Balıkesir Üniversitesi Kurumsal Akademik Arşivi
DSpace@Balıkesir, Balıkesir Üniversitesi tarafından doğrudan ve dolaylı olarak yayınlanan; kitap, makale, tez, bildiri, rapor, araştırma verisi gibi tüm akademik kaynakları uluslararası standartlarda dijital ortamda depolar, Üniversitenin akademik performansını izlemeye aracılık eder, kaynakları uzun süreli saklar ve yayınların etkisini artırmak için telif haklarına uygun olarak Açık Erişime sunar.
Güncel Gönderiler
Hidrolik tahrikli bir dalga kanalında gerçek zamanlı dalga üretimi için FPGA tabanlı kontrolcü tasarımı
(Balıkesir Üniversitesi, Fen Bilimleri Enstitüsü, 2026) Demircan, Batın; Bıçakcı, Sabri
Bu tez çalışmasında, bir dalga kanalında düzenli dalga üretiminin kararlı, tekrarlanabilir ve
otonom bir şekilde gerçekleştirilmesi amacıyla, hidrolik servo silindir (HSS) tahrikli piston
tip dalga üretici (PTWM) için FPGA tabanlı gelişmiş bir kontrol mimarisi tasarlanmış,
kontrolcü parametreleri optimize edilmiş ve deneysel olarak doğrulanmıştır. Kontrol sistemi,
LabVIEW yazılımı ve NI CompactRIO-9074 donanımı kullanılarak geliştirilmiş olup, HSS
ile tahrik edilen PTWM’nin davranışı deneysel veriler yardımıyla modellenmiştir. Elde
edilen modeller doğrultusunda, öncelikle klasik PI kontrolcü ile konum kontrolü
gerçekleştirilmiş, ardından Takagi–Sugeno (TS) bulanık mantık tabanlı bir kontrolcü
tasarlanmıştır.
Kontrol yapısı iki katmanlı bir mimari şeklinde ele alınmıştır. İç katmanda HSS’nin konum
kontrolü PI/TS bulanık kontrolcülerle sağlanmış, kontrolcülere ait parametreler Particle
Swarm, Harris Hawks ve Slime Mould Algoritmaları kullanılarak ITAE tabanlı performans
ölçütüne göre optimize edilmiştir. Ayrıca TS denetleyiciye ait 27 parametreli kural tabanı
benzerlik analizi ile 9 parametreye indirgenmiştir. Dış katmanda ise dalga yüksekliği
ölçümlerine dayalı olarak yüzey dalgalılık oranı (SRI) tabanlı PI dalga kontrolcüsü
geliştirilmiştir.
Gerçek zamanlı deneyler sonucunda, HSS konum kontrolü için önerilen TS bulanık
denetleyicinin klasik PI denetleyiciye kıyasla daha düşük takip hatası ve daha yüksek
kararlılık sağladığı gösterilmiştir. Dalga yüksekliği kontrolü için ise PI kontrolcü
parametreleri deneysel olarak belirlenmiştir. Sonuç olarak, geliştirilen FPGA tabanlı iki
katmanlı kontrol mimarisi, PTWM’ler için otonom ve yüksek doğruluklu dalga üretimi
açısından uygulanabilir bir çözüm sunmaktadır. Düzensiz dalga üretimi kapsamında ise
kullanıcı tarafından türetilen JONSWAP spektrumuna bağlı olarak elde edilen referans HSS
konum sinyalleri HSS’ye FPGA tabanlı olarak gerçek zamanlı kontrol yapısı üzerinden
uygulanmış ve düzensiz dalga üretimi sağlanmıştır.
