Gözenekli silisyum bazlı sensörlerle kimyasal buhar tespiti ve derin öğrenme algoritmalarıyla sınıflandırma
Chemical vapor detection with porous silicon-based sensors and classification using deep learning algorithms
- Tez No: 993442
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖMER ÇOBAN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışma, gözenekli silisyum tabanlı sensörlerin kullanımıyla alınan kimyasal buhar örneklerinin hangi tür kimyasal buhar sınıfına ait olduğunu ve aynı zamanda konsantrasyon (ppm) seviyelerini saptamak için derin öğrenme yöntemlerinin entegrasyonunu incelemekte olup etkili bir şekilde sınıflandırma yapmayı amaçlamaktadır. Yöntem: Kimyasal buhar sınıflandırılmasında kullanılan derin öğrenme yöntemi sınıflandırmanın başarı oranını doğrudan etkilemektedir. Bu başarı oranının artırılması için farklı model eğitimleri gerçekleştirilmiş olup ayrıca kayan pencere yöntemi kullanılarak veri seti zenginleştirilmiştir. Kullanılan modellerin tümü evrişimli sinir ağı (CNN) mimarisine dayalıdır. Çalışmada, farklı derin öğrenme algoritmalarına gözenekli silisyum tabanlı sensör verilerinden elde edilen spektral verilerin girebilmesi için öncelikle bu verilere ön işleme uygulanmış olup görüntü tabanlı temsilleri oluşturulmuştur. Belirlenen derin öğrenme modellerinin sınıflandırma performansları karşılaştırılıp hangi mimarilerin en iyi performansı sağladığı analiz edilmiştir. Bulgular: Gerçekleştirilen eğitimler neticesinde 1-Boyutlu ham sensör sinyallerinden oluşturulan veri setinin sınıflandırmada yetersiz kaldığını buna karşın 2-Boyutlu görsel tabanlı ısı haritalarından oluşan veri seti ise sınıflandırmada, modelin ayırt etme yeteneğini belirgin şekilde artırmıştır. Ayrıca bu belirgin artışı sağlayan diğer unsur ise veri setinin modele sunulma yaklaşımıdır. Veriyi bölmeden oluşturulan 'Tam Döngü' yaklaşımında veri sayısı sınırlı kalırken verinin pencerelere bölünmesi ile oluşturulan 'Kayan Pencere' yaklaşımında veri sayısı zenginleştirilmiştir. Ve bu uygulanan yöntem ile öğrenme kapasitesi artmıştır. Sonuçlar: Modeller arasından en etkin sonucu veren, EfficientNet-B0 mimarisinin 'Kayan Pencere' yöntemi ile entegrasyonu olmuştur. Geliştirilen bu modele göre 5 farklı kimyasal türü %92 ve bu kimyasalların konsantrasyon seviyeleri ise %79 doğruluk oranıyla tespit edilmiştir. Nihai modelin sınıflandırma üzerindeki etkinliği değerlendirilmiş ve potansiyel endüstriyel uygulamalara yönelik öneriler sunulmuştur.
Özet (Çeviri)
Purpose: This study investigates the integration of deep learning methods to determine the type of chemical vapour to which chemical vapour samples collected using porous silicon-based sensors belong, as well as their concentration levels (ppm), aiming to perform effective classification. Method: The deep learning method used in chemical vapor classification directly affects the classification success rate. To increase this success rate, different model trainings were performed, and the data set was enriched using the sliding window method. All models used are based on the convolutional neural network (CNN) architecture. In this study, spectral data obtained from porous silicon-based sensor data were pre-processed to enable input into different deep learning algorithms, and image-based representations were created. The classification performance of the specified deep learning models was compared, and an analysis was conducted to determine which architectures provided the best performance. Findings: As a result of the training conducted, the dataset created from 1-dimensional raw sensor signals proved insufficient for classification. In contrast, the dataset consisting of 2-dimensional visual-based heat maps significantly improved the model's discrimination ability in classification. Another factor contributing to this significant improvement is the approach used to present the data set to the model. While the“Full Cycle”approach, which creates data without splitting it, has a limited amount of data, the“Sliding Window”approach, which splits the data into windows, enriches the amount of data. This applied method has increased the learning capacity. Results: The integration of the“Sliding Window”method with the EfficientNet-B0 architecture yielded the most effective results among the models. According to this developed model, five different chemical types were detected with 92% accuracy, and the concentration levels of these chemicals were detected with 79% accuracy. The effectiveness of the final model on classification was evaluated, and recommendations for potential industrial applications were presented.
Benzer Tezler
- Organik buharların tespitine yönelik gözenekli silisyum tabanlı elektriksel buhar sensörü
Sensing organic vapors using electrical vapor sensors based on porous silicon
OLGAY YILMAZ
Yüksek Lisans
Türkçe
2013
Bilim ve TeknolojiKocaeli ÜniversitesiElektro-Optik Sistem Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERSİN KAYAHAN
- Preparation and characterization of nanofibers for energy applications
Enerji uygulamaları için nanofiberlerin hazırlanması ve karakterizasyonu
GÖKTUĞ CİHANBEYOĞLU
Yüksek Lisans
İngilizce
2023
Enerjiİstanbul Teknik ÜniversitesiNanobilim ve Nanomühendislik Ana Bilim Dalı
DOÇ. DR. MELTEM YANILMAZ
- Optical and morphological investigation of chemical etched silicon for uniform photoluminescence
Düzgün fotolüminesans için kimyasal aşındırılmış silisyumun optiksel ve morfolojik olarak incelenmesi
ALİ KARATUTLU
Yüksek Lisans
İngilizce
2010
Fizik ve Fizik MühendisliğiFatih ÜniversitesiFizik Ana Bilim Dalı
DOÇ. DR. BAYRAM ÜNAL
- Gözenekli silisyum tabanlı gaz sensörlerinin geliştirilmesi
Development of porous silicon-based gas sensors
PINAR DÜZGÜN
Doktora
Türkçe
2025
Fizik ve Fizik MühendisliğiYıldız Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. ÇİĞDEM NUHOĞLU
- Gözenekli silisyum tabanlı nemlilik sensörüne nanoparçacık etkisi
The effect of nanoparticles on porous silicon based humidity sensor
MERVE TİRYAKİOL
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektro-Optik Sistem Mühendisliği Ana Bilim Dalı
PROF. DR. ERSİN KAYAHAN