Uğur Kadioğlu, Muhammed Kürşad Uçar, Saadettin Yildirim
2020 yılında Dünya genelinde 27,5 milyon ton, Türkiye de 279,5 bin ton kuru fasulye üretilmiştir. Kuru fasulye geniş bir çeşitliliğe sahiptir. Bir çeşidi soğuk iklim koşullarında verimli olabilirken, bir çeşidi daha ılıman iklim koşullarında verimli olabilmektedir. Günümüzde kuru fasulye tohumları arasında farklı çeşitlere ait kuru fasulye tohumları karışabilmektedir. Bu durum kuru fasulye verimini olumsuz etkilemektedir. Bitkisel üretimde tohum kalitesi önemlidir. Bu nedenle tohum sınıflandırılması sürdürülebilir tarım ve verimlilik için önemlidir. Kuru fasulye sınıflandırılası günümüzde elekler yardımı ile yapılmaktadır. Elek ile sınıflandırma yönteminin dezavantajları fasulyenin çeşidini, kırık ve bozuk fasulyeleri tespit edememektedir. Hassas tohum seçimi yapılabilmesi için yeni teknolojilere ihtiyaç duyulmaktadır. Bu çalışmanın amacı kuru fasulyenin sınıflandırılması için yapay zekâ tabanlı bir model geliştirmektir. Çalışmada yedi çeşit 13.611 adet kuru fasulye örneği kullanılmıştır. Veriler dengesiz dağılması sebebiyle, öncelikle en az sınıfa ait veri sayısı (522) kadar dengelenmiş ve 3654 adet kuru fasulye örneği seçilmiştir. Fasulyelere ait 16 morfolojik özellik bulunmaktadır. Özellik seçme algoritması yardımıyla özellikler seçilerek performans artırımı amaçlanmıştır. Geliştirilen en iyi model performans değeri doğruluk oranı %98,2 ve AUC 1, PPV %100, TPR %100’dir. Elde edilen sonuçlara göre kuru fasulye tohumlarının yüksek başarı oranı ile sınıflandırılabileceği değerlendirilmektedir.
{"title":"Tarımda Kaliteli Tohum Üretimi için Kuru Fasulye Türlerinin Yapay Zekâ Tabanlı Sınıflandırılması","authors":"Uğur Kadioğlu, Muhammed Kürşad Uçar, Saadettin Yildirim","doi":"10.31202/ecjse.1135807","DOIUrl":"https://doi.org/10.31202/ecjse.1135807","url":null,"abstract":"2020 yılında Dünya genelinde 27,5 milyon ton, Türkiye de 279,5 bin ton kuru fasulye üretilmiştir. Kuru fasulye geniş bir çeşitliliğe sahiptir. Bir çeşidi soğuk iklim koşullarında verimli olabilirken, bir çeşidi daha ılıman iklim koşullarında verimli olabilmektedir. Günümüzde kuru fasulye tohumları arasında farklı çeşitlere ait kuru fasulye tohumları karışabilmektedir. Bu durum kuru fasulye verimini olumsuz etkilemektedir. Bitkisel üretimde tohum kalitesi önemlidir. Bu nedenle tohum sınıflandırılması sürdürülebilir tarım ve verimlilik için önemlidir. Kuru fasulye sınıflandırılası günümüzde elekler yardımı ile yapılmaktadır. Elek ile sınıflandırma yönteminin dezavantajları fasulyenin çeşidini, kırık ve bozuk fasulyeleri tespit edememektedir. Hassas tohum seçimi yapılabilmesi için yeni teknolojilere ihtiyaç duyulmaktadır. Bu çalışmanın amacı kuru fasulyenin sınıflandırılması için yapay zekâ tabanlı bir model geliştirmektir. Çalışmada yedi çeşit 13.611 adet kuru fasulye örneği kullanılmıştır. Veriler dengesiz dağılması sebebiyle, öncelikle en az sınıfa ait veri sayısı (522) kadar dengelenmiş ve 3654 adet kuru fasulye örneği seçilmiştir. Fasulyelere ait 16 morfolojik özellik bulunmaktadır. Özellik seçme algoritması yardımıyla özellikler seçilerek performans artırımı amaçlanmıştır. Geliştirilen en iyi model performans değeri doğruluk oranı %98,2 ve AUC 1, PPV %100, TPR %100’dir. Elde edilen sonuçlara göre kuru fasulye tohumlarının yüksek başarı oranı ile sınıflandırılabileceği değerlendirilmektedir.