Yapay zeka ve simülasyon ile gömülü patlayıcıların X ve gama ışını geri saçılma davranışlarının incelenmesi
Investigation of X and gamma ray backscattering behavior of buried explosives with artificial intelligence and simulation
- Tez No: 972895
- Danışmanlar: PROF. DR. ORHAN İÇELLİ
- Tez Türü: Doktora
- Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Fizik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, gömülü mayınlarda yaygın olarak bulunan patlayıcı bileşiklerin farklı fiziksel koşullar altındaki X ve gama ışını geri saçılma davranışlarını incelemektedir. Saçılma şiddetinin toprak türü, gömülme derinliği, foton enerjisi ve malzeme türüne bağlılığı, patlayıcıların bulundukları ortamdan ayırt edilebilmesi açısından hem bilimsel hem de pratik önem taşımaktadır. Çalışma üç ana aşamada yapılandırılmıştır. İlk olarak, farklı foton enerjileri, toprak türleri ve gömülme derinlikleri için çeşitli patlayıcıların geri saçılma davranışları Monte Carlo simülasyonları ile modellenmiştir. Böylece malzeme türü, derinlik ve ortam parametrelerinin saçılma şiddeti üzerindeki etkilerini sistematik olarak ortaya koyan kapsamlı bir veri seti oluşturulmuştur. Patlayıcıların topraktan ayırt edilebilirlik düzeyleri nicel olarak değerlendirilmiştir. İkinci aşamada, kapsam yalnızca patlayıcılarla sınırlı tutulmamış; toprak altında sıkça rastlanabilen metal, ahşap, kaya, kemik ve alüminyum gibi malzemeler de analize dâhil edilerek patlayıcılarla karşılaştırmalı incelemeler yapılmıştır. Üçüncü aşamada ise, elde edilen veri seti makine öğrenmesi algoritmaları ile analiz edilmiştir. Bu sayede geri saçılma değerlerini etkileyen parametrelerin göreli önem dereceleri belirlenmiş ve bu değişkenlerin patlayıcıların ayırt edilmesindeki katkıları ortaya konmuştur. Elde edilen bulgular, patlayıcıların geri saçılma davranışının foton enerjisi ve gömülme derinliğine yüksek derecede duyarlı olduğunu ve bazı toprak türlerinin tespit edilebilirliği önemli ölçüde etkilediğini göstermektedir. Ayrıca, makine öğrenmesi yaklaşımı geri saçılma davranışlarını etkileyen temel değişkenleri öne çıkarmada etkili olmuş, böylece sınıflandırma veya regresyon analizleri için nicel bir çerçeve sağlamıştır. Sonuç olarak bu çalışma, düşük Z'li patlayıcıların foton–madde etkileşimlerine dair temel anlayışı geliştirmekte ve savunma sanayii araştırmaları, jeofiziksel araştırmalar, arkeolojik incelemeler ve tahribatsız testler gibi diğer yeraltı uygulamalarına da uyarlanabilecek kapsamlı bir temel ortaya koymaktadır.
Özet (Çeviri)
This study investigates the backscattering behavior of X and gamma rays from explosive compounds commonly found in buried landmines under different physical conditions. The dependence of scattering intensity on soil composition, burial depth, photon energy, and material type is of both scientific and practical significance for distinguishing explosives from their surrounding medium. The study is structured in three main stages. First, the backscattering responses of various explosives at different photon energies, soil types, and burial depths were modeled using Monte Carlo simulations. This produced a comprehensive dataset that systematically reveals the effects of material type, depth, and medium parameters on scattering intensity. The distinguishability levels of explosives from soil were quantitatively evaluated. In the second stage, the scope was extended beyond explosives to include materials frequently encountered underground, such as metal, wood, rock, bone, and aluminum, which were analyzed and comparatively assessed against explosives. In the third stage, the data set was analyzed using machine learning algorithms. This allowed for the identification of the relative importance of parameters influencing backscattering values and the statistical roles of these variables in distinguishing explosives. The findings show that the backscattering behavior of explosives is highly sensitive to photon energy and burial depth, and that certain soil types significantly affect detectability. Moreover, the machine learning approach proved effective in highlighting the key variables governing scattering responses, thereby providing a quantitative framework for classification or regression analyses. In conclusion, this study advances the fundamental understanding of photon matter interactions in low-Z explosives and establishes a methodological basis that can be adapted defense-industry, geophysical surveys, archaeological investigations or non-destructive testing.
Benzer Tezler
- AI-driven enhancement and risk detection in microwave systems
Mikrodalga sistemlerde yapay zeka destekli iyileştirme ve risk tespiti
İBRAHİM HALİL BAYAT
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
DR. ÖĞR. ÜYESİ SEMİH DOĞU
- Automated diagnosis in x-ray dental data: Innovative system developed with segmentation and classification
X-ray dental verilerinde otomasyonlu tanı: Segmentasyon ve sınıflandırma yöntemleri ile geliştirilen yenilikçi sistem
GÖZDE YURTDAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REDA ALHAJJ
- İnsansız hava araçları ile RSSI temelli derin pekiştirmeli öğrenme yöntemi ile kablosuz sinyal kaynağı lokasyonunun belirlenmesi
Localization of wireless signal sources using RSSI-based deep reinforcement learning on unmanned aerial vehicles
EŞREF ŞAMİL ZAMANOĞLU
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma TeknolojileriSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ FURKAN KAMANLI
- 3D nokta bulutu verileri kullanılarak otonom sürüş için nesne algılama yöntemi ile karayolu envanterlerinin tespit edilmesi
Determination of highway inventories with object detection method for autonomous driving using 3D point cloud data
HİLAL GEZGİN
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. REHA METİN ALKAN
- Yan kanal saldırılarının derin öğrenme tabanlı analizi
Deep learning-based analysis of sidechannel attacks
SENA ASLIBAY
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. ÜNAL ÇAVUŞOĞLU