Makine öğrenmesi teknikleri kullanılarak Doğu Anadolu Gözlemevi (DAG) adaptif optik sistemi için kontrol algoritması geliştirilmesi
Development of control algorithm for Eastern Anatolia Observatory (DAG) adaptive optic system using machine learning techniques
- Tez No: 921611
- Danışmanlar: PROF. DR. CAHİT YEŞİLYAPRAK
- Tez Türü: Doktora
- Konular: Astronomi ve Uzay Bilimleri, Astronomy and Space Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Astronomi ve Astrofizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 97
Özet
Amaç: Astronomik gözlemler sırasındaki atmosferik etkiler, gözlem kalitesini ciddi şekilde etkilemektedir. Dünya atmosferi, ışığın teleskopa ulaşmadan önce çeşitli türbülanslar ve hava dalgalanmaları nedeniyle kırılmasına neden olur. Atmosferin bozucu etkilerinin tamamını olmasa da bir kısmını ortadan kaldırılması için Adaptif (uyarlanabilir) Optik (AO) yöntemi yaygın olarak kullanılmaktadır. Bu tür sistemler atmosferik türbülansın neden olduğu görüntü bozulmalarını yeterli düzeyde düzeltebilir ve böylece teleskoplar ile daha net ve ayrıntılı gözlemler yapılabilmektedir. Bu tez çalışmasında, Doğu Anadolu Gözlemevi (DAG) 4m teleskopu için tasarlanan adaptif optik sistemine yönelik olarak makine öğrenimi (ML) ve derin öğrenme (DL) teknikleri ile model tabanlı algoritma geliştirime çalışmaları yapılmıştır. Yöntem: Tez kapsamında, simülasyonda kullanılan meteorolojik ve atmosferik girdi parametrelerinden (rüzgâr, sıcaklık, nem, seeing vb.), makine öğrenmesi yöntemleri (random forest) ile model eğitimi yapılmıştır. Eğitilen modelin adaptif optik sisteminin performansını ölçmeye yarayan“Strehl oranı”değerini tahmin etmesi sağlanmıştır. DAG 4m teleskopuna özgün olarak geliştirilen derin öğrenme modelleri, dalga cephesi verilerini analiz etmek ve hataları düzeltmek için kullanılmıştır. DAG 4m teleskobunun AO sistemi için bir simülasyon ortamı geliştirilmesi, sistemin performansını analiz etmek ve optimize etmek açısından kritik öneme sahiptir. Simülasyon, hem teorik modellemeler hem de gerçek veri setleri kullanılarak AO sisteminin performansını değerlendirmeyi ve iyileştirmeyi amaçlamaktadır. UNET modeli, özellikle görüntü segmentasyonu ve çeşitli diğer bilgisayarla görme görevlerinde kullanılan bir derin öğrenme mimarisidir. Elde edilen sentetik veri seti, UNET modeli ile dalga cephesi rekonstrüksiyonu yapmak için kullanılmıştır. Bulgular: Bulgular kısmında sunulan veriler incelendiğinde en uzun süren derin Öğrenme modelinin, Gerchberg-Saxton algoritmasına göre yaklaşık 2.8 kat daha hızlı olduğu gözlenmiştir. Medyan değerlerde ise bu farkın 4,9 sn ve oranın yaklaşık 3 kat olduğu görülmektedir. Derin öğrenme modeli tahminlerinin büyük bir kısmının (~%98) tahmin hata aralığı -0.001 nm ile 0.001 nm arasında dağılım sergilemiştir. Sonuç: Sonuç olarak, bu tez çalışması, DAG AO sistemi için makine öğrenimi ve derin öğrenme tekniklerinin uygulanabilirliğini göstermiş ve bu tekniklerin AO sistemlerinin performansını optimize etmek için kullanılabileceğini ortaya koymuştur. Geliştirilen model ve yazılım, DAG 4m teleskopunun AO sisteminin daha iyi anlaşılmasını, optimize edilmesini ve verilen projelerin başarısını ölçemeye ve dolayısıyla genel olarak verimliliği artırmaya sağlayacak önemli araç olarak görülmektedir.