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-11-07","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"74780600","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Son dönemlerde insan hayatı içerisinde gelişmiş uydu sistemlerinin ve insansız hava aracı teknolojilerinin kullanımı günden güne önemli derecede artmaktadır. Bu sistemler üzerinden havadan elde edilen görüntüler savunma sanayii, şehir planlama, tarım, film endüstrisi, eğlence, petrol ve maden arama gibi birçok alanda kullanılmaktadır. Bu gelişmeler doğrultusunda havadan elde edilen görüntüler üzerinde hem nitelik hem nicelik anlamında da artış olmuştur. Bununla beraber günümüzde bilgisayarlı görü dünyasında yapay zekâ algoritmaları üzerinde en çok çalışılan alanlardan biridir. Bilgisayarlı görü ile havadan elde edilen görüntüler üzerinde nesne tespit ve tanıma işlemi oldukça kolay hale gelmektedir. Bu çalışmada tek aşamalı nesne tespit modellerinden YOLOv5 ve SSD algoritmaları kullanılarak Google Earth, GF-2 ve JL-1 uyduları üzerinden toplanan görüntüler üzerinde gemi, liman, küçük araç vs gibi 15 farklı nesnenin tespit çalışmaları yapılmıştır. Google Colab platformu kullanılarak yapılan bu çalışmalarda görüntü bölme (image split) ve veri arttırımı (data augmentation) yöntemleri kullanılarak derin öğrenme modelleri üzerindeki etkisi karşılaştırılmıştır. Deneysel çalışmalar sonrasında elde edilen analiz sonuçları grafikler ile paylaşılmıştır.
{"title":"Derin Öğrenme Yöntemleri Kullanılarak Havadan Elde Edilen Görüntüler Üzerinde Nesne Tespiti","authors":"Kemal Türkarslan, Fırat Hardalaç","doi":"10.31202/ecjse.1135509","DOIUrl":"https://doi.org/10.31202/ecjse.1135509","url":null,"abstract":"Son dönemlerde insan hayatı içerisinde gelişmiş uydu sistemlerinin ve insansız hava aracı teknolojilerinin kullanımı günden güne önemli derecede artmaktadır. Bu sistemler üzerinden havadan elde edilen görüntüler savunma sanayii, şehir planlama, tarım, film endüstrisi, eğlence, petrol ve maden arama gibi birçok alanda kullanılmaktadır. Bu gelişmeler doğrultusunda havadan elde edilen görüntüler üzerinde hem nitelik hem nicelik anlamında da artış olmuştur. Bununla beraber günümüzde bilgisayarlı görü dünyasında yapay zekâ algoritmaları üzerinde en çok çalışılan alanlardan biridir. Bilgisayarlı görü ile havadan elde edilen görüntüler üzerinde nesne tespit ve tanıma işlemi oldukça kolay hale gelmektedir. Bu çalışmada tek aşamalı nesne tespit modellerinden YOLOv5 ve SSD algoritmaları kullanılarak Google Earth, GF-2 ve JL-1 uyduları üzerinden toplanan görüntüler üzerinde gemi, liman, küçük araç vs gibi 15 farklı nesnenin tespit çalışmaları yapılmıştır. Google Colab platformu kullanılarak yapılan bu çalışmalarda görüntü bölme (image split) ve veri arttırımı (data augmentation) yöntemleri kullanılarak derin öğrenme modelleri üzerindeki etkisi karşılaştırılmıştır. Deneysel çalışmalar sonrasında elde edilen analiz sonuçları grafikler ile paylaşılmıştır.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-10-18","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"89519493","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Solar photovoltaic (PV) systems have rapidly become a significant energy supply in the world over the last two decades. PV energy has demonstrated its importance among the other renewable energy sources concerning the greenhouse gas emissions and several negative impacts of other energy sources. According to the solar irradiation and ambient temperature, the output power of the PV panels can be of various values. Therefore, different types of power electronics strategies have been used to extract the maximum energy from the PV panels. Maximum Power Point Tracking (MPPT) strategy is the most used technique for PV systems. In this study, the comparative analysis of Perturb and Observe (P&O) and Incremental Conduction (IC) MPPT techniques are performed under different atmospheric conditions. The performance of the P&O and IC techniques is observed in the simulation environment using Matlab/Simulink model. Based on the tracking time and the fluctuation at the output of the PV system, two MPPT techniques are compared. The advantages, disadvantages, and limitations are discussed. The proposed PV system can properly track the maximum power point for both MPPT techniques. The IC technique offers a reduction of the steady-state oscillation and has a better response time to find the maximum power point at the start of the simulation.
