Yazar "Aslan, Emrah" seçeneğine göre listele
Listeleniyor 1 - 20 / 23
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe ADVANCED SKIN CANCER DETECTION USING CONVOLUTIONAL NEURAL NETWORKS AND TRANSFER LEARNING(Bilal GÜMÜŞ, 2024) Aslan, Emrah; Özüpak, YıldırımThis study investigates the effectiveness of MobileNetV2 transfer learning method and a deep learning based Convolutional Neural Network (CNN) model in the categorization of malignant and benign skin lesions in skin cancer diagnosis. Since skin cancer is a disease that can be cured with early detection but can be fatal if delayed, accurate diagnosis is of great importance. The model was trained with MobileNetV2 architecture and performed the classification task with high accuracy on images of skin lesions. Metrics such as accuracy, recall, precision and F1 score obtained during the training and validation processes support the high performance of the model. The accuracy of the model was 92.97%, Recall 92.71%, Precision 94.70% and F1 score 93.47%. The results show that the CNN-based MobileNetV2 model is a reliable and effective tool for skin cancer diagnosis, but small fluctuations in the validation phase require further data and hyperparameter optimization to further improve the generalization ability of the model. This study demonstrates that CNN-based models enhanced with MobileNetV2 transfer learning offer a powerful solution to medical image classification problems and have the potential to contribute to the development of early detection systems in the healthcare field.Öğe Araçlarda CO2 Emisyonlarının Farklı Yapay Sinir Ağı Modelleri Kullanılarak Tahminlerinin Karşılaştırılması(2024) Aslan, Emrahİklim değişikliği, insanlık için en büyük çevresel tehlikelerden biridir. İklim değişikliğinde karbondioksit (CO2), sera etkisinin başlıca sebeplerindendir. Ulaşım sektörü, büyük CO2 emisyon kaynaklarından birini oluşturmaktadır. Bu makale, araçlarının anlık CO2 emisyonlarını tahmin etmek için bir yapay sinir ağı (YSA) modeli sunmaktadır. Araçlarda CO2 emisyonlarını tahmin etmek için Linear Regresyon, XGBoost Regresör ve K-Nearest Neighbours Regresörü olmak üzere üç regresyon modeli kullanılarak kapsamlı bir yaklaşım kullanılmıştır. Araştırma, araçlardaki CO2 emisyonlarını tahmin etmek ve analiz etmek için bu yapay sinir ağlarının yeteneklerinden yararlanmaya odaklanmaktadır. Farklı modellerin kullanılması, doğruluk ve verimlilik açısından performanslarının karşılaştırmalı olarak değerlendirilmesine olanak sağlamaktadır. Yüksek doğruluk ve uygulanabilirlik sağlayan bu yöntem, motor hacmi, silindiri, şehir içi ve şehir dışı yakıt tüketimi gibi parametreler ile egzoz emisyonlarının öngörücüleri olarak kullanmaktadır. Her parametrenin emisyon tahminlerine olan önemi, test ve eğitim doğruluğu, kök ortalama kare hatası, ortalama mutlak hata, R2 skor gibi sonuçlar karşılaştırılarak kapsamlı bir şekilde analiz edilmiştir. Bu çalışma, özellikle araç emisyonları bağlamında CO2 emisyon tahmin metodolojilerinin ilerlemesine katkıda bulunmayı amaçlamaktadır. Bu araştırmanın bulguları, ulaştırma sektöründe karbon ayak izlerini azaltmak için sürdürülebilir çözümler arayan politika yapıcılar, çevreciler ve otomotiv mühendisleri için önem taşımaktadır.Öğe Classification of Blood Cells with Convolutional Neural Network Model(2024) Aslan, Emrah; Özüpak, YıldırımWhite Blood Cells are the primary blood cells that come from the bone marrow and are essential for constructing our body's defense system. Leukopenia is a disorder where the body's capacity to fight off infections is compromised due to a low white blood cell count. White blood cell counting is a specialty procedure that is usually carried out by experts and radiologists. Thanks to recent advances, image processing techniques are frequently used in biological systems to identify a wide spectrum of illnesses. In this work, image processing techniques were applied to enhance the white blood cell deep learning models' classification accuracy. To expedite the classification process, Convolutional Neural Network models were combined with Ridge feature selection and Maximal Information Coefficient techniques. These tactics successfully determined the most important characteristics. The selected feature set was then applied to the classification procedure. ResNet-50, VGG19, and our suggested model were used as feature extractors in this study. The categorizing of white blood cells was completed with an amazing 98.27% success rate. Results from the experiments demonstrated a considerable improvement in classification accuracy using the proposed Convolutional Neural Network model.