YAPAY SİNİR AĞI İLE GÜÇLENDİRİLMİŞ GENETİK ALGORİTMA VE TERSTEN KANAT PROFİLİ DİZAYNI
|
|
- Irmak Akçam
- 5 yıl önce
- İzleme sayısı:
Transkript
1 HAVACILIK VE UZAY TEKNOLOİLERİ DERGİSİ OCAK 4 CİLT SAYI 3 (-7) YAPAY SİNİR AĞI İLE GÜÇLENDİRİLMİŞ GENETİK ALGORİTMA VE TERSTEN KANAT PROFİLİ DİZAYNI Abdurrahman Hava Harp Okulu Komutanlığı Dekanlık Havacılık Mühendslğ Bölümü 3449, Yeşlyurt, İstanbul a.hacoglu@hho.edu.tr ÖZET Bu çalışmada, yapay snr ağı le güçlendrlmş br genetk algortma önerlerek, tersten kanat profl dzaynına uygulaması yapılmıştır. Yapay snr ağı ve genetk algortma melez br yapı çersnde, yen br yaklaşımla brleştrlerek hızlı br dzayn algortması elde edlmştr. Bu yen yaklaşımda yapay snr ağı, amaç fonksyonunun yaklaşık olarak hesaplanması yerne, doğrudan hedef çözümün tahmn edlmes çn kullanılmıştır. Yapay snr ağı, genetk sürecn her adımında, mevcut popülasyon kullanılarak eğtlmştr. Yapay snr ağı tarafından üretlen br breyn, her adımda, genetk şlemlerle oluşturulmuş olan yen popülasyona dahl edlmesyle dzayn sürecnn hızlandırılması amaçlanmıştır. Saf genetk algortmalar kadar gürbüz olan bu yen yöntemn tersten kanat profl dzaynına uygulanması le dzayn sürecnn çok büyük oranda hızlandığı, şlem sayısının oldukça azaldığı görülmüştür. Anahtar Kelmeler: Kanat Profl, Tersten Dzayn,Yapay Snr Ağı, Genetk Algortma. ABSTRACT :Augmented Genetc Algorthm wth Neural Network and Implementaton to Inverse Arfol Desgn In ths study, an augmented genetc algorthm va artfcal neural network has been ntroduced, and ts mplementaton to the nverse arfol desgn problem s demonstrated. Neural network and a real coded genetc algorthm are hybrdzed n a new way wth the purpose of gettng a faster algorthm. In ths approxmaton, nstead of predctng computatonal flud dynamcs calculatons of a canddate arfol, neural network s used for predctng canddate tself. Ths powerful method s tested for an nverse arfol desgn problem n transonc flow cases. The computatonal effcency of ths mplemented algorthm s tremendously hgh, and due to stll beng genetc algorthm based technque, ths new method s also as robust as the pure genetc algorthms. Key Words: Arfol, Inverse Desgn, Neural Network, Genetc Algorthm.. GİRİŞ Geçtğmz yüzyılın son çeyreğnde blgsayar teknolojsnde yaşanan büyük gelşm sonucu, sayısal smülasyon yöntemlernn mühendslk dzayn uygulamalarındak kullanımı gderek artmış ve günümüzün mühendsler zamanlarının pek çoğunu blgsayarlar başında, sayısal modellemeler ve çözümler çn geçrr olmaya başlamışlardır. Aynı dönemde Hesaplamalı Akışkanlar Dnamğ (HAD), uçak dzayn şlemlernn vazgeçlmez br parçası halne gelmştr. HAD, rüzgar tünel deneyler gb çalışmaları azaltması nedenyle, dzayn şlemlernn süresn ve malyetlern düşürmektedr. HAD, verlen br uçak konfgürasyonunun aerodnamk performansını belrlemek çn kullanılabldğ gb, sayısal optmzasyon teknkler le brleştrlerek stenlen performansı sağlayacak aerodnamk konfgürasyonun belrlenmes veya bell br aerodnamk konfgürasyonun performansının
2 arttırılması, optmze edlmes amacıyla da kullanılablr. Tersten kanat profl dzaynı (nverse arfol desgn), arzu edlen bell br basınç dağılımını sağlayan kanat proflnn elde edlmes problem olup, aerodnamk dzayn çalışmalarının temel konularından brdr. Bu problem, değşk optmzasyon teknkleryle brlkte olduğu gb, kullanımı son yıllarda oldukça yaygınlaşan genetk algortmalar (GA) le brlkte de çözüleblmektedr. Aerodnamk dzayn ve optmzasyon çalışmalarındak uygulamaları çok başarılı sonuçlar vermekle brlkte, çok fazla HAD hesabı gerektrmes, GA ların bu konudak en büyük eksklğdr [,,3,4]. Bu eksklğn gderlmes ve GA ların daha hızlı sonuç vermes çn genel olarak dört yol kullanılır [5]. Bu yollar: Gelşmş GA şlem yöntemler [6,7,8]; paralel hesaplama yöntemler [9,]; sayısal optmzasyon metotları le GA nın melez br yapı çersnde olduğu yöntemler []; HAD hesabı çn gerçek sayısal çözüm yerne, yaklaşık sayısal çözüm (örnek olarak bell br mktar HAD hesabı çn yapay snr ağı, YSA, le elde edlen çözümü) kullanan [5,] yöntemlerdr. Yukarıda en son belrtlmş olan yöntemle yapılmış olan çalışmalarda ([5] ve [] gb) YSA, çok fazla şlem gerektren ve çok zaman