{"title":"Comparative Analysis of P&O and IC MPPT Techniques under Different Atmospheric Conditions","authors":"Mustafa Sacid Endiz","doi":"10.31202/ecjse.1101526","DOIUrl":"https://doi.org/10.31202/ecjse.1101526","url":null,"abstract":"Solar photovoltaic (PV) systems have rapidly become a significant energy supply in the world over the last two decades. PV energy has demonstrated its importance among the other renewable energy sources concerning the greenhouse gas emissions and several negative impacts of other energy sources. According to the solar irradiation and ambient temperature, the output power of the PV panels can be of various values. Therefore, different types of power electronics strategies have been used to extract the maximum energy from the PV panels. Maximum Power Point Tracking (MPPT) strategy is the most used technique for PV systems. In this study, the comparative analysis of Perturb and Observe (P&O) and Incremental Conduction (IC) MPPT techniques are performed under different atmospheric conditions. The performance of the P&O and IC techniques is observed in the simulation environment using Matlab/Simulink model. Based on the tracking time and the fluctuation at the output of the PV system, two MPPT techniques are compared. The advantages, disadvantages, and limitations are discussed. The proposed PV system can properly track the maximum power point for both MPPT techniques. The IC technique offers a reduction of the steady-state oscillation and has a better response time to find the maximum power point at the start of the simulation.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-10-17","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"73821773","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Travma sonrası stres bozukluğu (TSSB), kişinin yaşadığı travmatik bir olay sonrasında ruhsal ve fiziksel hayatını olumsuz yönde etkileyen psikiyatrik bir sorundur. Hastalığın erken aşamada fark edilip tedavi edilmemesi bipolar bozukluk, anksiyete veya intihar eğilimi gibi olumsuz sonuçlar ortaya çıkarabilmektedir. TSSB nin erken aşamada tespiti için yapay zeka temelli bir model geliştirilmiştir. Yapılan çalışmada K-En Yakın Komşu algoritması, Destek Vektör Makineleri, Karar Ağaçları, Gaus Naive Bayes ve Yapay Sinir Ağları kullanılmış Covid-19 pandemisi devam ederken tıp öğrencilerinden toplanan veri seti üzerinde testler gerçekleştirilmiştir. Yapılan çalışmada doğruluk, kesinlik, hassasiyet ve f1 skoru değerleri karşılaştırmalı incelenmiştir. Yapay sinir ağları 0,987 doğruluk oranı ile en iyi sonucu elde etmiştir. Ayrıca 0,966 f1 skoru ile yapay sinir ağları en iyi TSSB tahmininde bulunmuştur.
