1.23 Biyoenerji ve Biyokütle Dönüşümü

1. Problem Tanımı ve Sistemik Etki

Küresel enerji tüketiminin %80'i hâlâ fosil yakıtlara dayanmakta ve bu durum yıllık 36,8 milyar ton CO2 emisyonu üretmektedir (IEA, 2023). Biyoenerji, yenilenebilir enerji kaynaklarının %55'ini oluşturmakta ve küresel birincil enerji arzının %6,4'ünü karşılamaktadır. Tarımsal atıkların (saman, mısır koçanı, fıstık kabuğu, zeytin küspesi) biyoenerjiye dönüştürülmesi, hem atık yönetimi hem de enerji üretimi açısından çift yönlü bir çözüm sunmaktadır. Küresel tarımsal biyokütle atığı potansiyeli yıllık ~5 milyar ton olarak tahmin edilmekte; bunun yalnızca %10-15'i değerlendirilmektedir.

Biyokütle dönüşüm süreçlerinde (piroliz, gazifikasyon, anaerobik sindirim, hidroliz) mühendislik açısından üç temel kısıtlama mevcuttur:

• Hammadde heterojenliği: Tarımsal biyokütlenin kimyasal bileşimi (selüloz, hemiselüloz, lignin, kül, nem) parti bazında %20-40 varyasyon gösterir. Bu değişkenlik, proses parametrelerini sabit tutmayı zorlaştırır ve ürün kalitesini doğrudan etkiler.
• Proses optimizasyonu karmaşıklığı: Piroliz gibi termokimyasal dönüşüm süreçleri, sıcaklık, ısıtma hızı, kalma süresi ve katalizör tipi gibi çok sayıda parametreye bağlıdır. Bu parametrelerin optimum kombinasyonu, klasik deneysel tasarım yöntemleriyle (Taguchi, Box-Behnken) sınırlı sayıda noktada araştırılabilir.
• Analitik gecikme: Biyokütle bileşim analizi (ASTM, Van Soest) 2-7 gün sürer; proses kontrolü için gerçek zamanlı geri bildirim sağlanamaz. Bu gecikme, parti bazlı kalite kontrol yaklaşımını öne çıkarır ve sürekli proseslerde adaptif kontrolü engeller.

Bu kısıtlamalar, spektroskopik verilerin kemometrik ve makine öğrenmesi modelleriyle işlenmesini biyoenerji alanının en aktif araştırma konularından biri haline getirmiştir.

2. Teknolojik Evrim ve Algoritmalar

2.1 Geleneksel Yöntemler (1995-2012)

Biyokütle karakterizasyonu ve dönüşüm modellemesinde erken dönem yaklaşımları istatistiksel yöntemler ve ampirik korelasyonlar üzerine kuruluydu:

• Kısmi en küçük kareler regresyonu (PLS - Partial Least Squares): NIR (yakın kızılötesi) spektroskopi verilerinden biyokütle bileşim tahmini için en yaygın kullanılan kemometrik yöntemdir. Shenk ve Westerhaus (1996), NIR + PLS ile yem numunelerinde selüloz tahmini için R2 = 0,92 ve RMSECV = 1,8% raporlamıştır. PLS'in temel limitasyonu, girdi-çıktı ilişkisinin doğrusal olduğu varsayımıdır; biyokütle bileşenleri arasındaki sinerjistik etkiler doğrusal olmayan karakter taşır.
• Temel bileşen regresyonu (PCR - Principal Component Regression): PCA ile boyut indirgeme ardından çoklu doğrusal regresyon uygulanır. PLS'e kıyasla tahmin performansı genellikle %5-10 daha düşüktür çünkü bileşen seçimi bağımlı değişkeni dikkate almaz.
• Ampirik korelasyonlar: Proximate analiz sonuçlarından (uçucu madde, sabit karbon, kül) üst ısıl değer (HHV) tahmini için Channiwala ve Parikh (2002) tarafından geliştirilen denklem yaygın olarak kullanılmıştır (R2 = 0,943, ortalama mutlak hata = 1,45%). Ancak bu korelasyonlar, spesifik biyokütle türleri veya karışımlar için yeniden kalibre edilmelidir.

2.2 Modern Yaklaşımlar (2013-Günümüz)

Yapay Sinir Ağları (ANN)

Biyokütle bileşim-dönüşüm ilişkisinin doğrusal olmayan modellenmesi.