alan HAD çözümünü tahmn etmek çn kullanılır. GA le yapılan dzayn sürecndek her br adımda, popülasyondak breylern br kısmına at HAD hesapları, eğtlmş olan br YSA le gerçekleştrlr. Böylece, YSA tarafından yapılan yaklaşık HAD hesapları le gerçek HAD hesabı sayısı azaltılarak dzayn sürec hızlandırılır. Bu teknkte, YSA eğtlrken kanat profller grd, kanat profllerne at HAD çözümler çıktı olarak kullanılır. Yöntemn başarısı, YSA dan elde edlen yaklaşık HAD çözümlernn başarısına bağlıdır. Dğer taraftan, dzayn sürecnde hedeflenen sonuca ulaşmak çn tek belrleyc GA dır. Çünkü genetk sürecn her adımında üretlen yen popülasyondak breyler (dzayn problemn aday çözümler) çaprazlama, mutasyon gb genetk şlemcler tarafından üretlmektedr. Bu çalışmada, tersten kanat profl dzaynı çn kullanılan GA ların hızını artırmak çn yen br yol önerlmştr. Bu amaçla, YSA ve GA nın melez kullanımı çn yen br teknk gelştrlmştr. Bu teknğe göre, YSA, popülasyondak breylern yaklaşık HAD hesabında kullanılmak yerne, genetk sürecn her br adımında hedef çözümü sağlayan brey tahmn etmek çn kullanılacaktır. Tahmn edlen bu brey, genetk şlemlerle oluşturulan yen popülasyona lave edlerek, genetk sürecn br sonrak adımında kullanılacaktır. Yapılan bu şlem sonucunda, YSA hedef çözüme ulaşmada doğrudan belrleyc olablecektr. Çünkü, buradak yen popülasyonda breylerden br tanes YSA tarafından üretlmştr. Dğer taraftan bu yen teknkte YSA nın her adım çn çok başarılı br brey (çözüm) üretmes de şart değldr. Bunun neden, YSA dan gelen brey çok hatalı olsa ble, genetk sürecn başarısız breyler eleyerek süreç dışı bırakablmes ve daha az uygun breylerden daha y breyler üreteblmesdr. YSA br defa çok başarılı br tahmn yaptığında se zaten problemn çözümüne ulaşılmış olacak ve dzay sürec tamamlanacaktır. Bu teknk, Yapay Snr Ağı İle Güçlendrlmş Genetk Algortma (YGGA) olarak smlendrlmş olup tersten kanat profl dzaynına uygulanması le oldukça y sonuçlar elde edlmştr. Yöntemn detayları. bölümde açıklanacaktır. Bu çalışmada kullanılan GA, Dağıtım Stratejler (DS) uygulaması çeren Ttreşml Genetk Algortma (TGA) dır. TGA ve DS yöntemler [] le yazar tarafından yapılan doktora çalışmasında gelştrlmş olup bunlara at genş blg [] de bulunablr. TGA ve DS daha sonra kısaca açıklanacaktır.. YAPAY SİNİR AĞLARI İLE GÜÇLENDİRİLMİŞ GENETİK ALGORİTMA YGGA yöntemnde YSA, genetk sürecn her adımında br tane aday çözüm üretmes çn kullanılır. Genetk sürecn her adımında kullanılan popülasyon çersndek breyler (kanat profller) ve bunlara at HAD çözümler (basınç katsayısı dağılımları) YSA nı eğtmek çn, eğtm set olarak kullanılır. Bu yapılırken HAD çözümler grdler, bunların at oldukları kanat profl geometrler çıktıları oluşturur. Eğtlmş olan YSA, genetk sürecn o adımı çn, dzayn problemnn grds olan hedef basınç dağılımını kullanarak br kanat profl üretr. Üretlen bu kanat profl, genetk şlemcler tarafından üretlmş olan yen popülasyona dahl edlerek br sonrak adımda onlarla brlkte kullanılır. Genetk sürecn herhang br adımında, YSA nın yapacağı yeternce y br tahmn hedeflenen sonucu vereblecektr. Bununla brlkte, genetk sürecn lk adımlarında, popülasyon hedef çözüme fazla yakın olmayacağı çn, bunların kullanılmasıyla eğtlecek olan YSA, hedef çözüme göre yeternce y tahmn yapamayacaktır. Dğer taraftan, YSA nın yapacağı tahmn, muhtemelen genetk sürecn o adımda çıkartacağı en y breyden daha y olablecektr. Bu böyle olduğu zaman, YSA nın ürettğ brey daha baskın olacak ve popülasyonun daha hızlı gelşmesn sağlayacaktır. Bu durumda da GA, YSA dan gelen breyle güçlendrlen popülasyondan daha y br popülasyon üretecektr. Daha y br popülasyon, hedef çözüme daha yakın olacağından, genetk süreç lerlerken YSA çn daha y br eğtm set elde edlmş olacaktır. Bu, YSA nın daha az hatalı br brey üretmesn sağlayacak; YSA dan gelecek daha az