{"title":"Travma Sonrası Stres Bozukluğunun Derin Öğrenme Yöntemleri ile Tespiti","authors":"Engin Seven, Cansın Turguner, M. Aydın","doi":"10.31202/ecjse.1133463","DOIUrl":"https://doi.org/10.31202/ecjse.1133463","url":null,"abstract":"Travma sonrası stres bozukluğu (TSSB), kişinin yaşadığı travmatik bir olay sonrasında ruhsal ve fiziksel hayatını olumsuz yönde etkileyen psikiyatrik bir sorundur. Hastalığın erken aşamada fark edilip tedavi edilmemesi bipolar bozukluk, anksiyete veya intihar eğilimi gibi olumsuz sonuçlar ortaya çıkarabilmektedir. TSSB nin erken aşamada tespiti için yapay zeka temelli bir model geliştirilmiştir. Yapılan çalışmada K-En Yakın Komşu algoritması, Destek Vektör Makineleri, Karar Ağaçları, Gaus Naive Bayes ve Yapay Sinir Ağları kullanılmış Covid-19 pandemisi devam ederken tıp öğrencilerinden toplanan veri seti üzerinde testler gerçekleştirilmiştir. Yapılan çalışmada doğruluk, kesinlik, hassasiyet ve f1 skoru değerleri karşılaştırmalı incelenmiştir. Yapay sinir ağları 0,987 doğruluk oranı ile en iyi sonucu elde etmiştir. Ayrıca 0,966 f1 skoru ile yapay sinir ağları en iyi TSSB tahmininde bulunmuştur.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-10-04","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"86351321","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Görüntü işleme uygulamalarında RGB, Lab ve HSV gibi renk uzayları kullanılmaktadır. Renk uzayları bir görüntüye ait piksellerin farklı matematiksel yöntemlerle matris formatında temsil edilmesidir. Bu renk uzayları kullanılarak resmin sayısallaştırılması ve bir matris formatına dönüştürülmesi sağlanmaktadır. Matrisin her bir elemanı görüntüdeki bir piksele karşılık gelmektedir. RGB renk uzayında ki bir resim üç boyutlu ve resmin genişliğinde ve yüksekliğinde kullanılan piksel sayısına karşılık gelen bir matris boyutu ile temsil edilmektedir. Matris üç boyutlu olup birinci boyutta kırmızı(R), ikinci boyutta yeşil(G) ve üçüncü boyutta mavi(B) renk bilgisi değeri yer almaktadır. Benzer olarak diğer renk uzaylarında da benzer matris yapısı kullanılmaktadır. Bu çalışmada bu renk uzaylarının görüntü niceliklerine etkisi uygulamalı ve karşılaştırmalı olarak verilmiştir. Görüntü nicelikleri olarak görüntü içinde bulunan nesne sayısı, nesnelerin piksel sayısı gibi değerler hesaplanmıştır. Görüntülerin sayısallaştırılması ile özniteliklerin tespitinde kullanılan algoritmalar(k-means clustering ) ile sonuçlar farklı renk uzayları için ayrı ayrı elde edilmiştir. Bu hesaplanan değerler RGB, Lab ve HSV renk uzaylarında karşılaştırmalı olarak verilmiştir.
{"title":"k-Means Kümeleme Algoritması ile Renk Tabanlı Segmantasyon ve Renk Uzaylarının Görüntü Niceliklerine Etkisinin Sayısal Analizi","authors":"Hamit Armagan","doi":"10.31202/ecjse.1141148","DOIUrl":"https://doi.org/10.31202/ecjse.1141148","url":null,"abstract":"Görüntü işleme uygulamalarında RGB, Lab ve HSV gibi renk uzayları kullanılmaktadır. Renk uzayları bir görüntüye ait piksellerin farklı matematiksel yöntemlerle matris formatında temsil edilmesidir. Bu renk uzayları kullanılarak resmin sayısallaştırılması ve bir matris formatına dönüştürülmesi sağlanmaktadır. Matrisin her bir elemanı görüntüdeki bir piksele karşılık gelmektedir. RGB renk uzayında ki bir resim üç boyutlu ve resmin genişliğinde ve yüksekliğinde kullanılan piksel sayısına karşılık gelen bir matris boyutu ile temsil edilmektedir. Matris üç boyutlu olup birinci boyutta kırmızı(R), ikinci boyutta