• Girdi: Proximate analiz (nem, uçucu madde, sabit karbon, kül), ultimate analiz (C, H, N, O, S) veya NIR spektral verileri
• Çalışma prensibi: Çok katmanlı algılayıcı (MLP) mimarisi ile girdi-çıktı arasındaki doğrusal olmayan ilişkilerin öğrenilmesi. Gizli katmanlardaki aktivasyon fonksiyonları (ReLU, sigmoid) bu kapasiteyi sağlar.
• Eğitim: Geri yayılım (backpropagation) ile ağırlık optimizasyonu. Aşırı öğrenmeyi önlemek için erken durdurma ve dropout uygulanır.
• Performans: Noushabadi et al. (2021), ANN ile piroliz biyoyağ verimini tahmin etmede R2 = 0,97 ve RMSE = 2,14% elde etmiştir. PLS'e göre %8-15 daha iyi tahmin doğruluğu, özellikle doğrusal olmayan bölgelerde belirginleşir.

Random Forest ve Gradient Boosting

Topluluk yöntemleriyle biyokütle özellik tahmini ve proses optimizasyonu.

• Girdi: Proses parametreleri (sıcaklık, kalma süresi, ısıtma hızı) + hammadde bileşimi
• Çalışma prensibi: Random Forest (RF) birden fazla karar ağacının rassal alt kümeler üzerinde eğitilmesiyle çalışır; XGBoost ise gradyan artırma ile sıralı ağaç ekleme yapar.
• Performans: Pathy et al. (2020), XGBoost ile piroliz ürün dağılımı tahmininde R2 = 0,94 ve MAE = 3,2% raporlamıştır. RF'in değişken önem sıralaması, en etkili proses parametrelerinin belirlenmesinde yorumlanabilirlik avantajı sağlar.

PLS-Derin Öğrenme Hibritleri

Geleneksel kemometrik yöntemlerle derin öğrenmenin birleştirilmesi.

• Girdi: Ham NIR veya FTIR spektral verileri (tipik olarak 1000-4000 dalga sayısı veya 800-2500 nm)
• Çalışma prensibi: 1B CNN (1D Convolutional Neural Network) spektral veriden otomatik özellik çıkarır; PLS'in gerektirdiği ön işleme adımlarını (SNV, MSC, türev alma) kısmen ortadan kaldırır.
• Performans: Mishra et al. (2021), 1D-CNN ile NIR tabanlı nem tahmini için R2 = 0,96 elde etmiş; PLS (R2 = 0,91) ve SVM (R2 = 0,93) ile karşılaştırılmıştır. Ancak CNN'in eğitim için en az 500-1000 spektral örnek gerektirmesi, sınırlı laboratuvar veri setlerinde dezavantaj oluşturur.

Gaussyen Proses Regresyonu (GPR)

Belirsizlik tahmini ile birlikte süreç modelleme.

• Girdi: Proses parametreleri veya spektral veriler
• Çalışma prensibi: Bayesyen çerçevede her tahmin için ortalama ve varyans (belirsizlik) üretir. Kernel fonksiyonu seçimi (RBF, Matern) model kapasitesini belirler.
• Performans: Küçük veri setlerinde (n < 200) ANN ve RF'e kıyasla rekabetçi veya üstün performans; ancak veri boyutu arttığında hesaplama karmaşıklığı O(n3) ile ölçeklenmez.

Yaklaşım Karşılaştırma Tablosu

3. Gerçek Dünya Zorlukları (Domain Gap Analizi)

Hammadde Heterojenliği

Tarımsal biyokütle, hasat zamanı, depolama koşulları, toprak tipi ve çeşit farklılıklarına bağlı olarak geniş bir bileşim aralığı gösterir. Buğday samanının selüloz içeriği %33-45, lignin içeriği %10-22 arasında değişebilir. Tek bir hammadde türü üzerinde eğitilmiş PLS veya ANN modeli, farklı partilerde RMSE'yi %50-100 artırabilir. Transfer öğrenme ve domain adaptation teknikleri bu soruna çözüm arar; ancak biyoenerji alanında bu yaklaşımların uygulaması sınırlıdır.

