Building energy efficiency: A data-driven machine learning approach for energy optimization
Bina enerji verimliliği: Enerji optimizasyonu için veriye dayalı makine öğrenmesi yaklaşımı
- Tez No: 958874
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- Tez Türü: Yüksek Lisans
- Konular: Enerji, Energy
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Enerji Bilim ve Teknoloji Ana Bilim Dalı
- Bilim Dalı: Enerji Bilim ve Teknoloji Bilim Dalı
- Sayfa Sayısı: 95
Özet
Küresel enerji talebi, başlıca hızlı kentleşme, nüfus artışı ve ekonomik gelişme tarafından yönlendirilen eşi benzeri görülmemiş bir büyüme sergilemiştir. Özellikle fosil yakıtlardan kaynaklanan enerji tüketimi, çevresel bozulmaya, iklim değişikliğine ve sınırlı doğal kaynakların tükenmesine önemli ölçüde katkıda bulunmaktadır. Binalar, küresel enerji tüketiminin yaklaşık %40'ını oluşturarak en büyük sektörden biri haline gelmiş ve sera gazı emisyonlarına kayda değer bir katkı sağlamıştır. Binalar sektöründe ise konut ısıtması, yüksek enerji talebi nedeniyle kritik bir alan olarak öne çıkar; konut enerji tüketiminin yaklaşık %40'ını oluşturmaktadır. Bu çalışma, bina ısıtma sistemlerinde enerji tüketimini azaltmayı ve aynı zamanda iç mekân konforunu kullanıcı tercihleri doğrultusunda korumayı amaçlamaktadır. Metodoloji, sıcak su radyatör sistemlerinin akıllı hâle getirildiği bir çerçevede kurgulanmıştır; makine öğrenmesi tabanlı bir kontrol stratejisi, radyatörlere sıcak su akışının ne zaman açılıp kapatılacağını optimize ederek sistem verimliliğini artırmayı hedefler. Metodoloji üç temel bileşenden oluşmaktadır: İç Mekân Sıcaklığı Tahmini, Isıtma Programı Optimizasyonu ve Enerji Tüketimi Karşılaştırması. İlk adım, çevresel koşullar ve sistem kontrol değişkenlerine dayanarak iç mekân sıcaklığını doğru bir şekilde öngörebilen bir makine öğrenmesi modeli geliştirmektir. Doğru tahmin, sıcaklık değişikliklerini önceden öngörmeyi ve ısıtma davranışını proaktif olarak ayarlamayı mümkün kılmaktadır. İkinci amaç, kullanıcı tanımlı konfor sıcaklığını korurken enerji tüketimini en aza indirecek valf açma-kapama zamanlamasını belirlemektir. Bu adımda, sıcaklık eşik değerleri gibi belirli işletme kısıtları göz önünde bulundurularak valfin ne zaman açılıp kapatılacağı optimize edilir. Önerilen kontrol stratejisinin etkinliğini değerlendirmek için, mevcut sistem ile önerilen sistem arasındaki enerji kullanımlarını hesaplayan ve karşılaştıran bir çerçeve geliştirilmiştir. Bu sayede, enerji tasarrufu potansiyelinin nicel analizi ve yaklaşımın gerçekçi koşullar altında geçerliliğinin doğrulanması sağlanır. Bu çalışmanın hesaplama ve modelleme bileşenleri, bulut tabanlı ve yerel ortamların birleşimi kullanılarak geliştirilmiştir. Birincil araç ve kütüphaneler şunlardır: ölçeklenebilir ve GPU destekli model eğitimi için Google Colab; programlama dili olarak Python 3.11.8; veri işleme ve ön işlemler için pandas; sayısal işlemler için numpy; ön işleme, model değerlendirme ve klasik makine öğrenmesi için scikit-learn (sklearn); derin öğrenme model geliştirme ve eğitimi (LSTM) için tensorflow ve keras; görselleştirme ve