3 hatalı brey le de GA daha y br popülasyon üretecektr. Sonuç olarak, bu karşılıklı poztf etkleşm genetk sürec oldukça hızlandıracak ve hedeflenen sonucun çok az şlemle elde edleblmesn sağlayacaktır.. edlr. Eğtm sonucu elde edlen YSA ya at parametreler (ağırlıklar) korunarak, br sonrak adımdak YSA eğtmnde başlangıç değerler olarak kullanılır. Bu şlem, YSA nın eğtm hatalarını azaltarak, daha etkn tahmn yapmasını sağlar [4]. Akış şeması Şekl de gösterlen YGGA nın ana adımlarını aşağıdak gb sıralayablrz: Başlangıç Popülasyonu x y Termna Dur HAD Hesabı Yen Popülasyon x y YSA Genetk İşlemler Şekl. YGGA nın akış şeması. İlk olarak, popülasyondak breylere (kanat profller) at HAD hesapları yapılarak, basınç katsayısı dağılımları ve uygunluk değerler belrlenr ve genetk şlemler yapılarak yen popülasyon üretlr. İknc olarak, popülasyondak kanat profller ve bunlara at basınç katsayısı dağılımları kullanılarak YSA eğtlr. Eğtm sırasında basınç katsayısı dağılımları grd, kanat profl geometrler çıktı olarak kullanılır. Son olarak, hedef basınç katsayısı dağılımı grd olarak kullanılarak eğtlmş olan YSA dan br kanat profl elde edlr ve genetk sürecn br sonrak adımında kullanılmak üzere, genetk şlemclerle elde edlen popülasyona lave edlr. Bu şlemler hedeflenen çözüm elde edlnceye kadar genetk sürecn her adımında tekrarlanır. Bu çalışmada kullanılan YSA back propagaton neural network (BPNN) [3] olup; bu BPNN de, saklı katmanda doğrusal olmayan sgmod transfer fonksyonu ve doğrusal çıktı katmanı kullanılmıştır. Bu YSA nın yapısı Şekl de gösterlmştr. Yukarıda belrtldğ gb, eğtm setnde basınç katsayısı dağılımları grdler, kanat profller de çıktıları oluşturmaktadır. YSA nın kullandığı bu eğtm set, genetk sürecn her adımında, o adımdak popülasyon ve HAD çözümlernden elde 3 x IM Grd Katmanı (Basınç Dağılımı) Saklı Katman 3. DAĞITIM STRATEİLERİ Genetk şlemler sırasında, kromozomları bell parçalara bölerek, amaç fonksyonunu bu parçalar çn ayrı ayrı hesaplama; genetk şlemler bu parçalar çn ayrı ayrı yapma yaklaşımıdır. Eğer bu yaklaşım, ele alınan probleme doğru br bçmde uygulanablrse, genetk sürec oldukça hızlandırmak mümkün olmaktadır. Yaklaşım, Dağıtılmış Amaç Fonksyon (DAF) ve Dağıtılmış Eltzm (DE) şeklnde k ayrı şeklde veya stenrse aynı anda beraber kullanılablr. DAF, amaç fonksyonun belrlenen kromozom parçaları çn ayrı ayrı hesaplanarak, genetk şlemlern kromozom parçaları çn ayrı ayrı yürütülmes yaklaşımıdır. DE se, genetk sürecn her adımında, en y kromozomdan ayrı olarak, en y kromozom parçalarından oluşturulan br başka kromozomun da yen adıma aktarılmasıdır. Bu yaklaşımların ayrıntıları [] de verlmş olup, test fonksyonu üzerndek uygulamaları, konseptn faydasını açıkca göstermş ve GA nın hızlandığı görülmüştür. Yöntemn kanat profl dzaynına uygulaması le lgl ayrıntılar 6. bölümde verlecektr. 4. TİTREŞİMLİ GENETİK ALGORİTMA Çıktı Katmanı (Kanat Profl Geometrs) Şekl. Kullanılan YSA nın (BPNN) yapısı. Ttreşml Genetk Algortma (TGA) etkn br çeştlllk le arama/bulmayı sağlaması nedenyle, GA nın yakınsama performansını arttıran br yöntemdr. Ttreşm le kastedlen, genetk şlemlerde y kn
4 kullanılan brtakım parametrelern değerlernde meydana getrlen bazı dalga formlarındak salınımlardır. Ttreşml Çaprazlama ve Ttreşml Mutasyon olarak k ayrı teknkden oluşur. Bu teknklern ayrıntıları [8] ve [] de verlmştr. Ttreşml mutasyon yenlemeden hemen sonra uygulanır. Uygulama, genetk sürecn başlangıcından tbaren peryodk olarak gerçekleştrlr. İlk adımı takben, genlğ rassal br şeklde değşen br dalga popülasyona etk ettrlr. Ttreşml mutasyon sırasında, popülasyondak bütün kromozomların (breyler) tüm genler aşağıda fade edlen dalgaya bağlı olarak mutasyon geçrrler. m m y = y m =,..., n =,..., kn [ + w MA (.5 u) ] () Burada y gen (kontrol noktası), kn kromozomdak toplam gen sayısı, n popülasyondak toplam brey (kromozom) sayısı, MA ana genlk, u [,] aralığında rassal br reel sayı ve w, br cvarında reel br sayıdır. Dalga uygulaması, lk kromozomun belrl br sırasındak genden başlar ve dğer kromozomlardak aynı sıradak genler boyunca devam eder. Bu şlem popülasyondak tüm breylere her IP peryodda uygulanır. IP br tam sayı olmak üzere, mutasyon oranı P m =/IP dr. Genetk süreç boyunca y br performans yakalanması çn ttreşm peryodu IP nn uygun br değere sabtlenmes gerekldr. Bu peryod değernn (dolayısıyla mutasyon oranı P m değernn) büyüklüğü yöntemn performansını etkleyecektr. Global optmuma yaklaşılırken popülasyonu dar br aralıkta ttreşme maruz bırakmak global optmuma ulaşmayı hızlandıracaktır. Bu nedenle ana genlk değer MA genetk süreç boyunca aşağıdak gb belrlenr: log( + AF ) MA = () log( + AF k ) AF ve AF k sırasıyla genetk sürecn başlangıç adımındak ve çnde bulunulan adımındak ortalama uygunluk değerler olup r reel br sayıdır. Genetk sürecn lk adımında MA= olacaktır. Eğer lk adım çn den farklı br sayı stenrse edlrse, MA br parametre le çarpılarak stenen ayarlama yapılablr. MA, olablecek en büyük dalga genlğdr. Denklem () dek r, MA değernn azalma hızını belrler. Hızlı br azalma çn r büyük br değer almalı, yavaş br azalma çn se r küçültülmeldr. r 5. KANAT PROFİLİ OPTİMİZASYONU İÇİN GENETİK ALGORİTMA İŞLEMLERİ Hedeflenen kanat proflne at basınç katsayısı dağılımı, C p grd olarak verlr. Hedeflenen kanat proflne ulaşmak çn çözüme NACA gb blnen br kanat profl le başlanır. Bu tür problemler çn çoğunlukla kullanılan hedef fonksyonu, = ( Cpλ Cpt ) λ dλ (3) şeklndedr. Burada Cp λ ve Cp t sırasıyla, kanat profl yüzey λ üzerndek hesaplanan ve hedeflenen basınç katsayılarıdır. Popülasyondak kanat profllernn uygunluk değer çn uygunluk fonksyonu aşağıdak gb olacaktır: φ = (4) Buna göre problem tpk br enbüyük değer elde etme problem olur. Uygunluk değernn sonsuza gtmes durumunda hedeflenen kanat profl le ulaşılan kanat prof tam olarak çakışmış olacaktır. Genetk algortma le kanat profl dzaynındak en öneml şlemlerden br de kanat profl geometrsnn temsldr. Bu amaçla, kanat proflnn br yüzeyne at eğry m adet nokta le fade etmey sağlayan, ve aşağıda denklemler verlen Bezer eğrs temsl kullanılacaktır. y x () t Cm t ( t) = m = () t Cm t ( t) = m = m y (5) m x (6) Kanat proflnn br yüzeynn 8 nc mertebeden temslnde 9 adet kontrol noktası kullanılır ve bunlardan, hücum kenarı le frar kenarında olan tanes sabttr. m! C m = olup, t, [,] aralığında! ( m )! değşen değerler alan br parametredr. Kontrol noktalarının koordnatları (x,y ) le verlmştr. Burada x ler sabt tutularak, genetk süreçte yanlızca y değerler kullanılır. Kanat proflnn yüzeyn fade eden kontrol noktalarının tamamı br kromozom oluştururken, herbr kontrol noktası da br gen olacaktır. NACA kanat proflnn Bezer eğrs le temsl Şekl 3 de gösterlmştr. 4
5 6. DAĞITIM STRATEİLERİNİN KANAT PROFİLİ DİZAYNINA UYGULAMASI Kanat proflnn Bezer eğrleryle temsl edleceğ geçen bölümde söylenmşt. Buna göre, kanat proflnn her br yüzey, kendlerne at k ayrı grup kontrol noktası le aşağıdak gb temsl edlecektr. NACA Alt y üzey kontrol noktaları Üst y üzey kontrol noktaları Üst Yüzey Kontrol Noktaları (Gen grubu-) Alt Yüzey Kontrol Noktaları (Gen grubu-) Buradan da kolaylıkla görülebleceğ gb kanat proflne at kromozom k parça olarak ele alınacak ve her br parça çn amaç fonksyonu ve uygunluk değerler ayrı ayrı hesaplanacaktır. Seçm şlemler alt ve üst yüzeyler çn ayrı ayrı yapılacaktır. Buna göre amaç fonksyonları, alt ve üst yüzeyler çn; ALT ÜST {y, y,, { y, y,, y kn = ( Cpλ Cpt ) λalt = ( Cpλ Cpt ) λust dλ (7.a) dλ (7.b) olarak ayrı ayrı hesaplanacaktır. Uygunluk değerler de; φ φ ALT ÜST Genler = (8.a) ALT ÜST = (8.b) Kromozom olarak hesaplanacaktır. Alt ve üst uygunluk değerler toplamı en büyük olan kromozom, en y kromozom olarak br sonrak popülasyona Şekl 3. NACA proflnn Bezer eğrs le temsl. aktarılarak eltzme tab tutulurken, en y alt ve üst yüzey parçaları da brleştrlerek eltzme tab tutulacaktır. 7. UYGULAMA RAE8 kanat proflnn.75 Mach sayısında ve derece hücum açısı çn olan transonk akım şartlarındak basınç katsayısı dağılımı, Cp, hedef olarak alınacaktır. Çözüme NACA kanat profl le başlanarak hedeflenen profle (RAE8) ulaşılmaya çalışılacaktır. HAD teknğ olarak; ayrıntıları [4] de verlen, 6x3 büyüklüğünde O- grd kullanan ve transonk akış şartları çn de çözüm yapablen, br tam potansyel akım çözücüsü kullanılacaktır. Başlangıç popülasyonu, NACA nn kalınlık oranı %±3 oranında düzgün br şeklde değştrlerek oluşturulacaktır. Çaprazlama oranı, P c = olup mutasyon oranı, P m, ttreşml mutasyon uygulamasının peryoduna (IP) bağlıdır. Seçm şlem çn Stokastk Tümel Örnekleme (Stochastc Unversal Samplng, SUS) [5] yöntem kullanılacaktır. Uygulama aşağıdak stratejler le yapılacaktır: ST-III ST-IV ST-II ST-I En İy Uygunluk HAD Hesabı Sayısı Şekl 4. Kullanılan stratejlere at uygulama sonuçları. 5
6 . Stratej I (ST-I): Çaprazlama teknğ BLX-α [6] ve α=.7, P m =.5. Mutasyon çn rasgele seçlen br kromozomun rasgele seçlen br gen aşağıdak şleme tab tutulacaktır.. y k k (. u) = y + w 5 Burada w=.4 alınmıştır; u [,] aralığında rassal br reel sayıdır. Stratej II (ST-II): Çaprazlama teknğ BLX-α ve α=.7, lave olarak DS le brlkte TGA kullanılacaktır. uygulaması le %98 azaltılmıştır. Dğer taraftan ST-II le karşılaştırıldığında ST-III uygulamasının HAD hesabı sayısını %9 azalttığı görülmektdr. Bu sonuç, uygulanan YGGA teknğnn etksn çok belrgn br şeklde ortaya koymaktadır. YGGA, yaklaşık olarak HAD hesabından sonra stenlen sonucu vermştr. Bu sayı, GA le yapılan tersten kanat profl dzaynı çalışması çn oldukça küçüktür. Benzer çalışmalar olan [7] dek ; [] dek 5; [6] dak ( farklı denemenn en ys olarak) 6 ve [] dek 5 rakamları le karşılaştırılısa bu durum çok açık br şeklde görülecektr. Dğer br öneml noktada, GA esaslı br teknk olma özellğn sürdürmes nedenyle YGGA yöntemnn, hala gürbüz ve genş br uygulama sahasına sahp olacak olmasıdır.. Stratej III (ST-III): ST-II le brlkte YGGA kullanılacaktır..8 v. Stratej IV (ST-IV): ST-III de DS ve TGA uygulaması yapılmayacaktır. ST-I dek mutasyon formülü uygulanacaktır. Ttreşml mutasyon çn IP=4; denklem () de w= ve denklem () de r=4 alınacaktır. Popülasyon büyüklüğü, n, ST-I kullanılırken 3, dğer stratejler çn 4 olarak kullanılacaktır. 8. SONUÇLAR Bu çalışmada tersten kanat profl dzaynına uygulanan YGGA le, genetk süreçtek HAD hesabı sayısı öneml ölçüde azaltılmıştır. YSA, bundan öncek [] ve [5] gb çalışmalarda olduğu gb yaklaşık HAD hesabı çn kullanılmamış; bunun yerne, doğrudan hedef kanat profln tahmn etmek çn kullanılmıştır. Yapılan bu yen yaklaşımla,. bölümde açıklandığı gb, YSA le GA arasında poztf br etkleşm sağlanarak genetk süreç oldukça hızlandırılmıştır. RAE8 profl çn transonk akım şartlarında yapılan tersten dzayn çalışmasında değşk stratejlern performansını gösteren grafk Şekl 4 de verlmştr. Buradak sonuçların herbr, farklı denemenn ortalamasıdır. Grafkde yatay eksen yapılan HAD hesabı sayısını, düşey eksen se en y uygunluk değern göstermektedr. Popülasyon büyüklüğü n olmak üzere, genetk sürecn herbr adımda n- adet HAD hesabı yapıldığına dkkat edlmeldr. Şekl 4 dek sonuçlara bakıldığında, ST-III le elde edlen sonucun, dğerlerne göre dk br çzg olduğu görülmektedr. Bu durum, YSA ve GA arasındak poztf etkleşmn sonucudur. Genetk süreçte uygunluk değernn 7 olması çn ST-I le 3; ST-II le 8; ST-III le se yalnızca 95 HAD hesabı gerekmştr. Elde edlen bu sonuçlara göre, ST-I le karşılaştırıldığında HAD hesabı sayısı, ST-II uygulaması le %78; ST-III 6.4 Cp y/c Şekl 5. Hesaplanan ve hedeflenen profller Hesaplanan Hedeflenen x/c Hesaplanan Hedeflenen x/c Şekl 6. Hesaplanan ve hedeflenen Cp dağılımları. TGA ve DS uygulamasının yapılmadığı durumda (ST- IV), ST-III dek HAD hesabı sayısı 98 den 4 ye yükselmştr. Bu, TGA ve DS kullanılmadığında YGGA dak HAD hesabı sayısının % den daha fazla arttığını göstermektedr. Bu nedenle bu çalışma aynı zamanda, [] de de gösterlmş olduğu gb, TGA ve DS teknklernn GA le yapılan aerodnamk dzayn çalışmalarındak başarısını brkez daha ortaya koymaktadır. Tersten dzayn çalışması sonucunda elde edlen kanat profl ve basınç katsayısı dağılımı, hedef kanat profl ve basınç katsayısı dağılımı le karşılaştırılmalı olarak Şekl 5 ve 6 da gösterlmştr. Şekllerden de
7 görüldüğü gb elde edlen sonuçlarla hedeflenenler arasında oldukça y br uyum vardır. YGGA yöntemnn, gradyan esaslı yöntemlerle şlem sayısı bakımından kıyaslanablrlğ devam eden br çalışma olup br başka makalenn konusunu oluşturacaktır. 