Spektral Ön İşleme Bağımlılığı

NIR/FTIR spektral verilerinin başarılı modellenmesi, uygun ön işleme adımlarına (SNV - Standard Normal Variate, MSC - Multiplicative Scatter Correction, Savitzky-Golay türev alma) kritik olarak bağlıdır. Yanlış ön işleme seçimi, model performansını %20-30 düşürebilir. Optimal ön işleme kombinasyonu hammadde ve hedef değişkene göre değişir; bu nedenle otomatik ön işleme seçimi (AutoML benzeri yaklaşımlar) araştırma konusudur ancak henüz olgunlaşmamıştır.

Proses Değişkenliği ve Ölçekleme

Laboratuvar ölçeğinde (mg-g düzeyi) elde edilen piroliz veya gazifikasyon sonuçları, pilot ölçeğe (kg düzeyi) veya endüstriyel ölçeğe (ton düzeyi) doğrudan aktarılamaz. Isı ve kütle transferi dinamikleri ölçeğe göre belirgin biçimde değişir. Lab verileri üzerinde eğitilmiş ML modeli, pilot tesis verilerinde %15-40 sapma gösterebilir (Bridgwater, 2012). Bu ölçekleme problemi, fizik bilgilendirilmiş (physics-informed) modellerin gerekliliğini vurgulamaktadır.

Sınırlı Veri Seti Boyutu

Biyoenerji deneylerinin maliyeti ve süresi nedeniyle veri setleri tipik olarak 50-300 örnekle sınırlıdır. Bu boyut, derin öğrenme modellerinin etkili eğitimi için yetersizdir. Veri artırma (data augmentation) stratejileri spektral veriler için sınırlı uygulanabilirliğe sahiptir; Gaussian gürültü ekleme veya interpolasyon tabanlı artırma, gerçek fizikokimyasal varyasyonları yansıtmaz.

Bölgesel Senaryo: Siirt Fıstık Kabuğu Biyokütlesi

Siirt ilinde yıllık tahmini 15.000-20.000 ton fıstık kabuğu atığı üretilmektedir. Bu biyokütle kaynağı, yüksek lignin içeriği (%28-35) ve düşük kül oranı (%1-3) ile termokimyasal dönüşüm için uygun bir hammaddedir.

1. Bileşim değişkenliği: Siirt fıstığı çeşitleri (Siirt, Kırmızı, Ohadi) arasında kabuk lignin/selüloz oranı %15-20 farklılık gösterir. Tek çeşit üzerinde eğitilmiş NIR-PLS modeli, karışık partilerde kalibrasyon sapması oluşturur. Bu nedenle daha çeşitli bir kalibrasyon seti oluşturmak çoğu durumda gereklidir; ancak örnek toplama lojistiği bölgedeki dağınık üretim yapısı nedeniyle güçtür.
2. Piroliz optimizasyonu: Fıstık kabuğunun pirolizinde biyokömür verimi (%25-40), sıcaklık (350-700 C) ve kalma süresine (15-120 dk) karmaşık bir şekilde bağlıdır. ML tabanlı optimizasyon, bu çok boyutlu parametre uzayını geleneksel deneysel tasarımdan 3-5 kat daha hızlı tarayabilir; ancak her deney noktası 2-4 saat sürmektedir.
3. Enerji değeri tahmini: NIR spektroskopi ile fıstık kabuğunun üst ısıl değerinin (HHV, tipik olarak 18-21 MJ/kg) gerçek zamanlı tahmin edilmesi, biyokütle alım ve fiyatlandırma sürecini hızlandırabilir. Ancak bölgede NIR cihaz altyapısı mevcut değildir.

4. Literatür: Seminal Çalışmalar

Channiwala ve Parikh (2002) — 225 farklı biyokütle, kömür ve diğer katı yakıtın ultimate analiz verilerinden HHV tahmin denklemi geliştirilmiştir. R2 = 0,943, ortalama mutlak hata = 1,45%. Biyoenerji alanının en yaygın referans korelasyonudur. Fuel dergisinde yayımlanmış. (4.800+ atıf)

Pathy et al. (2020) — Biyokütle pirolizinde ürün dağılımı tahmini için altı ML algoritmasının karşılaştırması. XGBoost en iyi performansı göstermiş: biyoyağ verimi tahmini R2 = 0,94, biyokömür R2 = 0,91, sentez gazı R2 = 0,87. 532 deneysel veri noktası kullanılmıştır. Sıcaklığın en önemli değişken olduğu SHAP analizi ile doğrulanmıştır. (620+ atıf)