Öğe Classification of Blood Cells with Convolutional Neural Network Model(Bitlis Eren Üniversitesi, 2024) Aslan, Emrah; Özüpak, YıldırımAmong the blood cells, white blood cells (WBC), which play a crucial role in forming our body's defense system, are essential components. Originating in the bone marrow, these cells serve as the fundamental components of the immune system, shouldering the responsibility of safeguarding the body against foreign microbes and diseases. Insufficient WBC counts may compromise the body's skill to resist infections, a status known as leukopenia. White blood cell counting is a specialty procedure that is usually carried out by qualified physicians and radiologists. Thanks to recent advances, image processing techniques are frequently used in biological systems to identify a wide spectrum of illnesses. In this work, image processing techniques were applied to enhance the white blood cell deep learning models' classification accuracy. To expedite the classification process, Convolutional Neural Network (CNN) models were combined with Ridge feature selection and Maximal Information Coefficient techniques. These tactics successfully determined the most important characteristics. The selected feature set was then applied to the classification procedure. ResNet-50, VGG19, and our suggested model were used as feature extractors in this study. The categorizing of white blood cells was completed with an amazing 98.27% success rate. Results from the experiments demonstrated a considerable improvement in classification accuracy using the proposed CNN model.Öğe CLASSIFICATION OF BRAIN TUMOR FROM MR IMAGES WITH LSTM-CNN HYBRID MODEL(Adıyaman University, 2024) Aslan, EmrahEarly detection of brain tumours is vital for effective treatment. Magnetic resonance imaging (MRI) is a fundamental tool for detecting brain tumours. There are many types of tumours such as glioma, meningioma, pituitary. Accurately determining the tumour type and making this determination is one of the most challenging aspects of classifying brain tumours. The use of artificial intelligence-based computer applications instead of traditional methods of disease detection can make significant contributions to experts in the detection of brain tumours. Especially deep learning methods are effective in disease detection based on the processing of medical images. In the literature, there are many deep learning-based approaches for categorising brain tumours. In this study, a model combining a CNN (Convolutional Neural Network) and a LSTM (Long Short Term Memory) deep learning layer is presented to detect brain tumours with MRI images. It is suggested that LSTM can support the feature extraction capabilities of CNN. In the experiments, it is found that the proposed LSTM-CNN model outperforms the standard CNN model. Using this model, an accuracy score of 98.1% was obtained in the detection of brain tumours. This result shows that it achieves a higher success compared to similar studies in the literature.