9. TEŞEKKÜR Yapay snr ağları konusundak blgsnden stfade ettğm Hv.Müh.Yzb. Murat ERMİŞ e, bu çalışmaya yapmış olduğu katkıdan dolayı teşekkürlerm sunarım.. KAYNAKLAR [] Vcn, A. ve Quaglarella, D., Arfol and Wng Desgn Through Hybrd Optmzaton Strateges, AIAA ournal, Vol. 37, No. 5, 999. [] Holst, T. L. ve Pullam, T. H., Aerodynamc Shape Optmzaton Usng a Real-Encoded Genetc Algorthm, AIAA -473,. [3] Obayash, S. ve Tsukahara, T., Comparson of Optmzaton Algorthms for Aerodynamc Shape Desgn, AIAA ournal, Vol. 35, 997. [4] Qualarella, D. ve Vcn, A., GAs for Aerodynamc Shape Desgn I: General Issues, Shape Parameterzaton Problems and Hybrdzaton Technques, GAs for Optmzaton n Aeronautcs and Turbomachnery, von Karman Insttute for Flud Dynamcs, Lecture Seres - 7. [5] Gannakoglou, K. C., Acceleraton GAs Usng ANN- Theoretcal Background, GAs for Optmzaton n Aeronautcs and Turbomachnery, von Karman Insttute for Flud Dynamcs, Lecture Seres -7. [6] De Falco, I., Coppa, A. D., Balo, R. D. ve Tarantno, E., Breeder Genetc Algorthms for Arfol Desgn Optmsaton, Proceedngs of IEEE Internatonal Conference On Evolutonary Computng, Nagoya, apan, 996, pp [7] De Falco, I., Coppa, A. D., Lazzetta, A. ve Tarantno E., M jn Mutaton Operator for Arfol Desgn Optmsaton, Soft Computng n Engneerng Desgn and Manufacturng, Sprnger Verlag, 998, pp.-. [8] Hacıoğlu, A. ve Özkol, İ., Transonc Arfol Desgn And Optmsaton By Usng Vbratonal Genetc Algorthm, Arcraft Engneerng and Aerospace Technology, Vol. 75, No 4, 3. [9] ones, B. R., Crossly, W. A. ve Lyrntzs, A. S., Aerodynamc and Aeroacoustc Optmzaton of Arfols va a Parallel Genetc Algorthm, ournal of Arcraft, Vol. 37, No. 6,. [] Doorly, D.. ve Pero, L., Supervsed Parallel Genetc Algorthms n Aerodynamc Optmsaton, AIAA 97-85, 997. [] Tse, D.C.M. ve Chan, L.Y.Y., Applcaton of Mcro Genetc Algorthms and Neural Networks for Arfol Desgn Optmzaton, RTO MP-35 Aerodynamc Desgn and Optmsaton of Flght Vehcles n a Concurrent Mult-Dscplnary Envronment, 999. [] Hacıoğlu, A., Aerodnamk Dzayn ve Optmzasyonda Genetk Algortma Kullanımı, Uçak Mühendslğ Programı Doktora Tez, İ.T.Ü. Fen Blmler Ensttüsü, İstanbul, 3. [3] Rumelhart, D. E., Hnton, G. E., ve Wllams, R.., Learnng Representatons By Back Propagatng Errors, Nature, 33, 986, pp [4] Hacıoğlu, A., Interactve Soluton Procedure for Full Potental and Boundary Layer Equatons, Havacılık Mühendslğ Yüksek Lsans Tez, ODTÜ Fen Blmler Ensttüsü, 997. [5] Baker,. E., Reducng Bas and Ineffcency n the Selecton Algorthm, Proceedngs of the Second Internatonal Conference on Genetc Algorthms, Morgan Kaufmann Publshers, 987, pp.4-. [6] Eshelman, L.. ve Schaffer,. D., Real Coded Genetc Algorthms and Interval Schemata, Foundatons of Genetc Algorthms, Morgan Kaufmann Publshers, 993, pp.87-. ÖZGEÇMİŞ: Dr.Hv.Müh.Yzb. Abdurrahman Hacıoğlu İTÜ Uçak ve Uzay Blmler Fakültes Uçak Mühendslğ bölümünden 99 yılında mezun oldu yılları arasında Kayser.HİBM K.lığında görev yaptı yılları arasında ODTÜ Havacılık Mühendslğnde yüksek lsans eğtmn; yılları arasında İTÜ Uçak Mühendslğ bölümündek doktora eğtmn tamamladı. Akışkanlar Mekanğ, Hesaplamalı Akışkanlar Dnamğ, Genetk Algortmalar ve Aerodnamk Optmzasyon konuları le lglenmektedr. Halen Yüzbaşı rütbesnde olup Hava Harp Okulu Dekanlığı, Havacılık Mühendslğ bölümünde öğretm üyes olarak görev yapmaktadır. 7
Titresimli Genetik Algoritma ile Hizlandirilmis Kanat Profili Optimizasyonu
HAVACILIK VE UZAY TEKNOLOJILERI DERGISI OCAK 2003 CILT 1 SAYI 1 (1-10) Ttresml Genetk Algortma le Hzlandrlms Kanat Profl Optmzasyonu Abdurrahman HACIOGLU HHO Dekanlg Havaclk Mühendslg Bölümü, 34806, Yeslyurt,
DetaylıKanat profili dizaynında genetik algoritma kullanımı
itüdergisi/d mühendislik Cilt:2, Sayı:6, 73-81 Aralık 23 Kanat profili dizaynında genetik algoritma kullanımı Abdurrahman HACIOĞLU *, İbrahim ÖZKOL İTÜ Uçak ve Uzay Bilimleri Fakültesi, Uçak Mühendisliği
DetaylıARAŞTIRMA MAKALESİ/RESEARCH ARTICLE TEK ÇARPIMSAL SİNİR HÜCRELİ YAPAY SİNİR AĞI MODELİNİN EĞİTİMİ İÇİN ABC VE BP YÖNTEMLERİNİN KARŞILAŞTIRILMASI ÖZ
ANADOLU ÜNİVERSİTESİ Blm ve Teknoloj Dergs A-Uygulamalı Blmler ve Mühendslk Clt: 14 Sayı: 3 013 Sayfa: 315-38 ARAŞTIRMA MAKALESİ/RESEARCH ARTICLE Faruk ALPASLAN 1, Erol EĞRİOĞLU 1, Çağdaş Hakan ALADAĞ,
DetaylıPamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences
Pamukkale Ünverstes Mühendslk Blmler Dergs, Clt 0, Sayı 3, 04, Sayfalar 85-9 Pamukkale Ünverstes Mühendslk Blmler Dergs Pamukkale Unversty Journal of Engneerng Scences PREFABRİK ENDÜSTRİ YAPIARININ ARMONİ