grafik üretimi için matplotlib; bilimsel hesaplamalar ve entegrasyon görevleri için scipy. Araştırmada önerilen ısıtma kontrol stratejisini geliştirmek ve değerlendirmek için üç veri seti kullanılmıştır. Birinci veri seti, vaka çalışması ortamına kurulu Akıllı Termostatik Radyatör Vanasından toplanan iç koşul verilerini (oda sıcaklığı, iç nem, hedef sıcaklık, vana durumu ve zaman damgası) içerir. İkinci veri seti, vaka çalışmasının coğrafi konumuna dayalı olarak adresinden elde edilen dış ortam verilerini kapsamaktadır. Bu çalışma, iç iklim dinamiklerinin analizine odaklanmakta ve iki veri seti kullanmaktadır: iç ve dış ortam koşulları. İç veri seti, Türkiye, Küçükçekmece konumuna ait Visual Crossing Weather API'dan alınan 816 saatlik kayıt ve 24 özelliğe sahiptir; bu, öngörüsel modelleme için ayrıntılı hava durumu koşulları sağlar. Güneş radyasyonu veri seti ise meteorolojik ve güneş ışınımı parametrelerini içeren 1535 kayıt ve 7 sütundan oluşur; güneş enerjisi potansiyeli ve hava koşullarının analizi için kullanılmıştır. Analiz öncesinde, iç ve dış koşullar veri setleri, zaman damgalarına göre birleştirilmiştir. Birleştirilmiş veri seti incelendiğinde, solarradiation ve solarenergy özelliklerinde önemli sayıda eksik değer olduğu görülmüştür. Bu durum, model eğitimi ve özellik güvenilirliği üzerinde olumsuz etki yaratabilir. Sorunu çözmek için, güneş verilerini daha kapsamlı kayıtlarla değiştirmek amacıyla üçüncü bir veri seti (güneş radyasyonu veri seti) eklenmiştir. Bu ek veri seti, enerji modelleme ve güneş tahmini için yaygın olarak kullanılan önemli ışınım parametrelerini içermektedir. Birleştirilmiş veri seti, dört farklı akıllı radyatör vanasından (valf A, valf B, valf C ve valf D olarak etiketlenen device kategorik özelliği) toplanan iç ortam ve sistem davranışı verilerini kapsar. Her vana, ayrı bir odanın sıcaklığını kontrol eder. İlk adımda, birleştirilmiş veri seti her vana için ayrı ayrı dört veri setine bölünerek odalar bazında bireysel analiz ve model eğitimi yapılmıştır. Zaman serisi analizinin ilk zorluklarından biri, sıcaklık, nem, hedef sıcaklık ve kombi durumu gibi özelliklerdeki eksik değerlerin ele alınmasıdır. Bu sorunu doğru bir şekilde çözmek için, sistemin veri kaydını nasıl gerçekleştirdiğini anlamak önemlidir. Sıcaklık ve nemdeki eksik değerlerin genellikle sensör arızasından değil, algılama ve kontrol eylemlerinin eşzamansız kaydından kaynaklandığı görülmüştür. Benzer mantık, hedef sıcaklık için de geçerlidir; hedef sıcaklık kullanıcı tarafından manuel olarak ayarlanmadığı sürece sabit kalır. Eksik değer doldurma işlemleri, pandas kütüphanesinden uygun programlama teknikleri kullanılarak yapılmış; önceki değerler geçerli ve anlamlı olduğunda sıcaklık ve nem ileriye dönük doldurulmuştur. Çalışmada, temel veri seti (valf A) kullanılarak ısıtma sistemi analiz edilmiş ve bir zaman serisi grafiği oluşturulmuştur. Temiz veri setinde, temperature ve humidityx sütunlarında toplam verinin yaklaşık %4,19'una denk gelen 71 eksik değer tespit edilmiştir. Zaman serisi grafiği, iç mekan sıcaklıklarının genellikle hedef sıcaklık üzerinde veya yakınında