Öğe Comparison of CO2 Emissions Prediction in Vehicles Using Different Artificial Neural Network Models(Cukurova University, 2024) Aslan, EmrahClimate change is one of the greatest environmental threats to humanity. Carbon dioxide (CO2) is one of the main causes of the greenhouse effect in climate change. The transportation sector is one of the major sources of CO2 emissions. This paper presents an artificial neural network (ANN) model for estimating the instantaneous CO2 emissions of vehicles. A comprehensive approach using three regression models, namely Linear Regression, XGBoost Regressor and K-Nearest Neighbors Regressor, is used to predict CO2 emissions from vehicles. The research focuses on leveraging the capabilities of these artificial neural networks to predict and analyze CO2 emissions from vehicles. The use of different models allows for a comparative evaluation of their performance in terms of accuracy and efficiency. This method, which provides high accuracy and applicability, uses parameters such as engine displacement, cylinder, urban and non-urban fuel consumption as predictors of exhaust emissions. The importance of each parameter to emission predictions is comprehensively analyzed by comparing results such as test and training accuracy, root mean square error, mean absolute error, R2 score. This study aims to contribute to the advancement of CO2 emission estimation methodologies, especially in the context of vehicle emissions. The findings of this research are important for policy makers, environmentalists and automotive engineers seeking sustainable solutions to reduce carbon footprints in the transportation sector.Öğe Comparison of push-recovery control methods for Robotics-OP2 using ankle strategy(Gazi Univ, Fac Engineering Architecture, 2024) Aslan, Emrah; Arserim, Muhammet Ali; Ucar, AysegulThe main purpose of this study is to develop push-recovery controllers for bipedal humanoid robots. In bipedal humanoid robots, occur balance problems against external pushes. In this article, control methods that will be the solution to the balance problems in humanoid robots are proposed. We aim to ensure that bipedal robots that behave like humans can come to a position of balance against external pushes. When people encounter balance problems as a result of outside pushes, they respond quite successfully. This ability is limited in bipedal humanoid robots. The main reason for this is the complex structures and limited capacities of humanoid robots. In the real world, there are push-recovery strategies created by considering the reactions of people in case of balance disorder. These strategies; are ankle, hip, and step strategies. In this study, the ankle strategy, from the push-recovery strategies, was used. Different control methods have been tried with the ankle strategy. Three different techniques of control were utilized in the applications. These methods are as follows; Classical control method is PD, Model Predictive Control (MPC) based on prediction, and Deep Q Network (DQN) as deep reinforcement learning algorithm. The applications were carried out on the Robotis-OP2 robot. Simulation tests were done in 3D in the Webots simulator. The humanoid robot was tested with three methods and the results were compared. It has been determined that the Deep Q Network algorithm gives the best results among these methods.Öğe Derin pekiştirmeli öğrenme kullanarak insansı robotlar için itme kurtarma kontrol sisteminin geliştirilmesi(Dicle Üniversitesi, Fen Bilimleri Enstitüsü, 2023) Aslan, Emrah; Arserim, Muhammet Ali; Uçar, AyşegülBu tezin amacı, iki ayaklı insansı bir robot için bir insanın eylemlerini taklit edebilecek tamamen bağımsız bir itme-kurtarma kontrol sistemi tasarlamak ve robota uygulamaktır. Bu çalışmada, dış kuvvetlerden ve itmelerden etkilenen iki ayaklı insansı robotların itme-kurtarma problemine odaklanılmıştır. İnsansı robotlar denge açısından yapısal olarak kararsız olduklarından dolayı bu problem robotlarda önemli sorun olarak ortaya çıkmaktadır. Robotlarda, itme-kurtarma kontrolörleri ayak bileği, kalça ve adım olmak üzere 3 stratejiden oluşmaktadır. Bu stratejiler, insanların denge bozukluğu durumlarında gösterdikleri biyomekanik tepkilerdir. Bu tezde, insansı robotların ayakta dururken ya da yürürken dengede kalabilmesi ve dış kuvvetlerden kaynaklanabilecek denge bozukluklarının önlenmesi için aktif bir denge kontrolü sunulmuştur. Buna ilişkin yapılan çalışmada hem simülâsyon hem de gerçek dünya testleri yapılmıştır. Çalışmanın simülâsyon testleri Webots ortamında 3 boyutlu modeller ile gerçekleştirilmiştir. Gerçek dünya testleri ise Robotis-OP2 insansı robot üzerinde yapılmıştır. Robot üzerinde bulunan sensörlerden jiroskop, ivmeölçer ve motor verileri kaydedilip, robota harici itme kuvveti uygulanmıştır. Kaydedilen bu veriler ve ayak bileği stratejisi kullanılarak robotun dengesi sağlanmıştır. Bunun için klasik kontrol yöntemi olarak PD kontrolör ve tahmine dayalı olan Model Öngörülü Kontrol (MÖK) yöntemi ile de robotun kontrolü sağlanmıştır. Bununla birlikte robotun tamamen otonom hale getirilebilmesi için Derin Pekiştirmeli Öğrenme (DPÖ) algoritmalarından Derin Q Ağı (DQA) ve Çift Derin Q Ağı (ÇDQA) yöntemleri uygulanmıştır. Bu uygulamalarda robota hem önden hem arkadan kuvvetler uygulanmıştır. Simülâsyon ortamında yapılan test çalışmalarında robotun her iki durumda da gelen itmelere karşı ayakta kaldığı gözlemlenmiştir. Uygulanan dört farklı kontrol yönteminden en iyi sonuçları, ÇDQA algoritması vermiştir. Gerçek ortam testlerinde alınan sonuçlar simülâsyon sonuçlarına paralellik göstermiştir.Öğe Detection of road extraction from satellite images with deep learning method(Springer, 2025) Aslan, Emrah; Özüpak, YıldırımRoad extraction from satellite data is of great importance in various fields such as climate change, urban planning, forestry and sustainable development. In addition, fast and accurate road detection plays a critical role in disaster management and smart city applications, especially in emergency situations. In this context, U-net architecture provides an effective solution for tasks such as semantic segmentation and urban planning support. In this work, Edge U-net, a different adaptation of the U-net architecture, is used to map roads and streets and to detect changes over time. When the performance of the architecture is evaluated using Mean Intersection over Union (mIoU) and global accuracy metrics, superior results are obtained compared to other studies in the literature. In addition, the performance of the model was improved by applying transfer learning to the ImageNet dataset and various hyperparameter settings were performed. The results of the study show that path inferences are detected with 98.4% accuracy. These results show that Edge U-Net architecture and deep learning methods can be effectively used in road detection applications from satellite imagery.Öğe DETECTION OF SUBSTATION POLLUTION IN DISTRICT HEATING AND COOLING SYSTEMS: A COMPREHENSIVE COMPARATIVE ANALYSIS OF MACHINE LEARNING AND ARTIFICIAL NEURAL NETWORK MODELS(Galileo Institute of Technology and Education of the Amazon (ITEGAM), 2024) Aslan, Emrah; Özüpak, YıldırımThis study analyzes the detection of substation fouling failures in District Heating and Cooling (DHC) systems using synthetic data. In the study, high, medium and low levels of contamination are considered and both machine learning and deep learning techniques are applied for the detection of these failure types. Within the scope of the analysis, machine learning algorithms such as K-Nearest Neighbors, XGBoost and AdaBoost are compared with the proposed Convolutional Neural Network (CNN) model. The machine learning algorithms and the Convolutional Neural Network model are trained to perform fault detection at different contamination levels. In order to improve the performance of the machine learning models, hyperparameter tuning was performed by Grid Search Optimization method. The results obtained show that the proposed Convolutional Neural Network model provides higher accuracy and overall success compared to machine learning methods. High performance measures such as Matthews correlation coefficient 0.944 and accuracy rate 0.972 were achieved with the CNN model. These findings reveal that contamination detection in substations can be done effectively with CNN-based approaches, especially for situations that require high accuracy. This study on fault detection in DHC systems provides a new and reliable solution for industrial applications. © 2024, Galileo Institute of Technology and Education of the Amazon (ITEGAM). All rights reserved.Öğe Development of Push-Recovery control system for humanoid robots using deep reinforcement learning(Ain Shams University, 2023) Aslan, Emrah; Arserim, Muhammet Ali; Uçar, AyşegülThis paper focuses on the push-recovery problem of bipedal humanoid robots affected by external forces and pushes. Since they are structurally unstable, balance is the most important problem in humanoid robots. Our purpose is to design and implement a completely independent push-recovery control system that can imitate the actions of a human. For humanoid robots to be able to stay in balance while standing or walking, and to prevent balance disorders that may be caused by external forces, an active balance control has been presented. Push-recovery controllers consist of three strategies: ankle strategy, hip strategy, and step strategy. These strategies are biomechanical responses that people show in cases of balance disorder. In our application, both simulation and real-world tests have been performed. The simulation tests of the study were carried out with 3D models in the Webots environment. Real-world tests were performed on the Robotis-OP2 humanoid robot. The gyroscope, accelerometer and motor data from the sensors in our robot were recorded and external pushing force was applied to the robot. The balance of the robot was achieved by using the recorded data and the ankle strategy. To make the robot completely autonomous, Deep Q Network (DQN) and Double Deep Q Network (DDQN) methods from Deep Reinforcement Learning (DPL) algorithms have been applied. The results obtained with the DDQN algorithm yielded 21.03% more successful results compared to the DQN algorithm. The results obtained in the real environment tests showed parallelism to the simulation results.Öğe Diagnosis of Pneumonia from Chest X-ray Images with Vision Transformer Approach(2024) Aslan, EmrahPeople can get pneumonia, a dangerous infectious disease, at any time in their lives. Severe cases of pneumonia can be fatal. A doctor would usually examine chest x-rays to diagnose pneumonia. In this work, a pneumonia diagnosis system was developed using publicly available chest x-ray images. Vision Transformer (ViT) and other deep learning models were used to extract features from these images. Vision Transformer (ViT) is an attention-based model used for image processing and understanding as an alternative to the convolutional neural networks traditionally used for this purpose. ViT consists of a series of attention layers, where each attention layer models the relationships between input pixels to represent an image. These relationships are determined by a set of attention heads and then fed into a classifier. ViT performs effectively in a variety of visual tasks, especially when trained on large datasets. The study shows that the ViT model's classification procedure has a high success rate of 95.67%. These results highlight how deep learning models can be used to quickly and accurately diagnose dangerous diseases such as pneumonia in its early stages. The study also shows that the ViT model outperforms current approaches in the biomedical field.Öğe Diagnosis of Pneumonia from Chest X-ray Images with Vision Transformer Approach(Gazi University, 2024) Aslan, EmrahPeople can get pneumonia, a dangerous infectious disease, at any time in their lives. Severe cases of pneumonia can be fatal. A doctor would usually examine chest x-rays to diagnose pneumonia. In this work, a pneumonia diagnosis system was developed using publicly available chest x-ray images. Vision Transformer (ViT) and other deep learning models were used to extract features from these images. Vision Transformer (ViT) is an attention-based model used for image processing and understanding as an alternative to the convolutional neural networks traditionally used for this purpose. ViT consists of a series of attention layers, where each attention layer models the relationships between input pixels to represent an image. These relationships are determined by a set of attention heads and then fed into a classifier. ViT performs effectively in a variety of visual tasks, especially when trained on large datasets. The study shows that the ViT model's classification procedure has a high success rate of 95.67%. These results highlight how deep learning models can be used to quickly and accurately diagnose dangerous diseases such as pneumonia in its early stages. The study also shows that the ViT model outperforms current approaches in the biomedical field.