Detaylı5.3. Tekne Yüzeylerinin Matematiksel Temsili
5.3. Tekne Yüzeylernn atematksel Temsl atematksel yüzey temslnde lk öneml çalışmalar Coons (53) tarafından gerçekleştrlmştr. Ferguson yüzeylernn gelştrlmş hal olan Coons yüzeylernde tüm sınır eğrler çn
DetaylıKAFES SİSTEMLERİN UYGULAMAYA YÖNELİK OPTİMUM TASARIMI
PAMUKKALE ÜNİ VERSİ TESİ MÜHENDİ SLİ K FAKÜLTESİ PAMUKKALE UNIVERSITY ENGINEERING COLLEGE MÜHENDİ SLİ K BİLİMLERİ DERGİ S İ JOURNAL OF ENGINEERING SCIENCES YIL CİLT SAYI SAYFA : 1999 : 5 : 1 : 951-957
DetaylıDeney No: 2. Sıvı Seviye Kontrol Deneyi. SAKARYA ÜNİVERSİTESİ Dijital Kontrol Laboratuvar Deney Föyü Deneyin Amacı
SRY ÜNİVERSİESİ Djtal ontrol Laboratuvar Deney Föyü Deney No: 2 Sıvı Sevye ontrol Deney 2.. Deneyn macı Bu deneyn amacı, doğrusal olmayan sıvı sevye sstemnn belrlenen br çalışma noktası cvarında doğrusallaştırılmış
Detaylıa IIR süzgeç katsayıları ve N ( M) de = s 1 (3) 3. GÜRÜLTÜ GİDERİMİ UYGULAMASI
Fırat Ünverstes-Elazığ MİTRAL KAPAK İŞARETİ ÜZERİNDEKİ ANATOMİK VE ELEKTRONİK GÜRÜLTÜLERİN ABC ALGORİTMASI İLE TASARLANAN IIR SÜZGEÇLERLE SÜZÜLMESİ N. Karaboğa 1, E. Uzunhsarcıklı, F.Latfoğlu 3, T. Koza
DetaylıÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI
ÇELİK UZAYSAL ÇERÇEVE YAPILARIN OPTİMUM TASARIMI M. Sedat HAYALİOĞLU *, S. Özgür DEĞERTEKİN * * Dcle Ünverstes, Müh.-Mm. Fak., İnşaat Müh. Böl., Dyarbakır ÖZET Bu çalışmada çelk uzay çerçevelern, Amerkan
DetaylıÇOKLU REGRESYON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESYON ÇÖZÜMLEMESİ,REGRES-YON KATSAYILARININ YORUMU
6.07.0 ÇOKLU REGRESON MODELİ, ANOVA TABLOSU, MATRİSLERLE REGRESON ÇÖZÜMLEMESİ,REGRES-ON KATSAILARININ ORUMU ÇOKLU REGRESON MODELİ Ekonom ve şletmeclk alanlarında herhang br bağımlı değşken tek br bağımsız
DetaylıX, R, p, np, c, u ve diğer kontrol diyagramları istatistiksel kalite kontrol diyagramlarının
1 DİĞER ÖZEL İSTATİSTİKSEL KALİTE KONTROL DİYAGRAMLARI X, R, p, np, c, u ve dğer kontrol dyagramları statstksel kalte kontrol dyagramlarının temel teknkler olup en çok kullanılanlarıdır. Bu teknkler ell
DetaylıBÖLÜM 9 İKİ BOYUTLU PANEL YÖNTEMLERİ
BÖLÜM 9 İKİ BOYUTLU PAEL YÖTEMLERİ 9.. Grş 9.2. Kompleks dülemde poansyel akım problemnn negral formülasyonu 9.3. Doğrusal paneller boyunca sab ekllk dağılımı hal 9.4. Kaynak dağılımını esas alan panel
DetaylıBulanık Mantık ile Hesaplanan Geoid Yüksekliğine Nokta Yüksekliklerinin Etkisi
Harta Teknolojler Elektronk Dergs Clt: 5, No: 1, 2013 (61-67) Electronc Journal of Map Technologes Vol: 5, No: 1, 2013 (61-67) TEKNOLOJİK ARAŞTIRMALAR www.teknolojkarastrmalar.com e-issn: 1309-3983 Makale
DetaylıŞiddet-Süre-Frekans Bağıntısının Genetik Algoritma ile Belirlenmesi: GAP Örneği *
İMO Teknk Derg, 28 4393-447, Yazı 29 Şddet-Süre-Frekans Bağıntısının Genetk Algortma le Belrlenmes: GAP Örneğ * Hall KARAHAN* M. Tamer AYVAZ** Gürhan GÜRARSLAN*** ÖZ Bu çalışmada, Genetk Algortma (GA)
DetaylıUYUM ĐYĐLĐĞĐ TESTĐ. 2 -n olup. nin dağılımı χ dir ve sd = (k-1-p) dir. Burada k = sınıf sayısı, p = tahmin edilen parametre sayısıdır.
UYUM ĐYĐLĐĞĐ TESTĐ Posson: H o: Ver Posson dağılıma sahp br ktleden gelmektedr. H a : Ver Posson dağılıma sahp br ktleden gelmemektedr. Böyle br hpotez test edeblmek çn, önce Posson dağılım parametres
DetaylıCilt:11 Sayı: 4 s , 2008 Vol: 11 No: 4 pp , M. Yasin ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET
Polteknk Dergs Journal of Polytechnc Clt: Sayı: 4 s.99-305, 008 Vol: No: 4 pp.99-305, 008 Optmzasyon Problemlernn Çözümü çn Parçaçık Sürü Optmzasyonu Algortması M. Yasn ÖZSAĞLAM, Mehmet ÇUNKAŞ ÖZET Optmzasyon
DetaylıPROJE SEÇİMİ VE KAYNAK PLANLAMASI İÇİN BİR ALGORİTMA AN ALGORITHM FOR PROJECT SELECTION AND RESOURCE PLANNING
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt 3, Sayı:2, 2001 PROJE SEÇİMİ VE KAYAK PLALAMASI İÇİ BİR ALGORİTMA lgün MORALI 1 C. Cengz ÇELİKOĞLU 2 ÖZ Kaynak tahss problemler koşullara bağlı olarak
DetaylıSistemde kullanılan baralar, klasik anlamda üç ana grupta toplanabilir :
5 9. BÖLÜM YÜK AKIŞI (GÜÇ AKIŞI) 9.. Grş İletm sstemlernn analzlernde, bara sayısı arttıkça artan karmaşıklıkları yenmek çn sstemn matematksel modellenmesnde kolaylık getrc bazı yöntemler gelştrlmştr.