yeşil(G) ve üçüncü boyutta mavi(B) renk bilgisi değeri yer almaktadır. Benzer olarak diğer renk uzaylarında da benzer matris yapısı kullanılmaktadır. Bu çalışmada bu renk uzaylarının görüntü niceliklerine etkisi uygulamalı ve karşılaştırmalı olarak verilmiştir. Görüntü nicelikleri olarak görüntü içinde bulunan nesne sayısı, nesnelerin piksel sayısı gibi değerler hesaplanmıştır. Görüntülerin sayısallaştırılması ile özniteliklerin tespitinde kullanılan algoritmalar(k-means clustering ) ile sonuçlar farklı renk uzayları için ayrı ayrı elde edilmiştir. Bu hesaplanan değerler RGB, Lab ve HSV renk uzaylarında karşılaştırmalı olarak verilmiştir.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-09-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"85775220","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Bu çalışmanın amacı, sokak hayvanları için kontrollü su ve gıda ihtiyaçlarını karşılamaya yarayacak akıllı bir hayvan barınak sistemi tasarlamaktır. Bu çalışmada sistemin fiziksel modeli oluşturulmakta ve bu sistemi optimize etmeye yarayacak bir simülasyon uygulaması önerilmektedir. Sistemin fiziksel model tasarımında Raspberry Pi kiti kullanılmaktadır. Bu kit, nesnelerin interneti (Internet of Things - IoT) ile ilişkili olarak elektronik elemanların Pyhton programlama ile birlikte yürütülmesini bu çalışmada sağlamaktadır. Sistem prototipi su ve gıda deposu (tank) üzerine kuruludur. Sistemde su ve gıda doluluk oranları negatif geri beslemeli kontrol mekanizması ile çalışmaktadır. Sistem su ve gıda kaplarındaki kontrolünün yanında, prototipteki su ve gıda depolarındaki oranlar Raspberry Pi tarafından sensörlerden gelen verilere göre ölçülmektedir. Veriler TCP/IP soket programlama ile verilerin toplandığı sunucuya gönderilmektedir. TCP/IP programı ile sunucuya gelen veriler veri tabanında saklanmaktadır. Ölçülen bu veriler web ortamında da takip edilmektedir. Önerilen bu sistemin geliştirilmesine yönelik etmen tabanlı modelleme yaklaşımı kullanılarak bir simülasyon çalışması önerilmektedir. Sistemin etmen tabanlı simülasyon uygulamasında iki ayrı etmen sınıfı tanımlanmaktadır. Etmenler arasındaki etkileşimler deneysel çalışmalarda parametre ayarlamaları ile gözlemlenebilmektedir. Bu çalışmanın, sokak hayvanlarına fayda sağlayabilme ve belediyeler gibi ilgili kurumlar tarafından kullanılabilme potansiyeline sahip olduğu düşünülmektedir.
{"title":"Akıllı Hayvan Barınak Sistemi Tasarımı ve Etmen Tabanlı Simülasyonu","authors":"Sevcan Emek, Emir Tartar","doi":"10.31202/ecjse.1135473","DOIUrl":"https://doi.org/10.31202/ecjse.1135473","url":null,"abstract":"Bu çalışmanın amacı, sokak hayvanları için kontrollü su ve gıda ihtiyaçlarını karşılamaya yarayacak akıllı bir hayvan barınak sistemi tasarlamaktır. Bu çalışmada sistemin fiziksel modeli oluşturulmakta ve bu sistemi optimize etmeye yarayacak bir simülasyon uygulaması önerilmektedir. Sistemin fiziksel model tasarımında Raspberry Pi kiti kullanılmaktadır. Bu kit, nesnelerin interneti (Internet of Things - IoT) ile ilişkili olarak elektronik elemanların Pyhton programlama ile birlikte yürütülmesini bu çalışmada sağlamaktadır. Sistem prototipi su ve gıda deposu (tank) üzerine kuruludur. Sistemde su ve gıda doluluk oranları negatif geri beslemeli kontrol mekanizması ile çalışmaktadır. Sistem su ve gıda kaplarındaki kontrolünün yanında, prototipteki su ve gıda depolarındaki oranlar Raspberry Pi tarafından sensörlerden gelen verilere göre ölçülmektedir. Veriler