seyrettiğini, ısıtma kontrol dinamikleri nedeniyle dalgalanmalar gösterdiğini ortaya koymuştur. Hedef sıcaklık çizgisinin ani düşüş gösterdiği dönemler, kullanıcı ayarlamaları veya kısa süreli sistem sorunlarına işaret edebilir. Dağılım grafiği, valf A tarafından kontrol edilen temel odada dış ve iç sıcaklıklar arasındaki ilişkiyi incelemiştir. Önemli bulgular arasında dış ve iç sıcaklıklar arasında güçlü bir doğrusal korelasyonun olmadığı; bu durumun, ısıtma sisteminin dış koşullar değişse bile iç sıcaklığı etkili biçimde izole edip düzenlediğini göstermesidir. Ancak, daha yüksek dış sıcaklıklarda biraz daha düşük ısıtma talebi ve buna bağlı olarak hafifçe düşen iç sıcaklık eğilimi gözlenmiştir. Dış sıcaklık 4 °C ile 10 °C arasında olduğunda değerlerin dağılımı daha geniştir; bu dönemler, artan ısıtma talebi nedeniyle vananın daha sık çalıştığını göstermektedir. Kutu grafiği, iç sıcaklığın dış sıcaklık 2 °C aralıklarında gruplanarak nasıl değiştiğini ortaya koyar. Önemli gözlemler şunlardır: dış sıcaklık düşük olduğunda medyan iç sıcaklık daha yüksek ve daha fazla değişkenlik gösterir; dış sıcaklık arttıkça medyan ve üst çeyrek iç sıcaklık azalır, bu da daha hafif dış koşullarda ısıtma ihtiyacının düştüğünü gösterir. Ayrıca interkuartil aralığı (IQR), dış ortam sıcaklığı ılımanlaştıkça biraz daralarak iç sıcaklıkların daha kararlı ve dar bir aralığa sıkıştığını işaret eder. En yüksek iç sıcaklık değişkenliği en düşük dış sıcaklık aralıklarında, en düşük değişkenlik ise [16,0 – 18,0] aralığında görülmüştür. Bu grafik, ısıtma sisteminin genel olarak kararlı bir iç iklim sağlasa da dış sıcaklığın hem iç sıcaklık seviyesi hem de değişkenliği üzerinde etkisi olduğunu doğrular. Böylece dış hava koşullarının, özellikle öngörü ve kontrol uygulamaları için iç sıcaklık dinamiklerini modellemede göz önünde bulundurulmasının önemi vurgulanır. Günlük kombi durumu değişimleri ile günlük ortalama dış sıcaklık üst üste bindirildiğinde iki eğri arasında açık bir ters ilişki görülmüştür: dış sıcaklık düştükçe CombiState değişimleri artar (artan ısıtma talebi), dış sıcaklık yükseldikçe vana aktiviteleri azalır (düşen ısıtma ihtiyacı). Bu ilişki, dış sıcaklıklar düştüğünde sistemin daha duyarlı hale gelerek iç konforu korumak için vanayı daha sık ayarladığını doğrular. Temizlenmiş Valve A veri seti, one-hot encoding yöntemi kullanılarak sayısal formata dönüştürülmüştür. Bu işlem, 'valveState' gibi kategorik değişkenleri her benzersiz kategori için ayrı bir ikili sütuna çevirir; böylece model, kategoriler arasında sıralı bir ilişki varsaymadan her durumu bağımsız olarak değerlendirebilir. İç sıcaklık tahmin yöntemleri arasında XGBRegressor (gradient boosting karar ağaçlarının güncel bir uygulaması) ve LSTM (Uzun Kısa Süreli Bellek) yer alır. LSTM, ardışık verilerdeki uzun süreli bağımlılıkları işlemek için tasarlanmış bir RNN türüdür ve bilgi akışını kontrol eden giriş, unutma ve çıkış kapıları aracılığıyla hücre durumu tutar. Hem tek adımlı hem de çok adımlı öngörüler için univaryant veya multivaryant girdi dizilerini işleyebilir. Zaman serisi tahmininde doğrudan (direct) vs. özyinelemeli (recursive) stratejiler kullanılır. Doğrudan tahmin, tüm gelecek adımları sabit uzunlukta bir girdi penceresiyle aynı anda öngörür; avantajı hızlı çıkarım ve her zaman adımını bağımsız optimize etmektir, ancak tasarımı karmaşıktır ve sıralı hata yayılımını yakalayamaz. Özyinelemeli tahmin ise modeli yalnızca sonraki adımı tahmin edecek şekilde eğitir; sonraki adımlar, bir döngüde ardışık olarak önceki tahminlerin girdi olarak kullanılmasını gerektirir. Daha esnek ve basit tasarıma sahiptir, ancak hata birikimi ve yavaş çıkarım süresi dezavantajıdır. Sonuç olarak, temizlenmiş Valve A veri seti, XGBRegressor, LSTM ve doğrudan vs. özyinelemeli öngörü stratejileri kullanılarak sayısal formata dönüştürülmüş ve analiz edilmiştir. Bu yöntemler, doğruluk, esneklik ve değişken uzunluklu tahminlere uyum açısından avantajları ve sınırlamaları barındırır. Çalışma, eğitilmiş LSTM modelini kullanarak farklı ısıtma programları altında oda sıcaklığı tepkilerini simüle eden bir program geliştirmeyi ve böylece en düşük enerji aktarımına sahip vanalı açma-kapatma desenini belirlemeyi hedeflemiştir. Program, 48 adımlı öngörüsel bir ufukta kurallara (maksimum 10, minimum 5 vana açma) uyan 1000 rastgele ısıtma programı üretir. Konfor kısıtlarıyla yalnızca uygun stratejiler değerlendirilir. Farklı ısıtma kontrol stratejileri altında enerji kullanımını karşılaştırmak için fizik tabanlı bir yaklaşım benimsenmiştir. Toplam enerji aktarımını zaman adımlarında entegre eden denklem kullanılır; bu, mevcut ve önerilen sistemler arasında nispi bir karşılaştırma sağlar. Son veri seti 26 sayısal özellik içerir ve LSTM modellemesi için tamamen doldurulmuş hâlde hazırdır. XGBRegressor ile yapılan ilk denemede Valve A veri seti %80 eğitim, %20 test olarak ayrılmıştır. Model, dış sıcaklık, nem, vana durumu (one-hot), güneş ışınımı ve hedef sıcaklık gibi tüm ilgili özelliklerle temel yapılandırma (varsayılan hiperparametreler) kullanılarak eğitilmiştir. İlk uygulamada XGBRegressor'un test kümesindeki değerlendirme metrikleri: Ortalama Mutlak Hata (MAE) = 1,21; Kök Ortalama Kare Hata (RMSE) = 1,51; R-kare (R²) = 0,35 olarak bulunmuştur. Ardından özellik mühendisliği ve hiperparametre optimizasyonu ile ikinci bir deney gerçekleştirilmiştir: 1 saatlik gecikmeli özellikler eklenmiş ve kapsamlı bir grid search ile en iyi konfigürasyon ('colsamplebytree': 0.7, 'gamma': 0, 'learning_rate': 0.05, 'maxdepth': 7, 'minchildweight': 5, 'nestimators': 200, 'subsample': 0.9) belirlenmiştir. Bu düzenlemeler sonrası modelin iç sıcaklık dinamiklerini açıklama gücü ve tahmin doğruluğunda kayda değer artış sağlanmıştır. Çalışma, XGBRegressor modelini birden fazla yinelemede rafine ederek zaman serisi dinamiklerini daha iyi temsil etmesini sağlamıştır. Son model, iç sıcaklıktaki varyansın %92'sinden fazlasını açıklayarak yüksek bir doğruluk sunmuştur ve böylece bu çalışma için en iyi XGBoost tabanlı belirleyici olarak seçilmiştir. Bu model, LSTM gibi sıralı derin öğrenme modelleri ile karşılaştırma için bir kıstas görevi görmüştür. LSTM ağı, gözlemler arasındaki düzenli zaman aralıklarını gerektirdiği için Valve A veri seti 30 dakikalık aralıklara yeniden örneklenmiştir. Tekrarlanabilirlik için rastgele bir tohum belirlenmiş ve veriler MinMaxScaler ile 0–1 aralığına ölçeklendirilmiştir. 