelmez. Yığın sıcaklığının etkisi aşırı soğuma değişkeninin içinde dolaylı biçimde bulunmaktadır.

Rastgele orman önem analizi

Çalışmada Pearson korelasyonuna ek olarak keşif amaçlı rastgele orman değişken önem değerleri verilmiştir:

Regresör sonuçlarında aşırı soğuma en yüksek, basınç ve denge sıcaklığı birbirine yakın, yığın sıcaklığı ise çok düşük öneme sahiptir. Bu sıralama korelasyon analizindeki genel eğilimle uyumludur.

Buna karşılık sürekli bir hedef değişken için “Random Forest Classifier” kullanımının nasıl gerçekleştirildiği, k değerinin sınıflara dönüştürülüp dönüştürülmediği ve hangi hiperparametrelerin kullanıldığı açıklanmamıştır. Araştırmacı da bu analizi model seçiminin ana temeli olarak kullanmamış, yalnızca keşif amaçlı karşılaştırma şeklinde sunmuştur.

Hangi regresyon modelleri karşılaştırılmıştır?

Çoklu doğrusal regresyon yapısı

Genel çoklu doğrusal regresyon modeli şu şekilde verilmiştir:

\[ Y=\beta_0+\beta_1X_1+\beta_2X_2+\cdots+\beta_nX_n+\varepsilon \]

Burada Y tahmin edilen çıktı, X değişkenleri girdiler, β₀ sabit terim, β katsayıları girdilerin model ağırlıkları ve ε açıklanamayan hata terimidir.

Bu çalışma için nihai Model 7 şu eşitliğe sahiptir:

\[ k=-37157{,}28+15892{,}08P-5901{,}97T_{\mathrm{eq}}+2162{,}22\Delta T \]

P MPa, T_eq ve ΔT °C cinsindendir; tahmin edilen k birimi W/m²K’dir.

Modelde basınç katsayısı pozitif, denge sıcaklığı katsayısı negatif ve aşırı soğuma katsayısı pozitiftir. Denge sıcaklığı tek başına k ile pozitif korelasyon göstermesine rağmen çok değişkenli modelde katsayısının negatif olması, değişkenlerin birbirleriyle çok güçlü bağlantılı olmasının bir sonucudur. Bu katsayılar ayrı fiziksel mekanizmaların büyüklüğü olarak yorumlanmamalıdır.

Sayfa 16’daki yöntem akışı

Şekil 3, araştırmanın işlem sırasını şu şekilde göstermektedir:

1. Verilerin hazırlanması ve ön işlenmesi,
2. Bütün aday özelliklerin tanımlanması,
3. Ön keşif analizi,
4. Korelasyon ve fiziksel gerekçeyle değişken seçimi,
5. Seçilmiş girdilerle MLR modellerinin kurulması,
6. Deneysel kinetik parametrenin tahmin edilmesi,
7. Modellerin ortak doğrulama ölçütleriyle karşılaştırılması.

Akış şemasında çıktı “intrinsik hız sabiti” biçiminde etiketlenmiş görünmektedir. Buna karşılık ana metin, hesaplanan parametrenin saf intrinsik sabit olmadığını ve sistem düzeyi etkileri içerdiğini açık biçimde belirtmektedir. Şekildeki ifade ile metindeki daha ihtiyatlı tanım arasında terminolojik uyumsuzluk bulunmaktadır.

10 katlı çapraz doğrulama nasıl uygulanmıştır?

Toplam veri kümesi 10 parçaya ayrılmıştır. Her turda dokuz parça eğitim, kalan bir parça test için kullanılmış; işlem her parçanın bir kez test verisi olması sağlanana kadar tekrarlanmıştır.

Toplam yalnızca 30 gözlem bulunduğu için her test katında yaklaşık üç gözlem yer almaktadır. Bu durum veri kullanımını verimli kılsa da her kattaki R² ve hata ölçütlerinin az sayıdaki gözlemden etkilenmesine neden olabilir.

Çalışma; katların hangi rastgele tohumla oluşturulduğunu, verilerin karıştırılıp karıştırılmadığını, çapraz doğrulamanın kaç kez tekrarlandığını veya katlar arasındaki performans standart sapmasını bildirmemiştir. Bu nedenle sonuçların farklı bir kat bölünmesinde ne kadar değişeceği bilinmemektedir.