Makine öğrenmesi yöntemleri ile kripto varlık piyasalarında fiyat balonlarının tahmini
(Balıkesir Üniversitesi, Fen Bilimleri Enstitüsü, 2026) Özel, Fatma Feyza; İstanbullu, Ayhan; Akkuş, Hilmi Tunahan
Bu tez, kripto varlık piyasalarında, özellikle Bitcoin’de, ani değer kayıplarına yol açan fiyat
balonlarının araştırılmasını ve nedenlerinin makine öğrenmesi yöntemleri ile tespit
edilmesini amaçlamaktadır. Kripto varlık piyasalarının yüksek oynaklığı ve karmaşık yapısı,
ilgili piyasada fiyat balonlarının varlığı konusunda şüphe uyandırmaktadır. Yapılan
çalışmada ilk olarak 1 Ocak 2020 ile 5 Haziran 2024 tarihleri arasındaki veriler analiz
edilmiş ve fiyat balonları GSADF testi ile tespit adilmiş ve etiketlenmiştir. Sonraki aşamada
fiyat balonları, makine öğrenmesi ve derin öğrenme sınıflandırma algoritmaları kullanılarak
tahmin edilmiştir. Sınıflandırma tahmini için finansal ve ekonomik değişkenlerin yanı sıra
çeşitli teknik göstergeler de türetilerek kullanılmıştır. Metodolojik olarak, özellik
mühendisliği aşamasında makroekonomik göstergelere ek olarak RSI, SMA ve ATR gibi
teknik göstergeler kullanılmıştır. Veri sızıntısını önlemek amacıyla tüm değişkenler modele
gecikmeli olarak dahil edilmiştir. Modellerin performansı, azınlık sınıfı başarımını ölçmeye
uygun Test F1 Skoru, PR-AUC ve ROC-AUC metrikleri ile değerlendirilmiştir. Analiz
sonuçlarına göre, makine öğrenmesi modellerine kıyasla RNN modeli, %70 eğitim – %30
test bölünmesinde 0,705 Test F1 skoru ve 0,797 PR-AUC değeri ile en yüksek performansı
sergilemiştir. Elde edilen bulgular üç temel alanda somut katkı sağlamaktadır. İlk olarak
yatırımcılar için spekülatif balon dönemlerinde riskleri azaltmaya yardımcı olan bir erken
uyarı mekanizması sunmaktadır. İkinci olarak düzenleyici kurumlar açısından piyasa
gözetimine yönelik uygulanabilir bir analitik çerçeve önermektedir. Son olarak kripto varlık
fiyat balonlarını modelleyebilen RNN tabanlı yaklaşım sunulmuştur.
Derin öğrenme algoritmaları kullanarak elektrolüminesans görüntüleri ile fotovoltaik hücrelerde kusur tespiti
(Balıkesir Üniversitesi, Fen Bilimleri Enstitüsü, 2026) Özel, Faruk; İstanbullu, Ayhan
Güneş enerjisi santrallerinin artan kurulum kapasitesi, fotovoltaik modüllerin işletme ömrü
ve verimliliğinin sürdürülebilirliğini kritik bir mühendislik problemi hâline getirmiştir.
Üretim ve işletme süreçlerinde hücre yüzeyinde oluşan mikro çatlaklar ve deformasyonlar
zamanla ciddi enerji kayıplarına neden olmaktadır. Endüstriyel standart olan
Elektrolüminesans görüntüleme tekniğinin manuel analizi ise yüksek uzmanlık
gerektirmekte ve zaman maliyeti oluşturmaktadır. Bu tez çalışmasında, PV hücre
kusurlarının otonom, gerçek zamanlı ve piksel hassasiyetinde tespiti için YOLOv11 nesne
tespiti algoritması ile temel segmentasyon modeli SAM 2'yi birleştiren hibrit bir derin
öğrenme mimarisi önerilmiştir. Önerilen yöntem, YOLOv11 aracılığıyla kusur konumunu
sınırlayıcı kutularla belirlemekte ve bu koordinatları kutu istemi olarak SAM 2'ye ileterek
kusurların morfolojik sınırlarını maskelemektedir. Performansı doğrulamak amacıyla, tek
aşamalı YOLOv11-seg modeli referans alınarak karşılaştırmalı analizler yapılmıştır. Eğitim
ve test süreçleri, 7 farklı kusur sınıfını içeren toplam 13.631 görselden oluşan kapsamlı veri
havuzu üzerinde, %80-10-10 optimum dağılım stratejisiyle gerçekleştirilmiştir. Deneysel
bulgulara göre, hibrit yapının ön aşamasını oluşturan YOLOv11, kusur konumlandırmada
%95,71 (0.9571) mAP@0.50 değerine ulaşarak tek aşamalı YOLOv11-seg modelini
(0.9245) net bir şekilde geride bırakmıştır. Hız ve uygulanabilirlik metrikleri
incelendiğinde, YOLOv11'in görüntü başına 1.38 milisaniye çıkarım süresi ve saniyede 720
kare (FPS) işleme hızı ile referans modele kıyasla yaklaşık 2,6 kat daha hızlı çalıştığı tespit
edilmiştir. Bu çalışmada önerilen YOLOv11+SAM 2 yapısı, yüksek tespit doğruluğu ve
gerçek zamanlı işlem çevikliğini bir araya getirirken, sıfır-atış özelliği sayesinde
araştırmacıları zahmetli çokgen etiketleme süreçlerinden kurtarmış; endüstriyel kalite
kontrol uygulamaları için maliyet-etkin ve yüksek doğruluklu bir otonom sistem ortaya
koymuştur.