48 adımlık pencere boyutu, modelin son 24 saatlik gözlemleri kullanarak bir sonraki iç sıcaklığı tahmin etmesini sağlar. İlk LSTM modeli, Keras Sequential API kullanılarak iki katmanlı LSTM ve bir yoğun çıktı katmanından oluşacak şekilde tasarlanmıştır. Kayıp fonksiyonu MSE, optimizasyon algoritması Adam'dır. Model 100 epoch ve 32'lik batch boyutuyla eğitilmiştir. Eğitim sonrası LSTM modeli test kümesinde değerlendirilmiş ve oda sıcaklığı eğilimlerini yakından takip ettiği görülmüştür. Modelin performansı: MAE = 0,57; R² = 0,78 olarak ölçülmüştür. Bu sonuçlar, modelin yaklaşık yarım derece ortalama hata ile iç sıcaklıktaki %78 varyansı açıklayabildiğini göstermektedir. Tahmin performansını daha da artırmak için mimari ve özellik mühendisliği iyileştirmesi içeren ikinci bir LSTM modeli oluşturulmuş; eğitim epoch sayısı 220'ye çıkarılmıştır. Geliştirilmiş LSTM modeli sonucunda: MAE = 0,35 R² = 0,94 elde edilmiştir. Bu, hem ilk LSTM modeli hem de temel XGBRegressor'a kıyasla önemli bir iyileşme sağlar. Model, test verilerindeki varyansın %94'ünü açıklayarak ileriye dönük öngörü ve kontrol uygulamaları için güçlü bir adaydır. LSTM modeli, özyinelemeli tahmin stratejisiyle de test edilmiş; her adımda önceki tahminleri girdi olarak kullanarak kısa vadeli tahminlerde %97 varyans açıklaması ve yüksek doğruluk elde edilmiştir. Son LSTM mimarisi ve eğitim ayarları şu şekilde özetlenebilir: Birinci LSTM Katmanı: 100 birim, ReLU aktivasyonu, return sequences=True İkinci LSTM Katmanı: 50 birim, ReLU aktivasyonu Çıktı Katmanı: Tek nöron, tahmin edilen iç sıcaklık Optimizatör: Adam (learning rate=0.001) Kayıp Fonksiyonu: MSE Epoch: 220 Batch Boyutu: 32 Son model değerlendirmesinde, XGBRegressor, doğrudan öngörü LSTM ve özyinelemeli öngörü LSTM yöntemleri MSE, MAE ve R² metrikleriyle karşılaştırılmıştır. Doğrudan öngörü LSTM en iyi doğruluğu, en düşük MAE/MSE ve en yüksek R² skoruyla göstermiştir. Gerçek sistemde radyatörden odaya aktarılan toplam ısı enerjisi, denklem kullanılarak hesaplanmıştır. Bölüm 2.7'de geliştirilen program, iç sıcaklığı öngörmek, optimize ısıtma programı oluşturmak ve enerji tüketimini hesaplamak için kullanılmıştır. LSTM doğrudan modelle 1000 geçerli ısıtma programı değerlendirilerek, konfor ve işletme kısıtlarını sağlayan en optimal program belirlenmiş; bu strateji ile enerjide yaklaşık %33,4 göreli tasarruf elde edilmiştir. Sonuç olarak, bu tez, gelişmiş makine öğrenmesi tekniklerini kullanarak konut ısıtma sistemlerinde enerji verimliliğini önemli ölçüde artıran kapsamlı ve pratik bir çözüm sunmaktadır. Öngörüsel modellerin ve kontrol stratejilerinin başarılı geliştirilmesi, titiz doğrulaması ve optimizasyonu, bu teknolojilerin dönüştürücü potansiyelini ortaya koyar. Önemli enerji azalımı elde edilmesi ve kullanıcı konforunun korunması, hem akademik alana değerli katkılar sağlamış hem de küresel ölçekte sürdürülebilir konut enerji yönetimi için kayda değer pratik çıkarımlar sunmuştur.
