Güneş enerji panellerinde maksimum güç noktasının belirlenmesi
Amin, Shahabullah
Elektrik enerjisi insan yaşamında hayati bir role sahiptir ve her geçen gün elektrik enerjisine olan talep artmaktadır. Doğayı korumak ve enerji üretimini sürekli kılmak için enerji talebinin çevre dostu enerji kaynakları ile karşılanması gerekmektedir. Fotovoltaik (Photovoltaic, PV) sistemler, mevcut kaynakların elektrik enerjisine dönüştürülmesi çevresel etkileri azaltan dünyadaki elektrik enerjisi ihtiyaçlarının üstesinden gelmek için yaygın olarak kullanılmaktadır. Güneş enerjisi sistemlerini kullanarak elektrik enerjisini verimli bir şekilde üretmek için; sistem, çıkış gücünün maksimuma çıkarılacağı şekilde çalışmalıdır. Bu amaçla bu tez çalışmasında, DC enerji üreten sistemde en iyi sonucu elde etmek için DC-DC dönüştürücü topolojileri ve maksimum güç noktası takibi (Maximum Power Po...
A hybrid CNN-GRU model with XAI-Driven interpretability using LIME and SHAP for static analysis in malware detection
Sarı, Nisa Vuran | Acı, Mehmet
The increasing sophistication of evolving malware types and attack techniques has rendered traditional antivirus solutions inadequate, particularly in mitigating zero-day threats. To address this challenge, Machine Learning (ML) and Deep Learning (DL)-based approaches have been developed, demonstrating significant efficacy and high accuracy in malware classification. However, the black box nature of these models raises significant concerns in terms of transparency and interpretability. This study presents a comprehensive evaluation of Ensemble Learning and Deep Learning methods for static analysis-based malware classification, which allows joint analysis of Application Programming Interface (API) calls and Dynamic Link Library (DLL) data. In the study, a specially designed Convolutional Ne...
A comparative prediction for tensile properties of ternary blended open-end rotor yarns using regression and neural network models
İlhan İlhami
This study focused on predicting tensile properties of PES/CV/PAN blended Open-End Rotor yarns. The effective factors were fiber blend ratios (six stages from 0 to 100%), linear density (three count levels), mixing method (carding machine and drawframe), and number of passages in drawframe (one and two times) as production parameters. We performed a stepwise multiple linear regression (MLR) analysis and established an artificial neural network (ANN) model that trained with backpropagation rule as Levenberg–Marquardt. Then, we conducted a comparative analysis for both models in terms of prediction performance. As a result, ANN has given a slightly better prediction values than MLR for breaking strength but significantly better prediction values for breaking elongation.