TCP/IP soket programlama ile verilerin toplandığı sunucuya gönderilmektedir. TCP/IP programı ile sunucuya gelen veriler veri tabanında saklanmaktadır. Ölçülen bu veriler web ortamında da takip edilmektedir. Önerilen bu sistemin geliştirilmesine yönelik etmen tabanlı modelleme yaklaşımı kullanılarak bir simülasyon çalışması önerilmektedir. Sistemin etmen tabanlı simülasyon uygulamasında iki ayrı etmen sınıfı tanımlanmaktadır. Etmenler arasındaki etkileşimler deneysel çalışmalarda parametre ayarlamaları ile gözlemlenebilmektedir. Bu çalışmanın, sokak hayvanlarına fayda sağlayabilme ve belediyeler gibi ilgili kurumlar tarafından kullanılabilme potansiyeline sahip olduğu düşünülmektedir.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-09-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"88292832","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Hava araçları tasarımında kablo ve ekipman ağırlığının azaltılması önemli bir gereksinim kriteridir. Gelişen teknoloji ve ihtiyaçlar doğrultusunda hava araçları sistem mimarisi federe yapıdan modüler yapıya evirilerek ekipman ağırlığına çözüm bulmasına karşın kablo ağırlığına etkin bir çözüm getirememiştir. Bu maksatla verilerin ihtiyaç duyulduğu yerde işlemlerin gerçekleştirilmesine dayalı fakat kablaj ağırlığı getirmeyecek bir yapının tesisini amaçlayan bir sistem mimarisi hedeflenmiştir. Bunun sonucunda dağıtık sistem mimarisi ve geniş bant ağ veri yoluna dayalı sistem mimarisine geçilmesi yönünde çalışmalar yapılmıştır. Hava aracı içinde kullanılan donanımlar arası haberleşme ihtiyaçlarını karşılamaya yönelik kullanıcıların kolayca adapte olabileceği değerlendirilen ve halihazırda kullanımı olan IEEE 802.3 Ethernet haberleşmesi temel alınarak Aviyonik Tam Çift Yönlü Anahtarlamalı Ethernet Ağı (ARINC 664 P7 AFDX) geliştirilmiştir. Havacılığa özgü bu haberleşme protokolü; yedeklilik, tahsis edilmiş bant genişliği ve deterministtik zamanlama karakterlerini bünyesinde barındırmaktadır. Ayrıca bu iletişim protokolü sayesinde; kablaj ağırlığını azaltmak için aynı fiziksel bağlantıyı paylaşabilen, Sanal Bağlantı(SB) adı verilen, statik olarak yönlendirilmiş iletişim tünelleri aracılığıyla Ethernet verilerini tek kaynak Uç Sistem(US)’den bir ya da daha fazla US’a dağıtmak da mümkündür. Yapmış olduğumuz bu çalışmada karmaşık bir ağ yapısında kablaj ekibi tarafından belirlenen ağ anahtarları arası olası tüm fiziksel hatlar arasında kablaj ağırlığı kısıdına dayalı, bu uygulamaya yönelik uyarlanmış bir Genetik Algoritma(GA) vasıtasıyla SB’lerin yönlendirmeleri yapılarak optimal kablaj ağırlığının sağlandığı ve gereksiz hatların belirlendiği bir yöntem geliştirilmiştir. Sunulan uyarlanmış GA tabanlı metodun geçerliliğini doğrulamak için karmaşık bir ağ yapısı üzerinde deneysel benzetimle sınanmış ve ayrıca Dijkstra's Shortest Path Algoritması ile karşılaştırması yapılmıştır. Sunulan algoritmanın aviyonik endüstrisinde kullanılabilirliği deneysel benzetim sonuçlarıyla ortaya konmuştur.
