Geri Dön

Uyarlamalı seçim yöntemi ile geliştirilmiş yapay arı koloni algoritması kullanılarak Türkiye'nin ulaştırma enerjisi talebinin tahmin edilmesi

Estimation of Turkey's transportation energy demand using artificial bee colony algorithm developed with the adaptive selection method

  1. Tez No: 751016
  2. Yazar: SAFA DÖRTERLER
  3. Danışmanlar: DR. ÖĞR. ÜYESİ DURMUŞ ÖZDEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Kütahya Dumlupınar Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
  13. Sayfa Sayısı: 68

Özet

Bu çalışma, Ulaştırma Enerjisi Talebi (UET)'ni daha doğru bir şekilde tahmin etmek için uygun bir arama denklemini uyarlamalı olarak seçebilen yeni bir modifiye yapay arı koloni (M-ABC) algoritması geliştirmeyi amaçlamaktadır. Ayrıca M-ABC ve Klasik Yapay Arı Koloni (K-ABC) algoritmaları verimlilik ve performans açısından karşılaştırılmıştır. Önerilen UET tahmin modelinde kullanılan girdi parametreleri, Gayri Safi Yurtiçi Hasıla (GSYH), nüfus ve toplam yıllık araç kilometresi (TYAK) dahil olmak üzere Türkiye'nin resmi ekonomik göstergeleridir. Modifiye Yapay Arı Koloni Lineer Model (M-ABCL), Modifiye Yapay Arı Koloni Üstel Model (M-ABCE) ve Modifiye Yapay Arı Koloni İkinci Dereceden Model (M-ABCQ) olmak üzere üç matematiksel model geliştirilmiş ve test edilmiştir. Eğitim veri seti ile yapılan test sonuçlarında en başarılı model üstel model olurken test veri seti ile yapılan ölçümlerde lineer ve ikinci dereceden modeller daha az hata ile tahmin yapan modeller olmuşlardır. Ayrıca, UET'nin 2034 yılı projeksiyonlarını iki farklı senaryo altında görmek için“eğri uydurma”tekniği kullanılarak ekonomik değişkenler oluşturulmuştur. Birinci senaryo, 2034 yılı UET tahminlerine göre lineer, üstel ve ikinci dereceden modellerin sonuçları sırasıyla 40,1, 31,6 ve 70,5 milyon ton petrol eşdeğeri (Mtep) bulunurken, ikinci senaryo, 2034 yılı UET tahminlerine göre lineer, üstel ve ikinci dereceden modellerin sonuçları sırasıyla 40,0, 31,5 ve 66,5 Mtep bulunmuştur. UET probleminin çözümü için sunulan M-ABCL, M-ABCE, M-ABCQ modelleri literatürdeki çalışmalara göre daha başarılı sonuçlar vermiştir.

Özet (Çeviri)

This study aimed to develop a new modified artificial bee colony (M-ABC) algorithm that can adaptively select an appropriate search equation to estimate transport energy demand (TED) more accurately. Also, M-ABC and canonical artificial bee colony (C-ABC) algorithms were compared in terms of efficiency and performance. The input parameters used in the proposed TED model were the official economic indicators of Turkey, including gross domestic product (GDP), population, and total vehicle kilometer per year (TKM). Three mathematical models, linear (M-ABCL), exponential (M-ABCE), and quadratic (M-ABCQ) were developed and tested. In the test results made with the training data set, the successful model was the exponential model. In the measurements made with the test data set, the linear and quadratic models were the models that made predictions with fewer errors. Also, economic variables were generated using the“curve fitting”technique to see TED's projections for the year 2034, under two different scenarios. In the first scenario, the results of linear, exponential, and quadratic models according to 2034 TED estimates were 40.1, 31.6, and 70.5 million tons of oil equivalent (Mtep), respectively. In the second scenario, the results of linear, exponential, and quadratic models according to the TED estimates for 2034 were found as 40.0, 31.5, and 66.5 Mtep, respectively. The presented models, M-ABCL, M-ABCE, M-ABCQ for the solution of the TED problem, produced successful results compared to the studies in the literature.

Benzer Tezler

  1. Büyük boyutlu verilerde öznitelik seçimi için ikili yapay arı kolonisi yaklaşımı

    Binary artificial bee colony approach for feature selection in large size data

    ZEYNEP BANU ÖZGER

    Doktora

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BANU DİRİ

    DR. ÖĞR. ÜYESİ BÜLENT BOLAT

  2. Kod uzay çoklama yöntemi alıcı verici anten seçimi ile bit hata oranı azaltımı ve kapasite artırımı

    Bit error rate minimizing and capacity maximizing code space multiplexing method with receiver transmitter antenna selection

    MUSA CİVİL

    Doktora

    Türkçe

    Türkçe

    2019

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖZGÜR ERTUĞ

  3. Asenkron motorlu lokomotifler için çekiş sistemi kontrolü

    Traction system control of induction motor powered locomotives

    MEHMET ALİ ÇİMEN

    Doktora

    Türkçe

    Türkçe

    2019

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı

    PROF. DR. METİN GÖKAŞAN

  4. Fractal image compression with radial basis function neural networks

    Radyal taban fonksiyonlu yapay sinir ağları ile fraktal görüntü sıkıştırma

    OSMAN ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    1998

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CÜNEYT GÜZELİŞ

  5. Abdominal image segmentation and visualization using hierarchical neural networks

    Hiyerarşik sinir ağları ile abdominal görüntü bölütleme ve üç boyutlu görüntüleme

    MUSTAFA ALPER SELVER

    Doktora

    İngilizce

    İngilizce

    2010

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. CÜNEYT GÜZELİŞ