Özet (Çeviri)
Purpose: Atmospheric effects during astronomical observations significantly affect observation quality. The Earth's atmosphere causes the refraction of light due to various turbulences and air fluctuations before it reaches the telescope. Although it is not possible to completely eliminate the atmospheric distortions, Adaptive Optics (AO) is a commonly used method to correct some of these effects. Such systems can adequately correct the image distortions caused by atmospheric turbulence, allowing for clearer and more detailed observations with telescopes. In this thesis, machine learning (ML) and deep learning (DL) techniques were applied to develop a model-based algorithm for the adaptive optics system designed for the Eastern Anatolia Observatory (DAG) 4m telescope. Method: In the scope of the thesis, model training was conducted using machine learning methods (random forest) on meteorological and atmospheric input parameters (e.g., wind, temperature, humidity, seeing) used in the simulation. The trained model was employed to predict the“Strehl ratio,”which is used to measure the performance of the adaptive optics system. Deep learning models, specifically developed for the DAG 4m telescope, were used to analyse wavefront data and correct errors. Developing a simulation environment for the AO system of the DAG 4m telescope is critical for analysing and optimizing the system's performance. The simulation aims to evaluate and improve the AO system's performance by using both theoretical modelling and real datasets. The UNET model, a deep learning architecture commonly used for image segmentation and various other computer vision tasks, was employed for wavefront reconstruction using the synthetic dataset obtained. Findings: The findings revealed that the deep learning model, which had the longest runtime, was approximately 2.8 times faster than the Gerchberg-Saxton algorithm. In median values, this difference was observed as 4.9 seconds, and the ratio was approximately 3 times. A significant portion of the deep learning model's predictions (~98%) exhibited a prediction error range between -0.001 nm and 0.001 nm. Results: In conclusion, this thesis demonstrated the feasibility of applying machine learning and deep learning techniques for the DAG AO system and showed that these techniques can be used to optimize the performance of AO systems. The developed model and software are considered essential tools for better understanding, optimizing, and measuring the success of projects related to the AO system of the DAG 4m telescope, thereby increasing overall efficiency.
Benzer Tezler
- Estimation of PM10 variations in the Southeastern and Eastern Anatolia regions of Türkiye using remote sensing and statistical models
Türkiye'nin Güneydoğu ve Doğu Anadolu bölgelerindeki PM10 değişimlerinin uzaktan algılama ve ı̇statistiksel modeller kullanılarak tahmini
SULTANAY MURZAEVA
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. ALPER ÜNAL
- Depremlerin magnitüd türü dönüşümü ve maksimum yer hareketi ivmesi (PGA) tahmininde yapay zeka uygulamaları
The applications of artificial intelligence for magnitude types conversion and peak ground acceleration (PGA) prediction of earthquakes
KAAN HAKAN ÇOBAN
Doktora
Türkçe
2021
Jeofizik MühendisliğiKaradeniz Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
PROF. DR. NİLGÜN LÜTFİYE SAYIL
- Akıllı kentlerde alansal hava kirliliğinin belirlenmesi ve kirlilik modellemesi: Erzurum ili örneği
Determination of area air pollution and pollution modeling in smart cities: A case study of Erzurum province
ŞAHİN KORKMAZ
Doktora
Türkçe
2023
Çevre MühendisliğiAtatürk ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. ZEYNEP CEYLAN
- Late quaternary stratigraphy and morphotectonics of Gemlik Gulf, sea of Marmara
Gemlik Körfezi'nin (Marmara denizi) geç kuvaterner stratigrafisi ve morfotektoniği
HİKMAT BABAYEV
Yüksek Lisans
İngilizce
2015
Jeoloji Mühendisliğiİstanbul Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. MEMET NAMIK ÇAĞATAY
- Application of LSTM-based deep learning models for seismic forecasting of a potential major earthquake using geophysical techniques in the marmara Sea Region, Türkiye
Marmara Denizi Bölgesi'nde olası büyük bir depremin sismik öngörüsü için LSTM tabanlı derin öğrenme modellerinin jeofiziksel yöntemlerle uygulanması
SHAHEEN MOHAMMED SALEH AHMED AHMED
Doktora
İngilizce
2025
Jeoloji MühendisliğiÇukurova ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN GÜNEYLİ