Noushabadi et al. (2021) — ANN ile piroliz biyoyağ verimi ve bileşimi tahmini. 7 girdi değişkeni (proximate + ultimate analiz + sıcaklık), 3 gizli katman mimarisi. R2 = 0,97, RMSE = 2,14%. ANN'in doğrusal regresyon ve RF'e göre %8-15 daha iyi performans gösterdiği raporlanmıştır. (210+ atıf)

Mishra et al. (2021) — 1D-CNN ile NIR spektral verilerinden biyokütle bileşim tahmini. Ön işleme adımları olmadan doğrudan ham spektral veri kullanılmış; nem tahmini R2 = 0,96, selüloz R2 = 0,93. PLS (R2 = 0,91) ve SVM (R2 = 0,93) ile karşılaştırma yapılmış; CNN'in otomatik özellik çıkarma avantajı vurgulanmıştır. (180+ atıf)

Bridgwater (2012) — Hızlı piroliz teknolojisinin kapsamlı derlemesi. Laboratuvar sonuçlarının endüstriyel ölçeğe aktarımında ısı-kütle transferi kısıtlamalarını detaylandırmıştır. Biyoyağ veriminin lab ölçeğinde %65-75 iken pilot ölçekte %45-55'e düştüğünü raporlamıştır. Biomass and Bioenergy dergisinde yayımlanmış. (3.200+ atıf)

5. Gelecek Vizyonu

Fizik Bilgilendirilmiş Sinir Ağları (PINN)

Saf veri güdümlü modeller, fiziksel olarak anlamsız tahminler üretebilir (negatif verim, kütle dengesini aşan çıktılar). Physics-Informed Neural Networks (PINN), kayıp fonksiyonuna fiziksel kısıtlamaları (kütle dengesi, enerji dengesi, termodinamik sınırlar) ekleyerek model tahminlerinin fiziksel tutarlılığını desteklemeyi amaçlar. Biyoenerji alanında bu yaklaşım henüz erken aşamadadır; ancak kimyasal mühendislikte reaktör modelleme çalışmaları umut verici sonuçlar göstermektedir.

Gerçek Zamanlı Proses Kontrolü

NIR sensörünün proses hattına entegrasyonu (in-line NIR) ile hammadde bileşiminin gerçek zamanlı ölçülmesi ve proses parametrelerinin otomatik ayarlanması (adaptive control) hedeflenmektedir. Bu entegrasyon, piroliz verimini %5-10 artırma ve ürün kalitesi varyasyonunu %30-50 azaltma potansiyeli taşımaktadır. Ancak endüstriyel ortamdaki titreşim, toz ve sıcaklık koşulları sensör performansını etkiler; sağlam (robust) kalibrasyon modelleri geliştirilmelidir.

Yaşam Döngüsü Değerlendirmesi Entegrasyonu

ML modelleri, yalnızca proses optimizasyonu için değil, biyoenerji sistemlerinin çevresel etkisinin yaşam döngüsü değerlendirmesi (LCA) ile bütünleşik olarak modellemesi için de kullanılmaya başlamıştır. Monte Carlo simülasyonu ile LCA belirsizlik analizi, ML surrogate modeller sayesinde 100-1000 kat hızlandırılabilir. Ancak LCA verilerinin standartlaşmaması ve sistem sınırlarının tanımlanmasındaki öznellik, model çıktılarının karşılaştırılabilirliğini kısıtlamaktadır.

Çoklu Hammadde Ko-Piroliz Optimizasyonu

Farklı biyokütle türlerinin karışım halinde pirolize tabi tutulması (ko-piroliz), sinerjistik etkiler sayesinde bireysel pirolize göre %5-20 daha yüksek biyoyağ verimi sağlayabilir. Ancak karışım oranı, bileşim etkileşimi ve proses parametreleri arasındaki çok boyutlu optimizasyon, deneysel olarak pratik sınırların ötesindedir. Bayesian optimizasyon ile ML tabanlı arama, bu karmaşık parametre uzayını verimli şekilde keşfedebilir; her deney noktasının maliyeti yüksek olduğundan, örnek-verimli (sample-efficient) yöntemler kritik önem taşımaktadır.

Bu içerik, literatür notları ve seçilmiş kaynak özetleri temel alınarak hazırlanmış editoryal bir ders metnidir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği