Genişleme ile eş yaşlı Batı Anadolu ve kiklad granitoyidlerine ait jeokimyasal verilerin makine öğrenmesi ile karşılaştırılması
Comparison of geochemical data from Western Anatolian and cycladic syn-extensional granitoids using machine learning
- Tez No: 966651
- Danışmanlar: PROF. DR. FUAT ERKÜL
- Tez Türü: Yüksek Lisans
- Konular: Jeoloji Mühendisliği, Geological Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Jeoloji Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
İkili değişim diyagramları geleneksel olarak kayaç örneklerinden alınan jeokimyasal veriler kullanılarak farklılıkları ve benzerlikleri ortaya çıkarabilmek amacı ile kullanılır. Ancak bu yaklaşım çok sayıda değişkenle yapılmak istenildiğinde birçok sınırlama meydana gelmektedir. Makine öğrenmesi yöntemi son yıllarda çok değişkenli verileri analiz etmek için bir alternatif olarak kullanılmaktadır. Jeokimyasal verilerin açıklanabilmesi için makine öğrenmesi yöntemleri denetimli ve denetimsiz öğrenme yöntemleri şeklinde uygulanabilmektedir. Bu çalışmada, önceki çalışmalarda farklı araştırmacılar tarafından ortaya konulan Batı Anadolu ve Kiklad'larda yüzeyleyen Miyosen yaşlı granitoyidlere ait jeokimyasal veriler değerlendirilmiştir. Makine öğrenmesi yöntemi, granitoyidlere ait analiz sonuçları ile oluşturulan veri kümesine uygulanmış ve özellikle aynı yaş konağındaki Batı Anadolu ve Kikladlardaki granitoyidlerin ana, eser ve nadir toprak element jeokimyasal karakteristikleri karşılaştırılmış, benzerlikleri ve farklılıkları ortaya konulmaya çalışılmıştır. Denetimli ve denetimsiz öğrenme algoritmalarında sınıflandırma, bileşen etkileri vb için kullanılabilecek en iyi yöntemler tespit edilmiş ayrıca dünyadaki benzer jeokimyasal karakteristikler sunan granitoyidler ile karşılaştırılmaları yapılmıştır. Denetimli öğrenme yönteminde, kullanılan karar ağaçları algoritması tarafından seçilen karakteristik elementler, ikili diyagramlarda Batı Anadolu ve Kiklad verileriyle seçilmiş eğitim verileri birlikte değerlendirildiğinde, bazı elementlerle korelasyon gösterdiği, ancak zaman zaman bulundukları alanların dışına çıktıkları da gözlemlenmiştir. Bu durum, makine öğrenmesinin birden fazla elementi aynı anda değerlendirebilme yeteneğinin önemli bir avantajını ortaya koymaktadır. Dolayısıyla, ikili diyagramlar eğitim verileriyle yapılan karşılaştırmalarda her zaman yeterli olmamakta; buna karşın, makine öğrenmesi daha güvenilir ve kapsamlı sonuçlar vermektedir. Denetimli öğrenme yönteminin ürettiği sonuçlar oldukça anlamlı ve güçlüdür. Batı Anadolu Bölgesi ve Kiklad birimlerinin korele oldukları eğitim verilerinin özellikleri göz önüne alındığında, bu birimlerin birbirine benzer jeokimyasal, petrojenez ve jeodinamik özellikler gösterdikleri görülmüştür. Güney Çin bloğu, Kuzey Çin kratonu ve Tarım kratonu (Kuzeybatı Çin) ile Ege bölgesi arasında doğrudan bir tektonik bağlantı olduğu ve bu sahalardaki granitoyidlerin jeodinamik süreçler açısından benzer evrimsel özellikler gösterdiği görülmektedir. Denetimsiz öğrenme yöntemi ise kendi içinde anlamlı kümeler oluşturabilmesine rağmen bu kümelerin birebir örtüşme açısından yetersiz kalmaktadır. Tüm jeokimyasal değerlendirmeler sonucunda dünyada benzer jeokimyasal özellikler sunan granitoyidlerin benzer jeodinamik ortamlarda oluşup oluşmayacağı ortaya konulmuştur. Tüm veriler değerlendirildiğinde, granitoyidlerinin sınıflandırılması ve jeokimyasal açıdan özelliklerinin ortaya konulmasında denetimsiz öğrenmeden çok denetimli öğrenme metodunun tercih edilmesi önerilmektedir.
Özet (Çeviri)
Binary variation diagrams are traditionally used to reveal differences and similarities by utilizing geochemical data obtained from rock samples. However, when this approach is applied to data sets with many variables, several limitations arise. In recent years, machine learning methods have emerged as an alternative for analyzing multivariate data. These methods can be applied to explain geochemical data through supervised and unsupervised learning approaches. In this study, geochemical data from Miocene-aged granitoids exposed in Western Anatolia and the Cyclades—previously published by various researchers—have been evaluated. The method was applied to a dataset formed from analytical results of these granitoids, and particularly the geochemical characteristics of major, trace, and rareearth elements of the granitoids from Western Anatolia and the Cyclades with in the same age range were compared to reveal their similarities and differences.The most suitable methods for classification, component effects, etc., in supervised and unsupervised learning algorithms were identified, and comparisons were also made with granitoids around the world that exhibit similar geochemical characteristics. In the supervised learning approach, when the characteristic elements selected by the decisiontree algorithmare evaluated together with the selected training data and the Western Anatolia and the Cyclades data and binary diagrams, it has been observed that they show correlations with certain elements, but occasionally deviate from their respective fields. This demonstrates a significantad vantage of machine learning—its ability to evaluate multiple elements simultaneously. Therefore, binary diagrams are not always sufficient when compared with training data; in contrast, machine learning provides more reliable and comprehensive results. The results generated by the supervised learning method are highly meaningful and robust. Considering the characteristics of thetraining data correlated with the Western Anatolia and Cyclades units, it is evident that these units share similar geochemical, petrogenetic, and geodynamic properties. It has also been observed that there is a direct tectonic connection between the Aegean region and regions such as the South China Block, North China Craton, and Tarim Craton (North west China), and that the granitoids in these areas show similar evolutionary characteristics in terms of geodynamic processes. Although the unsupervised learning method can create internally meaningful clusters, these clusters often fall short in terms of direct overlap. Based on all geochemical evaluations, it was investigated whether granitoids with similar geochemical characteristics worldwide were formed in similar geodynamic settings. When all data are considered, it is recommended that supervised learning methods can be preferred over unsupervised ones for classifying granitoids and revealing their geochemical properties.
Benzer Tezler
- Tectono-magmatic evolution of the Selendi basin
Selendi havzasının tektono-magmatik evrimi
EMRAH YALÇIN ERSOY
Yüksek Lisans
İngilizce
2005
Jeoloji MühendisliğiDokuz Eylül ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. CAHİT HELVACI
- Menderes masifindeki orta miyosen yaşlı granitleirn jeodinamik konumu ve Ege genişleme tektoniği ile ilişkisi
Geodynamic setting of middle miocene granites in the Menderes massif and implications for the Aegan extensional tektonics
BUKET YILDIRIM
Yüksek Lisans
Türkçe
2011
Jeoloji MühendisliğiAkdeniz ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
YRD. DOÇ. SİBEL TATAR ERKÜL
- Alaşehir grabenine ait sismik kesitlerin yapısal yorumu
The structural interpretation of Alaşehir graben?s seismic sections
DERYA KOLENOĞLU DEMİRCİOĞLU
Yüksek Lisans
Türkçe
2009
Jeoloji MühendisliğiAnkara ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. BERKAN ECEVİTOĞLU
PROF. DR. GÜROL SEYİTOĞLU
- Efemçukuru (Menderes-İzmir) epitermal altın yatağı'nı oluşturan hidrotermal sıvıların kökeni ve evrimi
Genesis and source of ore-forming hydrothermal fluids in Efemçukuru (Menderes-İzmir) epithermal gold deposit
ÖMER ILGIN
Yüksek Lisans
Türkçe
2020
Jeoloji MühendisliğiDokuz Eylül ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA OYMAN
- Tectonic and magmatic structure of Lake Van basin and its structural evolution, Eastern Anatolia accretionary complex (EAAC), East-Turkey
Van Gölü havzasının tektonik ve magmatik yapısı ve yapısal evrimi, Doğu Anadolu yığışım karmaşığı (DAYK), Doğu Türkiye
MUSTAFA TOKER
Doktora
İngilizce
2011
Jeofizik Mühendisliğiİstanbul Teknik Üniversitesiİklim ve Deniz Bilimleri Ana Bilim Dalı
PROF. DR. A. M. CELAL ŞENGÖR