Öğe Elektrikli Araçların Enerji Tüketimini Tahmin Etmede Makine Öğrenimi Algoritmalarının Performanslarının Karşılaştırılması(2024) Aslan, EmrahUlaştırma sektörünün hızlı büyümesi ve buna bağlı emisyonlar, çevresel sürdürülebilirliğin sağlanması önem teşkil etmektedir. Bu nedenle, ulaştırma emisyonlarının türetilme faktörünün anlaşılması son derece önemlidir. Artan ulaşım emisyonları karşısında elektrikli araçların (EA) rolü kullanımının yaygınlaştırılması önemlidir. Elektrikli araçlar düşük karbon ekonomisine ve sürdürülebilir çevreye giden yolu açmaktadır. Elektrikli araçların başarılı bir şekilde yaygınlaştırılması, büyük ölçüde enerji tüketimini verimli ve güvenilir bir şekilde tahmin edebilen enerji tüketim modellerine dayanmaktadır. Elektrikli araçların enerji tüketim verimliliğinin artırılması, sürücü endişesinin hafifletilmesine önemli ölçüde yardımcı olacak ve şarj altyapısının işletilmesi, planlanması ve yönetimi için temel bir çerçeve sağlayacaktır. Elektrikli araçların enerji tüketimi tahminindeki zorlukların üstesinden gelmek için veriler Japonya'nın Aichi Eyaletinde toplanmıştır. Çalışmada, elektrikli araçların enerji tüketiminin tahmini için geleneksel makine öğrenimi modelleri, Multi Output, Gradient Boosting, XGBoost ve Random Forest kullanılmıştır. Tahmin modellerinin performansını değerlendirmek için belirleme katsayısı (R^2), kök ortalama kare hatası (RMSE) ve ortalama mutlak hata (MAE) değerlendirme ölçütleri kullanılmıştır. Tahmin sonuçları, Gradient Boosting ve Multi Output birleşimi ile oluşturulan regresyon modeli iyi performans gösterdiğini ortaya koymaktadır. Daha yüksek R^2 değerlerine, daha düşük MAE ve RMSE değerlerine sahip Gradient Boosting ve Multi Output tabanlı modellerin daha doğru olduğu kanıtlanmıştır. Farklı girdi değişkenlerinin elektrikli araçların enerji tüketimi tahmini üzerindeki etkisini ve göreceli etkisini göstermek için ayrıntılı bir önemli özellik analizi gerçekleştirilmiştir. Sonuçlar, gelişmiş bir makine öğrenmesi modelinin elektrikli araçların enerji tüketiminin tahmin performansını artırabileceğini göstermektedir.Öğe Elektrikli Araçların Enerji Tüketimini Tahmin Etmede Makine Öğrenimi Algoritmalarının Performanslarının Karşılaştırılması(Iğdır Üniversitesi, 2024) Aslan, EmrahUlaştırma sektörünün hızlı büyümesi ve buna bağlı emisyonlar, çevresel sürdürülebilirliğin sağlanması önem teşkil etmektedir. Bu nedenle, ulaştırma emisyonlarının türetilme faktörünün anlaşılması son derece önemlidir. Artan ulaşım emisyonları karşısında elektrikli araçların (EA) rolü kullanımının yaygınlaştırılması önemlidir. Elektrikli araçlar düşük karbon ekonomisine ve sürdürülebilir çevreye giden yolu açmaktadır. Elektrikli araçların başarılı bir şekilde yaygınlaştırılması, büyük ölçüde enerji tüketimini verimli ve güvenilir bir şekilde tahmin edebilen enerji tüketim modellerine dayanmaktadır. Elektrikli araçların enerji tüketim verimliliğinin artırılması, sürücü endişesinin hafifletilmesine önemli ölçüde yardımcı olacak ve şarj altyapısının işletilmesi, planlanması ve yönetimi için temel bir çerçeve sağlayacaktır. Elektrikli araçların enerji tüketimi tahminindeki zorlukların üstesinden gelmek için veriler Japonya'nın Aichi Eyaletinde toplanmıştır. Çalışmada, elektrikli araçların enerji tüketiminin tahmini için geleneksel makine öğrenimi modelleri, Multi Output, Gradient Boosting, XGBoost ve Random Forest kullanılmıştır. Tahmin modellerinin performansını değerlendirmek için belirleme katsayısı (R^2), kök ortalama kare hatası (RMSE) ve ortalama mutlak hata (MAE) değerlendirme ölçütleri kullanılmıştır. Tahmin sonuçları, Gradient Boosting ve Multi Output birleşimi ile oluşturulan regresyon modeli iyi performans gösterdiğini ortaya koymaktadır. Daha yüksek R^2 değerlerine, daha düşük MAE ve RMSE değerlerine sahip Gradient Boosting ve Multi Output tabanlı modellerin daha doğru olduğu kanıtlanmıştır. Farklı girdi değişkenlerinin elektrikli araçların enerji tüketimi tahmini üzerindeki etkisini ve göreceli etkisini göstermek için ayrıntılı bir önemli özellik analizi gerçekleştirilmiştir. Sonuçlar, gelişmiş bir makine öğrenmesi modelinin elektrikli araçların enerji tüketiminin tahmin performansını artırabileceğini göstermektedir.