Makine öğrenmesi destekli 2D malzemelerin karakterizasyonu
Machine learning-assisted characterization of 2D materials
- Tez No: 978329
- Danışmanlar: DOÇ. DR. DOĞU ÇAĞDAŞ ATİLLA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, Atomik Kuvvet Mikroskobu (AKM) ile elde edilen ardışık görüntüler kullanılarak yüzeydeki konum kaymalarının yön ve hız bakımından analiz edilmesi amaçlanmıştır. Bu doğrultuda hem klasik makine öğrenmesi algoritmaları hem de derin öğrenme yaklaşımları kullanılarak yön tahmini ve kayma hızı tahmini yapılmıştır. İlk aşamada, X ve Y eksenlerindeki mikrometre cinsinden kayma miktarları giriş değişkeni olarak kullanılarak yön sınıflandırması gerçekleştirilmiştir. Bu sınıflandırma için Random Forest ve Destek Vektör Makineleri (SVM) algoritmaları uygulanmıştır. Random Forest modeli %98.6 test doğruluğu ile yüksek bir başarı gösterirken, SVM algoritması %94.6 doğruluk sağlamıştır. Random Forest modeli, sınıf bazında da daha dengeli F1-score sonuçları vermiştir. İkinci aşamada ise, ardışık görüntü çiftleri arasındaki zaman farkı ve konum değişimleri kullanılarak kayma hızları hesaplanmış, bu veriler zaman serisi analizi yapabilen LSTM (Uzun Kısa Süreli Bellek) ağı ile modellenmiştir. Model mimarisi iki LSTM katmanından oluşmakta olup sırasıyla 64 ve 32 nöron içermekte ve her iki katmanda da tanh aktivasyon fonksiyonu kullanılmaktadır. Çıkış katmanı ise tek nöronlu yoğun (dense) yapıdadır. Farklı sayılarda eğitim veri çifti ile yapılan denemelerde modelin performansı sistematik olarak değerlendirilmiş ve her konfigürasyonda model 50 epok boyunca eğitilmiştir. Modelin tahmin başarısı; Ortalama Kare Hata (MSE), Determinasyon Katsayısı (R²), Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Hata (MAE) metrikleri üzerinden analiz edilmiştir. Test verisi üzerinde elde edilen sonuçlar, modelin düşük hata oranlarıyla tahminler yapabildiğini ve R² değerinin yüksek seviyelerde olduğunu göstermektedir. Bu da LSTM mimarisinin, zaman bağımlı mikroskobik verilerle çalışırken kayma hızlarını başarıyla tahmin edebildiğini göstermektedir.
Özet (Çeviri)
In this thesis study, the aim is to analyze the directional and velocity-based displacement behavior on the surface using sequential images obtained from Atomic Force Microscopy (AFM). For this purpose, both classical machine learning algorithms and deep learning approaches were utilized to perform directional classification and drift velocity estimation. In the first stage, displacements in microns along the X and Y axes were used as input variables for directional classification. For this classification task, Random Forest and Support Vector Machine (SVM) algorithms were employed. The Random Forest model achieved a high test accuracy of 98.6%, while the SVM model achieved 94.6%. Moreover, the Random Forest algorithm demonstrated more balanced and robust F1-score results across all classes. In the second stage, drift velocities were calculated based on the time differences and coordinate changes between successive image pairs, and this data was modeled using a Long Short-Term Memory (LSTM) network, which is suitable for sequential data analysis. The LSTM architecture consisted of two layers with 64 and 32 neurons respectively, both using the tanh activation function. The output layer was designed as a single-neuron dense structure. The model was trained using varying numbers of training pairs and evaluated systematically across each configuration, with training conducted for 50 epochs per case. The prediction performance of the model was evaluated using metrics such as Mean Squared Error (MSE), Coefficient of Determination (R²), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE). Results obtained from the test data revealed that the model was able to make predictions with low error rates, while maintaining high R² scores. These findings confirm that the LSTM model can successfully predict drift velocity when working with time-dependent microscopic data.
Benzer Tezler
- Derin öğrenme tabanlı yapı elektrik plan çizimi
Deep learning based building electrical plan drawing
BAYRAM AKGÜL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAKAN KUTUCU
- Machine learning assisted force field development for nucleic acids
Nükleik asitler için makine öğrenimi destekli kuvvet alanı geliştirilmesi
GÖZDE İNİŞ DEMİR
Doktora
İngilizce
2024
Kimyaİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ADEM TEKİN
- Yeni Cami'nin akustik açıdan performans değerlendirmesi
Evaluation of the acoustical performance of the New Mosque
EVREN YILDIRIM
Yüksek Lisans
Türkçe
2003
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SEVTAP YILMAZ DEMİRKALE
- Exploring design based learning activities in 2nd grade science classrooms
2. sınıf bilim sınıflarında tasarım tabanlı öğrenme aktivitelerinin keşfedilmesi
ÖZLEM YAPRAK BOSTANCI
Yüksek Lisans
İngilizce
2024
Eğitim ve ÖğretimOrta Doğu Teknik ÜniversitesiEğitim Programları ve Öğretim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF ÖZTÜRK
- Mimarlık eğitiminde BIM tabanlı disiplinlerarası işbirliği önerisi
A proposal of BIM-based multidisciplinary collaboration in architecture curriculum
GHINA ALKAWI
Yüksek Lisans
Türkçe
2016
MimarlıkMimar Sinan Güzel Sanatlar ÜniversitesiBilgisayar Ortamında Sanat ve Tasarım Ana Bilim Dalı
PROF. DR. SALİH OFLUOĞLU