{"title":"ARINC 664 P7 AFDX Ağlarında Kablaj Optimizasyonuna Dayalı Sanal Bağlantıların Uyarlanmış Genetik Algoritmayla Yönlendirilmesi","authors":"Otman Baturay Bayram, Alper Özcan","doi":"10.31202/ecjse.1135589","DOIUrl":"https://doi.org/10.31202/ecjse.1135589","url":null,"abstract":"Hava araçları tasarımında kablo ve ekipman ağırlığının azaltılması önemli bir gereksinim kriteridir. Gelişen teknoloji ve ihtiyaçlar doğrultusunda hava araçları sistem mimarisi federe yapıdan modüler yapıya evirilerek ekipman ağırlığına çözüm bulmasına karşın kablo ağırlığına etkin bir çözüm getirememiştir. Bu maksatla verilerin ihtiyaç duyulduğu yerde işlemlerin gerçekleştirilmesine dayalı fakat kablaj ağırlığı getirmeyecek bir yapının tesisini amaçlayan bir sistem mimarisi hedeflenmiştir. Bunun sonucunda dağıtık sistem mimarisi ve geniş bant ağ veri yoluna dayalı sistem mimarisine geçilmesi yönünde çalışmalar yapılmıştır. Hava aracı içinde kullanılan donanımlar arası haberleşme ihtiyaçlarını karşılamaya yönelik kullanıcıların kolayca adapte olabileceği değerlendirilen ve halihazırda kullanımı olan IEEE 802.3 Ethernet haberleşmesi temel alınarak Aviyonik Tam Çift Yönlü Anahtarlamalı Ethernet Ağı (ARINC 664 P7 AFDX) geliştirilmiştir. Havacılığa özgü bu haberleşme protokolü; yedeklilik, tahsis edilmiş bant genişliği ve deterministtik zamanlama karakterlerini bünyesinde barındırmaktadır. Ayrıca bu iletişim protokolü sayesinde; kablaj ağırlığını azaltmak için aynı fiziksel bağlantıyı paylaşabilen, Sanal Bağlantı(SB) adı verilen, statik olarak yönlendirilmiş iletişim tünelleri aracılığıyla Ethernet verilerini tek kaynak Uç Sistem(US)’den bir ya da daha fazla US’a dağıtmak da mümkündür. Yapmış olduğumuz bu çalışmada karmaşık bir ağ yapısında kablaj ekibi tarafından belirlenen ağ anahtarları arası olası tüm fiziksel hatlar arasında kablaj ağırlığı kısıdına dayalı, bu uygulamaya yönelik uyarlanmış bir Genetik Algoritma(GA) vasıtasıyla SB’lerin yönlendirmeleri yapılarak optimal kablaj ağırlığının sağlandığı ve gereksiz hatların belirlendiği bir yöntem geliştirilmiştir. Sunulan uyarlanmış GA tabanlı metodun geçerliliğini doğrulamak için karmaşık bir ağ yapısı üzerinde deneysel benzetimle sınanmış ve ayrıca Dijkstra's Shortest Path Algoritması ile karşılaştırması yapılmıştır. Sunulan algoritmanın aviyonik endüstrisinde kullanılabilirliği deneysel benzetim sonuçlarıyla ortaya konmuştur.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-09-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"88310357","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
In recent years, the use of artificial intelligence algorithms in geotechnical engineering has increased, and successful results have been obtained in geotechnical engineering using artificial intelligence algorithms. The objective of this study is to estimate the shear strength of glass fiber reinforced clay soil using ANFIS. For this purpose, specimens with different water contents (13%, 15% and 17%) and different glass fiber addition ratios (0%, 1%, 1.5% and 2%) were prepared. The ANFIS models were created using the shear strength (τ) data obtained by direct shear tests on the prepared specimens. To create the best fitting ANFIS model in the current study, 75%, 77%, 80%, and 83% of the data for training and 25%, 23%, 20%, and 17% of the data for testing were used, respectively. However, to estimate the shear strength in each ANFIS model, the normal stress (σ), glass fiber content (Fc), and water content (ω) are considered as input parameters. Statistical parameters such as root mean square error (RMSE), regression coefficient (R2), root square error (RSE), and mean absolute error (MAE) were also calculated to determine the success rates of the ANFIS models. Examination of the statistical parameters revealed that the data used 80% for training and 20% for testing provided the best results in estimating the shear strength of the ANFIS model.