Öğe İnşaat Güneş Enerjisi Santrallerinin Akıllı Şebekelere Entegrasyonu(Nobel Bilim ve Araştırma Merkezi Limited, 2017) Aslan, Emrah; Beşli, Nurettin; Gümüşçü, AbdulkadirTeknoloji ve sanayinin gelişmesiyle artan enerji ihtiyacı ve fosil yakıtların sınırlı olması insanları enerji konusunda yeni arayışlara yönlendirmiştir. Enerjiyi daha verimli ve akıllıca kullanmak için çeşitli çalışmalar üzerinde durulmaktadır. Bu kapsamda yenilenebilir enerji kaynakları ve akıllı şebekeler üzerinde yapılan çalışmalar önem kazanmıştır. Akıllı şebekeler genel olarak üretici ve tüketici arasında elektronik iletişim sağlayarak üretim, iletim, dağıtım, talep, fiyatlandırma ve hava tahminleri gibi verileri kontrol eden sistemlerdir. Yenilenebilir enerji sistemleri kullanılarak enerji üretimi gittikçe artmaktadır. Yenilenebilir enerji kaynaklarının sürekli olmayışı bu kaynaklar için en büyük dezavantajdır. Güneş enerji santrallerinin akıllı şebekelere entegrasyonu yapılarak gün içerisinde üretilen enerjinin en verimli şekilde şebekeye aktarılması sağlanabilmektedir. Bu çalışmada tüketici dağıtım firmasına bir sonraki gün gerekli enerji talebini network üzerinden iletilebilecektir. Dağıtım firmaları ise mevcut olan güneş enerji santrallerinin meteoroloji verilerini kullanaraktan sonraki günün üretilecek enerji miktarını hesaplayabilecektir. Ve talep edilen enerji miktarı üzerinden eksik kalan enerji miktarını ise diğer kaynaklardan üretilerek dağıtım hattına verecektir. Bu sayede günlük enerji ihtiyacı oranında üretim yapılacaktır. Böylece fosil yakıt tüketimi azaltılacaktır. Çalışmamızda akıllı şebekelerin güneş enerji santrallerinin dezavantajlarını nasıl giderilebileceğine yönelik çözümler sunulacaktır.Öğe İnsansı robot robotis-op2 için itme kurtarma kontrol yöntemlerinin karşılaştırılması(Gazi Üniversitesi, 2024) Aslan, Emrah; Arserim, Muhammet Ali; Uçar, AyşegülBu çalışmanın ana hedefi, iki ayaklı insansı robotlar için itme-kurtarma kontrolörleri geliştirmektir. İki ayaklı insansı robotlarda dışardan gelen itmelere karşı denge problemi oluşmaktadır. Bu makalede insansı robotlardaki denge problemlerine çözüm olacak kontrol yöntemleri önerilmiştir. Amacımız, insan gibi davranan iki ayaklı robotların dışardan gelen itmelere karşı denge pozisyonuna gelebilmesini sağlamaktır. İnsanlar dışarda gelen itmeler sonucunda denge problemleri ile karşılaştıklarında oldukça başarılı bir şekilde tepki vermektedirler. İki ayaklı insansı robotlarda ise bu yetenek sınırlıdır. Bunun başlıca sebebi insansı robotların karmaşık yapıları ve kapasitelerinin sınırlı olmasıdır. Gerçek dünyada insanların denge bozukluğu durumunda gösterdikleri tepkiler ele alınarak oluşturulan itme-kurtarma stratejileri bulunmaktadır. Bu stratejiler; ayak bileği, kalça ve adım stratejileridir. Bu çalışmada itme-kurtarma stratejilerinden ayak bileği stratejisini kullanılmıştır. Ayak bileği stratejisini kullanarak, farklı kontrol yöntemleri denenmiştir. Yapılan uygulamalarda üç farklı kontrol yöntemi kullanılmıştır. Bunlar; klasik kontrol yöntemi PID, tahmine dayalı olarak Model Predictive Control (MPC) ve derin pekiştirmeli öğrenme algoritmalarından Deep Q Network (DQN) yöntemleridir. Uygulamalar ROBOTİS-OP2 insansı robotu üzerinde gerçekleştirilmiştir. Simülasyon testleri ise Webots simülatöründe 3 boyutlu olarak yapılmıştır. Her bir yöntem ile insansı robot test edilmiş ve sonuçları karşılaştırılmıştır. Bu yöntemlerden derin pekiştirmeli öğrenme algoritması olan Deep Q Network (DQN) en iyi sonuç verdiği gözlemlenmiştir.