Geri Dön

Nano boyutlu gaz sensörü tepki sonuçlarının makine öğrenmesi ile analizi ve matematiksel modellenmesi

Analysis and mathematical modeling of nanoscale gas sensor response results using machine learning

  1. Tez No: 1024002
  2. Yazar: SİBEL ÇELİK AÇIKBAŞ
  3. Danışmanlar: DOÇ. DR. ALİ DENİZ, DR. ÖĞR. ÜYESİ KEMAL BÜYÜKKABASAKAL
  4. Tez Türü: Doktora
  5. Konular: Matematik, Mathematics
  6. Anahtar Kelimeler: Matematiksel modelleme, Yapay zeka ve makine öğrenmesi dersi, Mathematical modelling, Artificial intelligence and machine learning course
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Uşak Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Matematik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışmasında, difüzyonun neden olduğu şişme davranışını aydınlatmak amacıyla, entegre bir deneysel ve veriye dayalı modelleme yaklaşımıyla nano boyutlu bir ince film sensörü incelenmiştir. Bu çerçeve içinde, difüzyon katsayıları, Yüzey Plazmon Rezonansı (YPR) ve Kuvars Kristal Mikrobalans (KKM) ölçümleri yoluyla elde edilen altı farklı Uçucu Organik Bileşik (UOB) (diklorometan, kloroform, karbon tetraklorür, benzen, tolüen ve ksilen) için zamana bağlı tepki verileri kullanılarak hesaplanmıştır. Bu değerler, Fick'in erken aşama difüzyon modeli kullanılarak belirlenmiştir. YPR'den elde edilen difüzyon katsayı değerleri KKM değerlerine kıyasla daha yüksek elde edilmiştir. Her iki yöntem de difüzyon katsayıları açısından benzer bir eğilim ortaya koymuş; difüzyon katsayıları büyüklük sırasına göre diklorometan > kloroform > karbon tetraklorür > benzen > tolüen > ksilen şeklinde belirlenmiştir. Doğrusal olmayan ve dinamik sensör tepkisini yakalamak amacıyla, Doğrusal Olmayan Otoregresif Eksojen Yapay Sinir Ağları (NARX-ANN) ve Gauss Süreci Regresyonu (GSR) modelleri geliştirilmiş ve deneysel veri setleri kullanılarak doğrulanmıştır. Her iki yaklaşım da zamansal tepki profillerini doğru bir şekilde yeniden üretmiş ve fizik temelli hesaplamalardan elde edilenlerle büyük ölçüde uyumlu difüzyon katsayıları vermiştir. NARX-ANN modeli daha düşük hata metrikleriyle üstün tahminler üretmiş olsa da GSR modeli olasılıksal çerçevesi ve belirsizliği niceleme yeteneği sayesinde kendine özgü avantajlara sahiptir. Bu çalışma, pillar[5]arene kullanarak UOB tespiti için difüzyon tabanlı fiziksel analizi gelişmiş makine öğrenimi teknikleriyle birleştiren kapsamlı bir çerçeve sunmaktadır. Önerilen yaklaşımlar, UOB-sensör etkileşimlerine dair daha kapsamlı bir anlayış sunar ve yeni nesil akıllı algılama sistemlerinin tasarımı ve optimizasyonu için sağlam bir metodoloji oluşturur.

Özet (Çeviri)

In this thesis, a nanoscale thin-film sensor was investigated using an integrated experimental and data-driven modeling approach to elucidate the swelling behavior caused by diffusion. In this context, diffusion coefficients were calculated using time-dependent response data obtained for six different Volatile Organic Compound (VOCs) (dichloromethane, chloroform, carbon tetrachloride, benzene, toluene, and xylene) via Surface Plasmon Resonance (SPR) and Quartz Crystal Microbalance (QCM) measurements. These values were determined using Fick's early-stage diffusion model. Diffusion coefficient values obtained from SPR were found to be higher than those from QCM. The results obtained using both methods exhibited a consistent trend in the diffusion coefficients. Specifically, the diffusion coefficients followed the order: dichloromethane > chloroform > carbon tetrachloride > benzene > toluene > xylene. For the purpose of capturing nonlinear and dynamic sensor responses, Nonlinear Autoregressive Exogenous Artificial Neural Networks (NARX-ANN) and Gaussian Process Regression (GPR) models were developed and validated using experimental datasets. Both approaches accurately reproduced the temporal response profiles and provided diffusion coefficients that were largely consistent with those obtained from physics-based calculations. Although the NARX-ANN model produced superior predictions with lower error metrics, the GPR model had unique advantages due to its probabilistic framework and ability to quantify uncertainty. This study presents a comprehensive framework that combines diffusion-based physical analysis for VOC detection with advanced machine learning techniques using the pillar[5]arene. The proposed approaches provide a more comprehensive understanding of VOC-sensor interactions and establish a robust methodology for the design and optimization of next-generation smart sensing systems.

Benzer Tezler

  1. Tez No

    856469

    Implementation of novel carbon-based nanomaterials for high-performance gas sensors

    Yüksek performanslı gaz sensörlerinde yenilikçi karbon bazlı nanomalzemelerin uygulanması

    MOHAMAD ANAS HEJAZI

    Doktora

    İngilizce

    İngilizce

    2024

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. LEVENT TRABZON

  2. Tez No

    835513

    Synthesis of conjugated polymers through light- induced step-growth polymerization

    Işıkla başlatılmış kademeli büyüme polimerizasyon yoluyla konjuge polimerlerin sentezi

    TUĞBA ÇELİKER

    Doktora

    İngilizce

    İngilizce

    2023

    Polimer Bilim ve Teknolojisiİstanbul Teknik Üniversitesi

    Kimya Ana Bilim Dalı

    PROF. DR. YUSUF YAĞCI

    PROF. DR. BARIŞ KIŞKAN

  3. Tez No

    831974

    Utilization of graphene and MoS2 for volatile organic compound sensor applications

    Grafen ve MoS2'nin uçucu organik gaz sensörü uygulamaları için kullanılması

    TUNA DURAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Metalurji Mühendisliğiİzmir Yüksek Teknoloji Enstitüsü

    Kimya Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ONUR BÜYÜKÇAKIR

    PROF. DR. HASAN ŞAHİN

  4. Tez No

    416924

    Karbon nanotüp esaslı yüksek performanslı liflerin üretim yöntemleri, mekanik ve yapısal özellikleri ve uygulama alanları

    Production methods, mechanical and structural properties and application areas of carbon nanotube based high performance fibers

    ÜLKÜ KÖSE

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Tekstil ve Tekstil MühendisliğiErciyes Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL KARACAN

  5. Tez No

    367770

    Gaz sensörü üretiminde hedef malzeme olarak kullanılmak üzere yüksek saflıkta nano boyutlu SnO2 toz üretimi

    Production of high purity nanosized SnO2 powder used as target material for gas sensor applications

    CEM AÇIKSARI

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Mühendislik BilimleriAnadolu Üniversitesi

    Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı

    PROF. DR. ENDER SUVACI

    DOÇ. DR. EMEL ÖZEL

Geri Dön