Ayrıca yedi aday model aynı çapraz doğrulama sonuçları üzerinden karşılaştırılıp en iyisi seçilmiştir. Ayrı bir dış test kümesi veya iç içe çapraz doğrulama kullanılmadığından bildirilen nihai performansın model seçimi kaynaklı bir miktar iyimserlik içermesi mümkündür.

Kullanılan doğrulama ölçütleri

Belirleme katsayısı

\[ R^2=\frac{\sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2}{\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

R² tahminlerin gözlenen değişkenliği ne ölçüde temsil ettiğini gösterir. Değerin 1’e yaklaşması daha güçlü uyuma işaret eder. Ancak yüksek R², ilişkinin nedensel veya fiziksel olarak doğru olduğunu tek başına göstermez.

Kök ortalama kare hata

\[ RMSE=\sqrt{\frac{1}{N}\sum_{i=1}^{N}(\hat{y}_i-y_i)^2} \]

RMSE büyük hataları karesel işlem nedeniyle daha fazla cezalandırır. Bu çalışmada birimi k ile aynı, yani W/m²K’dir.

Ortalama mutlak hata

\[ MAE=\frac{1}{N}\sum_{i=1}^{N}|y_i-\hat{y}_i| \]

MAE ortalama mutlak tahmin farkını gösterir ve büyük tekil hatalara RMSE’den daha az duyarlıdır.

Yedi regresyon modelinin sonuçları

Tek değişkenli modeller arasında basınç modeli M1 en iyi sonucu vermiştir. Basınç tek başına R² = 0,9207 elde ederek veri kümesindeki k değişiminin büyük bölümünü açıklamıştır.

Basınca denge sıcaklığı veya aşırı soğuma eklendiğinde performans artmıştır. İki değişkenli modeller arasında P ve ΔT kullanan M5, R² = 0,9480 ile en başarılı sonucu vermiştir.

Üç değişkenli M7, karşılaştırılan bütün regresyonlar içinde en yüksek R² ile en düşük RMSE ve MAE değerlerini üretmiştir.

Tahmin edilen ve deneysel değerlerin karşılaştırılması

Sayfa 22’deki Şekil 4, Model 7’nin tahmin ettiği k değerlerini deneysel olarak türetilen değerlerle karşılaştırmaktadır. Noktaların büyük bölümü mükemmel uyumu temsil eden köşegen çizgi çevresinde toplanmıştır.

Düşük ve orta k değerlerinde uyum genel olarak güçlü görünmektedir. Buna karşılık yaklaşık 50.000–65.000 W/m²K aralığında bazı noktaların ideal doğrudan daha belirgin uzaklaştığı görülmektedir. Bu durum yüksek k bölgesinde mutlak hataların büyüyebileceğini göstermektedir.

Artık grafiği ne göstermektedir?

Sayfa 23’teki Ek Şekil S1, deneysel değer ile tahmin arasındaki farkı tahmin edilen k değerine karşı göstermektedir. Artıklar sıfır çizgisinin hem üstünde hem altında bulunmaktadır ve çalışma belirgin bir sistematik desen olmadığını bildirmektedir.

Bununla birlikte yüksek tahmin aralığında yaklaşık +10.000 ve −5.000 W/m²K düzeyine yaklaşan artıklar görülmektedir. Veri sayısının azlığı nedeniyle artıkların normal dağılımı, sabit varyans varsayımı veya etkili gözlemler konusunda güçlü sonuç çıkarılamaz.

Çalışmada artıkların normalliği, heteroskedastisite, kaldıraç değerleri, Cook uzaklığı veya tahmin aralıkları raporlanmamıştır.

Arrhenius modeliyle karşılaştırma

Regresyon modeli Arrhenius modeline göre R² değerini 0,0142 artırmış; RMSE’yi 619,5 W/m²K ve MAE’yi 537,9 W/m²K azaltmıştır.

Arrhenius modelinin yaklaşık 173 kJ/mol aktivasyon enerjisi verdiği belirtilmiştir. Ancak Arrhenius ön üstel katsayısı, her çapraz doğrulama katında parametrelerin yeniden nasıl uyarlandığı ve aktivasyon enerjisinin belirsizliği açıklanmamıştır.

Sayfa 24’teki Şekil 5’te hem Arrhenius hem MLR tahminleri ideal uyum çizgisi çevresinde yer almaktadır. İki yaklaşımın sonuçlarının birbirine oldukça yakın olması sıcaklığın veri kümesindeki baskın rolünü desteklemektedir. MLR’nin ek avantajı, basınç ve aşırı soğuma bilgisini ayrıca kullanabilmesidir.