Öğe Kablosuz güç transferi sistemi için Q faktörü etkisinin analizi(2024) Aslan, Emrah; Özüpak, YıldırımElektrikli Araçların (EA) kablosuz olarak şarj edilmesi için en uygun yöntem, enerjiyi yakın alanda aktaran manyetik rezonans kuplajıdır. Bu çalışmada, kalite faktörünün bir EA'nın kablosuz şarj sistemi üzerindeki etkisi araştırılmıştır. 85 kHz frekans, 20 kW güç ve 150 mm bobinler arası mesafe belirlendikten sonra kalite faktörüne göre Kablosuz Güç Aktarımı (KGA) sistem tasarımı gerçekleştirilmiştir. Kalite faktörünün verime, kritik hava aralığına ve kapasitörlerdeki gerilime etki ettiği görülmüştür. Kalite faktörü arttıkça kritik hava boşluğu da artar ve daha uzun mesafelere iletim verimli bir şekilde gerçekleştirilebilir. Ancak bu faktörün artmasına bağlı olarak kapasitörler üzerindeki gerilim stresi de artar. Çalışmada kalite faktörüne göre kritik hava boşluğu belirlenmiştir. Yüksek kalite faktörü, yüksek hava boşluklarında verimliliği arttırsa da hava boşluklarının yakın olduğu uygulamalarda verimliliği düşürmektedir. Aslında endüktansı artırarak kalite faktörünü arttırmak iç direncin artması anlamına gelir ve bu durumun maksimum verimliliği azalttığı görülmüştür. Bu çalışmada Q faktörünün iletim gücü ve iletim verimliliği üzerindeki etkileri deneysel ve benzetim aracılığıyla araştırılmıştır.Öğe Kablosuz güç transferi sistemi için Q faktörü etkisinin analizi(Niğde Ömer Halisdemir Üniversitesi, 2024) Aslan, Emrah; Özüpak, YıldırımElektrikli Araçların (EA) kablosuz olarak şarj edilmesi için en uygun yöntem, enerjiyi yakın alanda aktaran manyetik rezonans kuplajıdır. Bu çalışmada, kalite faktörünün bir EA'nın kablosuz şarj sistemi üzerindeki etkisi araştırılmıştır. 85 kHz frekans, 20 kW güç ve 150 mm bobinler arası mesafe belirlendikten sonra kalite faktörüne göre Kablosuz Güç Aktarımı (KGA) sistem tasarımı gerçekleştirilmiştir. Kalite faktörünün verime, kritik hava aralığına ve kapasitörlerdeki gerilime etki ettiği görülmüştür. Kalite faktörü arttıkça kritik hava boşluğu da artar ve daha uzun mesafelere iletim verimli bir şekilde gerçekleştirilebilir. Ancak bu faktörün artmasına bağlı olarak kapasitörler üzerindeki gerilim stresi de artar. Çalışmada kalite faktörüne göre kritik hava boşluğu belirlenmiştir. Yüksek kalite faktörü, yüksek hava boşluklarında verimliliği arttırsa da hava boşluklarının yakın olduğu uygulamalarda verimliliği düşürmektedir. Aslında endüktansı artırarak kalite faktörünü arttırmak iç direncin artması anlamına gelir ve bu durumun maksimum verimliliği azalttığı görülmüştür. Bu çalışmada Q faktörünün iletim gücü ve iletim verimliliği üzerindeki etkileri deneysel ve benzetim aracılığıyla araştırılmıştır.Öğe LSTM-ESA HİBRİT MODELİ İLE MR GÖRÜNTÜLERİNDEN BEYİN TÜMÖRÜNÜN SINIFLANDIRILMASI(2024) Aslan, EmrahBeyin tümörlerinin erken teşhisi, etkili bir tedavi için hayati öneme sahiptir. Manyetik rezonans (MR) görüntüleme, beyin tümörlerini tespit etmede temel bir araç olarak öne çıkmaktadır. Glioma, meningioma, pituitary gibi birçok tümör türü bulunmaktadır. Tümör türünü doğru bir şekilde belirlemek ve bu tespiti yapmak, beyin tümörlerini sınıflandırmanın en zorlu yönlerinden biridir. Geleneksel yöntemlerle hastalık tespiti yerine, yapay zekâ temelli bilgisayar uygulamalarının kullanılması, beyin tümörlerinin tespitinde uzmanlara önemli katkılar sağlayabilir. Özellikle derin öğrenme yöntemleri, medikal görüntülerin işlenmesine dayalı hastalık tespitinde etkili olmaktadır. Literatürde, beyin tümörlerini kategorize etmek için birçok derin öğrenme tabanlı yaklaşım bulunmaktadır. Bu çalışmada, MR görüntüleri ile beyin tümörlerini tespit etmek için bir ESA (Evrişimli Sinir Ağı) ve bir LSTM (Uzun Kısa Süreli Bellek) derin öğrenme katmanının birleştirilmiş olduğu bir model sunulmaktadır. LSTM'nin, ESA'nın özellik çıkarma yeteneklerini destekleyebileceği öne sürülmektedir. Yapılan deneylerde, önerilen LSTM-ESA modelinin standart ESA modelinden daha iyi performans gösterdiği belirlenmiştir. Bu modelin kullanılmasıyla, beyin tümörlerinin tespitinde %98,1 doğruluk skoru elde edilmiştir. Bu sonuç, literatürdeki benzer çalışmalarla karşılaştırıldığında daha yüksek bir başarı elde ettiğini göstermektedir.