{"title":"Cam Fiberle Güçlendirilmiş Killi Zeminin Kayma Mukavemetinin Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS) ile Tahmini","authors":"Ahmetcan Sungur, M. Yazici, Nilay Keskin","doi":"10.31202/ecjse.1133184","DOIUrl":"https://doi.org/10.31202/ecjse.1133184","url":null,"abstract":"In recent years, the use of artificial intelligence algorithms in geotechnical engineering has increased, and successful results have been obtained in geotechnical engineering using artificial intelligence algorithms. The objective of this study is to estimate the shear strength of glass fiber reinforced clay soil using ANFIS. For this purpose, specimens with different water contents (13%, 15% and 17%) and different glass fiber addition ratios (0%, 1%, 1.5% and 2%) were prepared. The ANFIS models were created using the shear strength (τ) data obtained by direct shear tests on the prepared specimens. To create the best fitting ANFIS model in the current study, 75%, 77%, 80%, and 83% of the data for training and 25%, 23%, 20%, and 17% of the data for testing were used, respectively. However, to estimate the shear strength in each ANFIS model, the normal stress (σ), glass fiber content (Fc), and water content (ω) are considered as input parameters. Statistical parameters such as root mean square error (RMSE), regression coefficient (R2), root square error (RSE), and mean absolute error (MAE) were also calculated to determine the success rates of the ANFIS models. Examination of the statistical parameters revealed that the data used 80% for training and 20% for testing provided the best results in estimating the shear strength of the ANFIS model.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-09-15","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"78468030","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
In this study, a real-time power estimation of a 250Wp solar panel is performed by using a commercial product SIS01-TC-T PV reference module and STM development board. Power estimation was carried out with Adaptive Neuro-Fuzzy Inference System (ANFIS). During the training process, the actual values of the Photo Voltaic (PV) panel with a 250Wp power were used. ANFIS training was accomplished with the hybrid learning algorithm. The power estimation process can be used as a reference power for various applications. The estimated power value can be used in real-time power monitoring for remote monitoring systems or optimum angle control applications for solar tracking mechanisms. It can also be used as a reference value for hybrid Maximum Power Point Tracking (MPPT) control applications or Proportional, Integral, and Derivative (PID) control. In addition, with this reference power value, the Pulse Width Modulation (PWM) signal required by various power electronics stages can be generated.
{"title":"ANFIS Based Real-Time Power Reference Generator for PV Applications","authors":"Göksel Gökkus","doi":"10.31202/ecjse.1101544","DOIUrl":"https://doi.org/10.31202/ecjse.1101544","url":null,"abstract":"In this study, a real-time power estimation of a 250Wp solar panel is performed by using a commercial product SIS01-TC-T PV reference module and STM development board. Power estimation was carried out with Adaptive Neuro-Fuzzy Inference System (ANFIS). During the training process, the actual values of the Photo Voltaic (PV) panel with a 250Wp power were used. ANFIS training was accomplished with the hybrid learning algorithm. The power estimation process can be used as a reference power for various applications. The estimated power value can be used in real-time power monitoring for remote monitoring systems or optimum angle control applications for solar tracking mechanisms. It can also be used as a reference value for hybrid Maximum Power Point Tracking (MPPT) control applications or Proportional, Integral, and Derivative (PID) control. In addition, with this reference power value, the Pulse Width Modulation (PWM) signal required by various power electronics stages can be generated.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-09-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"86378707","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Artificial intelligence and its sub-branches, machine learning and deep learning, have proven themselves in many different areas such as medical imaging systems, face recognition, autonomous driving. Especially deep learning models have become very popular today. Because deep learning models are very complex in nature, they are one of the best examples of black-box models. This situation leaves the end user in doubt in terms of interpretability and explainability. Therefore, the need to make such systems understandable methods with explainable artificial intelligence (XAI) has been widely developed in recent years. In this context, a hybrid method has been developed as a result of the study, and classification study has been carried out on the new and original dataset over different deep learning algorithms. Grad-CAM application was performed on VGG16 architecture with classification accuracy of 99.643% and heat maps of pre-processed images were obtained by CLAHE method.
{"title":"A Hybrid Approach for Detection and Classification of Sheep-Goat Pox Disease Using Deep Neural Networks","authors":"Nilgün Sengöz","doi":"10.31202/ecjse.1159621","DOIUrl":"https://doi.org/10.31202/ecjse.1159621","url":null,"abstract":"Artificial intelligence and its sub-branches, machine learning and deep learning, have proven themselves in many different areas such as medical imaging systems, face recognition, autonomous driving. Especially deep learning models have become very popular today. Because deep learning models are very complex in nature, they are one of the best examples of black-box models. This situation leaves the end user in doubt in terms of interpretability and explainability. Therefore, the need to make such systems understandable methods with explainable artificial intelligence (XAI) has been widely developed in recent years. In this context, a hybrid method has been developed as a result of the study, and classification study has been carried out on the new and original dataset over different deep learning algorithms. Grad-CAM application was performed on VGG16 architecture with classification accuracy of 99.643% and heat maps of pre-processed images were obtained by CLAHE method.","PeriodicalId":11622,"journal":{"name":"El-Cezeri Fen ve Mühendislik Dergisi","volume":null,"pages":null},"PeriodicalIF":0.0,"publicationDate":"2022-09-07","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"90597301","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：