MLR modelinin daha iyi istatistiksel uyumu ne anlama gelir?

Daha düşük hata, MLR modelinin incelenen 30 gözlem içindeki değişimi Arrhenius modelinden biraz daha iyi izlediğini göstermektedir. Bu sonuç aşağıdaki anlama gelmez:

• MLR’nin hidrat büyüme fiziğini Arrhenius modelinden daha doğru temsil ettiği,
• Basınç veya sıcaklık katsayılarının nedensel büyüklükler olduğu,
• Modelin çalışma aralığının dışında güvenle kullanılabileceği,
• Modelin farklı reaktörler ve gaz bileşimleri için geçerli olduğu,
• İntrinsik moleküler reaksiyon sabitinin tahmin edildiği.

Arrhenius denklemi sıcaklık ve aktivasyon enerjisi üzerinden fiziksel yorum sunarken MLR, veri kümesindeki çok değişkenli örüntüyü daha esnek biçimde temsil etmektedir. Araştırma bu iki yaklaşımı rakip değil, birbirini tamamlayan araçlar olarak değerlendirmektedir.

Basıncın güçlü görünmesinin olası anlamı

Basınç, tek değişkenli modeller içinde en güçlü tahmin edici olmuştur. Bu durum çalışmada basıncın gaz fugasitesi, hidrat oluşum itici kuvveti ve arayüzde bulunabilen metan miktarı üzerindeki etkileriyle ilişkilendirilmektedir.

Ancak kullanılan veri kümesinde basınç ile denge sıcaklığı arasında 0,987 gibi son derece güçlü bir korelasyon bulunmaktadır. Bu nedenle basınç katsayısının yalnızca basınca özgü bir etkiyi temsil ettiği söylenemez. Basınç değişimi, deney tasarımında denge sıcaklığındaki değişimle birlikte ilerlemiştir.

Çalışmanın güçlü yönleri

• Küçük veri kümesine uygun, basit ve açıklanabilir bir model seçilmiştir.
• Yedi farklı girdi bileşimi aynı doğrulama yöntemiyle karşılaştırılmıştır.
• Basınç, sıcaklık ve aşırı soğuma etkileri ayrı ve birlikte değerlendirilmiştir.
• Model yalnızca eğitim uyumuyla değil, 10 katlı çapraz doğrulamayla değerlendirilmiştir.
• R² yanında RMSE ve MAE de raporlanmıştır.
• Arrhenius modeli aynı veri ve doğrulama yaklaşımıyla karşılaştırılmıştır.
• Araştırmacı, MLR’nin fiziksel bir mekanizma olmadığını açık biçimde belirtmiştir.
• Çoklu doğrusal bağlantı ve veri kümesine özgü geçerlilik kaynak içinde kabul edilmiştir.
• Tahmin-gerçekleşen ve artık grafikleri sunulmuştur.
• Gelecekte fizik temelli ve veri odaklı yöntemlerin birleştirilmesi önerilmiştir.

Çalışmanın temel sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Veri kümesi yalnızca 30 gözlemden oluşmaktadır.
• Bütün veriler tek bir eski deneysel çalışmadan alınmıştır.
• Farklı laboratuvar, reaktör veya deney düzeneğine ait bağımsız dış doğrulama yoktur.
• Basınç ile denge sıcaklığı arasında çok yüksek korelasyon bulunmaktadır.
• Regresyon katsayılarının kararlılığını gösteren standart hata veya güven aralığı verilmemiştir.
• Varyans şişirme faktörü gibi çoklu doğrusal bağlantı ölçütleri hesaplanmamıştır.
• Çapraz doğrulama katlarının rastgele tohumu ve tekrar sayısı açıklanmamıştır.
• Katlar arasındaki performans dağılımı veya standart sapma raporlanmamıştır.
• Ayrı bir dış test kümesi ya da iç içe çapraz doğrulama kullanılmamıştır.
• Verilerin aynı deney serileri içindeki bağımlılık yapısı değerlendirilmemiştir.
• Model yalnızca doğrusal ilişki varsaymaktadır.
• Etkileşim terimleri veya doğrusal olmayan terimler incelenmemiştir.
• Artıkların normalliği ve sabit varyansı istatistiksel olarak test edilmemiştir.
• Random Forest Classifier’ın sürekli hedef için nasıl kullanıldığı açıklanmamıştır.
• Regresyon ve analiz kodları paylaşılmamıştır.
• Ham 30 gözlem makale içinde tam tablo olarak sunulmamıştır.
• Arrhenius ön üstel katsayısı ve aktivasyon enerjisi belirsizliği verilmemiştir.
• Gaz fugasitesi, arayüz alanı, difüzyon ve kütle transfer katsayısı doğrudan modele alınmamıştır.
• Model farklı gaz bileşimleri, tuzlar, inhibitörler veya akışlı sistemlerde sınanmamıştır.

Kaynak içindeki önemli raporlama sorunları

• Sayfa 16’daki yöntem şeması çıktıyı “intrinsik hız parametresi” olarak etiketlerken ana metin parametrenin görünür ve sistem etkileri içeren bir büyüklük olduğunu belirtmektedir.
• Random Forest Classifier’ın sürekli k hedefi için nasıl uygulandığı açıklanmamıştır.
• R² açıklamasında “R-squared / adjusted R-squared” ifadesi kullanılmasına rağmen tabloda ayarlanmış R² ayrıca raporlanmamıştır.
• Çapraz doğrulamanın rastgele bölünme ayrıntıları ve tekrar sayısı verilmemiştir.
• Arrhenius uyumunun ön üstel çarpanı ve belirsizlikleri sunulmamıştır.
• Hesaplamaların yeniden üretilmesini sağlayacak kod ve tam veri tablosu paylaşılmamıştır.
• Model 7’nin çok güçlü bağlantılı girdilerine rağmen katsayı belirsizlikleri verilmemiştir.
• K parametresinin hesaplanmasında kullanılan birim dönüşümleri kod düzeyinde açıklanmamıştır.

Çalışma hangi sonuçları desteklemektedir?

• İncelenen 30 gözlem içinde basınç, denge sıcaklığı ve aşırı soğuma k parametresiyle güçlü istatistiksel ilişki göstermiştir.
• Yığın sıcaklığı tek başına k ile zayıf doğrusal ilişki göstermiştir.
• Basınç tek değişkenli modeller içinde en başarılı tahmin edici olmuştur.
• P, T_eq ve ΔT’yi birlikte kullanan M7 test edilen regresyonlar içinde en düşük çapraz doğrulama hatasını vermiştir.
• Arrhenius modeli de aynı veri kümesinde güçlü tahmin performansı göstermiştir.
• Ek işletme değişkenlerinin kullanılması veri kümesine özgü ampirik uyumu iyileştirmiştir.
• Basit doğrusal modeller küçük hidrat kinetiği veri kümelerini incelemek için şeffaf vekil araçlar olabilir.
• MLR ve Arrhenius yaklaşımları farklı amaçlarla birbirini tamamlayabilir.

Çalışma hangi sonuçları kanıtlamamaktadır?

• Modelin moleküler ölçekte intrinsik hidrat büyüme yasası olduğunu kanıtlamamaktadır.
• Regresyon katsayılarının bağımsız nedensel etkiler olduğunu göstermemektedir.
• Modelin başka reaktörlerde, boru hatlarında veya gaz bileşimlerinde geçerli olduğunu göstermemektedir.
• Gerçek bir boru hattının tıkanma zamanını tahmin etmemektedir.
• Hidrat önleyici veya dağıtıcı kimyasal ihtiyacını hesaplamamaktadır.
• Isı ve kütle aktarımı etkilerini birbirinden ayırmamaktadır.
• MLR’nin fiziksel olarak Arrhenius modelinden üstün olduğunu kanıtlamamaktadır.
• Yüksek R² değerinin yeni ve genel bir fizik yasası oluşturduğunu göstermemektedir.
• Modelin veri aralığı dışındaki basınç ve sıcaklıklarda güvenli ekstrapolasyon yapabileceğini göstermemektedir.

Çalışmanın Yöntemi ve Bulguları

Yöntem özeti

Nihai model ve uygulama sınırı

\[ k=-37157{,}28+15892{,}08P-5901{,}97T_{\mathrm{eq}}+2162{,}22\Delta T \]

Bu denklem yalnızca çalışmadaki yaklaşık aralıklarda değerlendirilmiştir:

Denklemin bu aralıkların dışında kullanılması çalışma tarafından doğrulanmamıştır. Doğrusal model fiziksel sınırları zorunlu kılmadığı için uygun olmayan girdilerde negatif veya gerçekçi olmayan tahminler üretebilir.

Temel performans karşılaştırması

Model 7’nin ortalama mutlak hatası, veri kümesindeki ortalama k değeri olan yaklaşık 29.696 W/m²K’nin yaklaşık yüzde sekizine karşılık gelmektedir. Ancak bu oran gözlemler arasındaki hata dağılımını veya yüksek k bölgesindeki daha büyük hataları tek başına göstermez.

Araştırmacının gelecek çalışma önerileri

• Deneysel veri tabanının büyütülmesi,
• Daha geniş basınç ve sıcaklık aralıklarının incelenmesi,
• Farklı gaz bileşimleri ve reaktör düzenlerinin eklenmesi,
• Gaz fugasitesinin doğrudan girdi olarak kullanılması,
• Arayüz alanı, difüzivite ve kütle transfer katsayısının modele eklenmesi,
• Daha gelişmiş makine öğrenmesi modellerinin dikkatli biçimde karşılaştırılması,
• Küçük veri kümelerinde yorumlanabilirliğin korunması,
• Fizik temelli hidrat modelleriyle veri odaklı yöntemlerin hibrit biçimde birleştirilmesi.

İstatistiksel değerlendirme sınırı

Çalışmadaki performans değerleri tek bir 30 gözlemli veri kümesi üzerinde elde edilmiştir. Bağımsız deneysel dış test verisi bulunmadığı için R² = 0,9682 değeri genel kullanım başarısı olarak yorumlanamaz.

Basınç, denge sıcaklığı ve aşırı soğuma arasındaki güçlü korelasyon, model tahminini mutlaka geçersiz kılmaz; ancak katsayıların değişkenler arasında hassas biçimde paylaşılmasına ve yeni veride kararsızlaşmasına yol açabilir. Bu nedenle modelin öncelikli kullanım alanı bağımsız fiziksel yorum değil, benzer koşullardaki k değerlerinin yaklaşık tahminidir.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: A Data-Driven Approach for Estimating an Experimentally Derived Kinetic Parameter in Methane Hydrate Growth

Yazar: Chinedu Charles Alamezie

Yazar sıralaması: Çalışmada tek yazar bulunmaktadır.

Eş birinci yazar veya eş katkı: Bulunmamaktadır.

Sorumlu yazar: Chinedu Charles Alamezie

Kurumsal bağlantı: School of Engineering, University of Aberdeen, Aberdeen AB24 3UE, Scotland, United Kingdom

Sorumlu yazar e-postası: ccalamezie@hotmail.com

ORCID: Yüklenen sürümde ORCID bilgisi yer almamaktadır.

DOI:10.2139/ssrn.6944011

Dergi: Hakemli bir dergide yayımlanmamıştır.

Özgün dergi yayınevi: Bulunmamaktadır.

Yayın platformu: SSRN

Yayın tarihi: 15 Haziran 2026

Sayfa sayısı: 33

Kaynak türü: İkincil deneysel veri analizi ve regresyon modellemesi içeren preprint araştırma çalışması

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. Yüklenen sürümün her sayfasında preprintin hakemli olmadığı belirtilmektedir.

Resmî bağlantı:SSRN resmî preprint sayfası

Bu Türkçe makale; yüklenen çalışmanın metni, denklemleri, dört ana şekli, ek artık grafiği, altı tablosu, korelasyon matrisi, rastgele orman önem değerleri, yedi regresyon denklemi, çapraz doğrulama sonuçları, Arrhenius karşılaştırması, sonuçları ve önerileri incelenerek hazırlanmıştır.

Dış kaynaklar yalnızca çalışmanın yazar adı, kurumu, SSRN yayın tarihi, DOI’si, sayfa sayısı ve resmî bağlantısının bibliyografik doğrulanması için kullanılmıştır. Çalışmanın bilimsel bulgularına dış kaynaklardan yeni sonuç eklenmemiştir.

Çalışmanın başlıca sınırlılıkları; küçük ve tek kaynaklı veri kümesi, güçlü değişken bağlantıları, bağımsız dış doğrulamanın olmaması, tekrarlı veya iç içe çapraz doğrulama kullanılmaması, regresyon katsayılarının belirsizliklerinin verilmemesi ve tahmin edilen parametrenin saf intrinsik kinetikten ziyade termodinamik ve aktarım etkilerini birlikte içermesidir. Model, fiziksel hidrat büyüme denklemlerinin yerine geçen genel bir yasa olarak değil, benzer deney koşullarında kullanılabilecek şeffaf ve veri kümesine özgü bir vekil model olarak değerlendirilmelidir.