Depo yerleşim optimizasyonu ve bir vaka çalışması
(Balıkesir Üniversitesi, Fen Bilimleri Enstitüsü, 2026) Aydın, Hasan; Küçükkoç, İbrahim; Sarucan, Ahmet
Bu tez çalışması, kâğıt sektöründe faaliyet gösteren bir üretim işletmesine ait mamul depo yerleşim problemini ele almaktadır. Mevcut durumda, rulo şeklindeki malzemelerin mamul deposundaki yerleşim planlaması manuel olarak yapılmaktadır. Bu tezin amacı, depo alanının verimli bir şekilde kullanılmasını sağlamaktır. Depo alanının verimli kullanılmasını hedefleyerek bir Karışık Tamsayılı Doğrusal Programlama (MILP) modeli geliştirilmiştir. Geliştirilen model, malzemelerin fiziksel özelliklerini, güvenli istifleme yüksekliklerini, malzeme gruplarını ve geliş sıralarını dikkate alarak depodaki dikey alan kullanımını verimli hale getirmeyi hedeflemektedir. Model, Python programlama dili ve Gurobi Optimizer aracılığıyla çözülmüştür. Model 50 adet rulo şeklindeki malzemeden oluşan gerçek bir veri seti üzerinde test edilmiştir. Geliştirilen matematiksel modelin sınırlarını ve performansını ölçmek için ise 78 adet problem incelerek analiz edilmiştir. Elde edilen sonuçlar, geliştirilen matematiksel model ile birlikte yerleşim planının depolama verimliliğini arttırması ve fiziksel-operasyonel kısıtları sağlaması açısından yeni bir bakış açısı sunmaktadır. Bu tez, özellikle rulo şeklindeki malzemelerin kullanıldığı sektörler açısından uygulanabilir ve özelleştirilebilir bir depo tasarımı yaklaşımı sunarak literatüre katkı sağlamayı hedeflemektedir.
MRI verilerinden alzheimer hastalığının tanısında en iyi derin öğrenme mimarilerinin keşfedilmesi
(Balıkesir Üniversitesi, Fen Bilimleri Enstitüsü, 2026) Güven, Aslıhan; Aydın, Fatih
Bu tez çalışmasında, Alzheimer hastalığının manyetik rezonans görüntüleme verileri üzerinden otomatik teşhisine yönelik en etkili derin öğrenme mimarisinin belirlenmesi amaçlanmıştır. Bu kapsamda, EfficientNet-B0, ResNet-50, U-Net, MobileNetV2 ve InceptionV3 mimarileri aynı veri kümesi ve sabit hiperparametreler altında karşılaştırmalı olarak değerlendirilmiştir. Çalışmada, 18–96 yaş aralığındaki 416 bireye ait manyetik rezonans görüntülerinden oluşan ve dört farklı Alzheimer evresini içeren OASIS-1 veri kümesi kullanılmıştır.
Modeller, Alzheimer hastalığının Non-Demented, Very Mild Demented, Mild Demented ve Moderate Demented evrelerini içeren etiketli MRI verileri üzerinde eğitilmiştir. Performans değerlendirmesi doğruluk, kesinlik, duyarlılık, F1 skoru ve ROC-AUC metrikleri üzerinden gerçekleştirilmiş; buna ek olarak model boyutu, eğitim süresi ve parametre yoğunluğu gibi operasyonel kriterler de dikkate alınmıştır.
Deneysel sonuçlar, InceptionV3 mimarisinin %0.86 test doğruluğu ve 0.97 makro AUC değeri ile en yüksek sınıflandırma performansını elde ettiğini göstermiştir. MobileNetV2 modeli, %0.74 test doğruluğu ve 0.90 makro AUC değeri ile düşük parametre sayısına rağmen dengeli ve verimli bir performans sunmuştur. EfficientNet-B0 mimarisi %0.63 test doğruluğu ile orta seviyede bir performans sergilerken, ResNet-50 modeli 0.95 makro AUC değeri ile yüksek ayrıştırma gücü göstermiştir. U-Net Encoder mimarisi ise diğer modellere kıyasla daha sınırlı bir sınıflandırma başarısı elde etmiştir.
Elde edilen bulgular, derin öğrenme tabanlı yaklaşımların Alzheimer hastalığının erken evre teşhisinde etkili ve klinik uygulamalara entegre edilebilir olduğunu ortaya koymaktadır.