Özet (Çeviri)
Residential buildings represent a substantial and steadily growing share of global energy demand, most of which is driven by space-heating requirements during the colder months. Traditional hot-water radiator systems—although reliable and widespread—often operate with limited feedback and minimal adaptability, leading to unnecessary fuel consumption and elevated carbon emissions. This thesis confronts that challenge by proposing a machine-learning-assisted control framework that allows radiators to deliver heat only when and where it is genuinely needed, all while preserving the thermal comfort that occupants expect. The central idea is to treat the dwelling as a dynamic cyber-physical system whose behaviour can be forecast, quantified, and optimised in real time. By fusing data from smart thermostatic radiator valves with high-resolution outdoor weather and solar-irradiance feeds, the study demonstrates how predictive analytics can transform a reactive heating setup into an anticipatory, demand-aware service capable of curbing energy waste without diminishing living-quality standards. Methodologically, the research begins with an extensive data-engineering phase that converts raw, irregularly sampled sensor logs into a coherent multivariate time series. Internal measurements—room temperature, relative humidity, set-point commands, and valve states—are first synchronised at uniform thirty-minute intervals. External predictors such as ambient temperature, wind conditions, and cloud cover are then aligned to the same timeline, and a dedicated solar-radiation feed is integrated to capture short-wave gains that strongly influence indoor comfort during daylight hours. Rigorous preprocessing steps impute missing values and encode categorical states, while feature-engineering routines create useful lags that enrich the model's ability to recognise latent patterns. The outcome of this stage is a refined, analysis-ready dataset that mirrors both the physical inertia of building envelopes and the rapid fluctuations of the surrounding microclimate. Model development proceeds along two complementary tracks. First, a gradient-boosted decision-tree approach—the XGBRegressor—is trained to establish a competitive baseline thanks to its robustness on structured, mixed-type data. Hyperparameter search routines explore combinations of learning-rate schedules, tree depths, and subsampling ratios to curb overfitting and uncover optimal complexity. Second, a Long Short-Term Memory (LSTM) network is designed to exploit sequential dependencies that tree-based algorithms cannot readily capture. The LSTM is tested in both direct and recursive forecasting modalities: the direct variant outputs an entire one-day horizon at once, whereas the recursive setup predicts a single step and feeds that estimate back in for subsequent steps, allowing the network to refine its perception of unfolding indoor dynamics. Model validation employs cross-validation that respects temporal ordering, and custom loss functions penalise bias in the comfort band most relevant to occupants. Once the forecasting engine is in place, an optimisation layer enumerates thousands of candidate valve schedules subject to practical constraints, such as minimum off-times, maximum daily activations, and non-adjacent openings, then ranks them by their predicted energy cost while discarding any sequence that would allow the room to drift outside acceptable comfort margins. A final evaluation phase compares the best machine-generated schedule against the legacy rule-based behaviour observed in the raw data. Energy transfer for each schedule is approximated using a simplified heat-capacity model that multiplies the temperature rise achieved during every valve-on interval by its duration, and then aggregates these increments over the full prediction window. Although precise metering equipment lies beyond the scope of the project, this physics-inspired proxy provides a consistent yardstick for comparing control strategies under identical boundary conditions. The optimised regimen achieves a materially lower cumulative heat delivery while keeping perceived comfort intact, illustrating the tangible gains that predictive, data-driven control can unlock. Beyond its quantitative advantages, the framework also elevates transparency: feature-importance diagnostics from the tree model and attention visualisations from the LSTM shed light on how external weather cues, solar gains, and historical set-point decisions interact to shape thermal outcomes, thus providing actionable insights for future retrofitting or occupant-engagement initiatives. In conclusion, the thesis confirms that blending advanced machine-learning models with readily available sensor infrastructure can yield a smart-heating strategy that is both effective and practical for residential contexts. The work bridges building physics, data science, and control engineering to craft an end-to-end pipeline—from raw sensor ingestion to schedule deployment—that can be replicated in similar dwellings with minimal hardware alterations. Such predictive control not only cuts operational energy demand but also lays the groundwork for deeper integration with renewable energy sources, grid-responsive demand management, and occupant-centric comfort profiling.
Benzer Tezler
- Building energy consumption modeling and prediction using data-driven models
Bina enerji tüketimi modelleme ve tahmini için veri odakli modeller
SODABA ROGH
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiOSTİM TEKNİK ÜNİVERSİTESİElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL AVCIBAŞ
- Makine öğrenimi algoritmaları üzerinden bina enerji performansı tahminleme modeli
A predictive model for building energy performance based on machine learning algorithms
MERVE ERTOSUN YILDIZ
- Estimation of commercial building energy consumption with machine learning
Makine öğrenimi ile ticari bina enerji tüketimi tahmini
YOUSIF MURSHID MUHEALDDIN MUHEALDDIN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SELİM BUYRUKOĞLU
DR. ÖĞR. ÜYESİ MOHAMMED RASHAD BAKER BAKER
- Veri arttırma tekniğinin endüstriyel bir problemde incelenmesi
Investigation of the data augmentation technique in an industrial problem
ALPTEKİN KAVAKOĞLU
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriSakarya Üniversitesiİmalat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GARİP ERDOĞAN
DR. ÖĞR. ÜYESİ -
- Sürekli tip cam ergitme fırınları için hesaplamalı akışkanlar dinamiği tabanlı indirgenmiş model geliştirilmesi
Development of a computational fluid dynamics based reduced order model for continuous glass melting furnaces
ENGİN DENİZ CANBAZ
Doktora
Türkçe
2025
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT GÜR