DetaylıEVRİMSEL ALGORİTMA İLE SINIRLANDIRMALI DİNAMİK OPTİMİZASYON
EVRİMEL ALGORİTMA İLE INIRLANDIRMALI DİNAMİK OPTİMİZAYON Ş. BALKU, R. BERBER Ankara Ünvetes Mühendslk Fakültes, Kmya Mühendslğ Bölümü Tandoğan, 06100 Ankara ÖZET Aktf çamur proses atıksu arıtımında kullanılan
DetaylıGenetik Algoritma ile İki Boyutlu Şekil Yerleştirme ÖZET
Genetk Algortma le İk Boyutlu Şekl Yerleştrme Metn Özşahn 1 ve Mustafa Oral 2 1) Çukurova Ünverstes Fen Blmler Ensttüsü Endüstr Mühendslğ Bölümü, Adana, Turkey 2 Çukurova Ünverstes Blgsayar Mühendslğ Bölümü,
DetaylıPARÇALI DOĞRUSAL REGRESYON
HAFTA 4 PARÇALI DOĞRUSAL REGRESYO Gölge değşkenn br başka kullanımını açıklamak çn varsayımsal br şrketn satış temslclerne nasıl ödeme yaptığı ele alınsın. Satış prmleryle satış hacm Arasındak varsayımsal
DetaylıHAFTA 13. kadın profesörlerin ortalama maaşı E( Y D 1) erkek profesörlerin ortalama maaşı. Kestirim denklemi D : t :
HAFTA 13 GÖLGE EĞİŞKENLERLE REGRESYON (UMMY VARIABLES) Gölge veya kukla (dummy) değşkenler denen ntel değşkenler, cnsyet, dn, ten reng gb hemen sayısallaştırılamayan ama açıklanan değşkenn davranışını
DetaylıDETERMINATION OF THE ECONOMIC DISPATCH IN ELECTRIC POWER SYSTEMS USING SIMULATED ANNEALING(SA) ALGORITHM
5 Uluslararası İler Teknolojler Sempozyumu (IATS 09), 3-5 Mayıs 2009, Karabük, Türkye ELEKTRİK GÜÇ SİSTEMİNDE OPTİMAL YAKIT MALİYETİNİN BENZETİM TAVLAMA (BT) ALGORİTMASI İLE BELİRLENMESİ DETERMINATION
DetaylıBULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA
Gaz Ünv. Müh. Mm. Fak. Der. J. Fac. Eng. Arch. Gaz Unv. Clt 22, No 4, 855-862, 2007 Vol 22, No 4, 855-862, 2007 BULANIK AKIŞ TİPİ ÇİZELGELEME PROBLEMİ İÇİN ÇOK AMAÇLI GENETİK ALGORİTMA İzzettn TEMİZ ve
DetaylıRasgele Değişken Üretme Teknikleri
Rasgele Değşken Üretme Teknkler Amaç Smülasyon modelnn grdlern oluşturacak örneklern üretlmes Yaygın olarak kullanılan ayrık veya sürekl dağılımların örneklenmes sürecn anlamak Yaygın olarak kullanılan
DetaylıÖZET Anahtar Kelimeler: ABSTARCT Keywords: 1. GİRİŞ
olteknk Dergs Journal of olytechnc Clt: Sayı: 3 s67-7, 009 Vol: o: 3 pp67-7, 009 Genetk Algortma Kullanarak Ekonomk Dağıtım Analz: Türkye Uygulaması M Kenan DÖŞOĞU, Serhat DUMA, Al ÖZTÜRK ÖZET Dünyada
DetaylıSıklık Tabloları ve Tek Değişkenli Grafikler
Sıklık Tabloları ve Tek Değşkenl Grafkler Sıklık Tablosu Ver dzsnde yer alan değerlern tekrarlama sayılarını çeren tabloya sıklık tablosu denr. Sıklık Tabloları tek değşken çn marjnal tablo olarak adlandırılır.
DetaylıQKUIAN. SAĞLIK BAKANLIĞI_ KAMU HASTANELERİ KURUMU Trabzon Ili Kamu Hastaneleri Birliği Genel Sekreterliği Kanuni Eğitim ve Araştırma Hastanesi
V tsttşfaktör T.C. SAĞLIK BAKANLIĞI KAMU HASTANELERİ KURUMU Trabzon Il Kamu Hastaneler Brlğ Genel Sekreterlğ Kanun Eğtm ve Araştırma Hastanes Sayı ı 23618724/?ı C.. Y** 08/10/2015 Konu : Yaklaşık Malyet
DetaylıBAŞKENT ÜNİVERSİTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAK MAKİNE MÜHENDİSLİĞİ LABORATUVARI DENEY - 8
BAŞKENT ÜNİVERSİTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ MAK - 402 MAKİNE MÜHENDİSLİĞİ LABORATUVARI DENEY - 8 FARKLI YÜZEY ÖZELLİKLERİNE SAHİP PLAKALARIN ISIL IŞINIM YAYMA ORANLARININ HESAPLANMASI BAŞKENT ÜNİVERSİTESİ
DetaylıDÜZENLİ DİZAYNLI GENETİK ALGORİTMALAR İLE ÇOK AMAÇLI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC ALGORITHMS
5. Uluslararası İler Teknolojler Sempozyumu (İATS 9), 3-5 Mayıs 9, Karabük, Türkye DÜZENLİ DİZAYNLI GENETİK ALGORİTMALAR İLE ÇOK AMAÇLI PROGRAMLAMA MULTIOBJECTIVE PROGRAMMING VIA UNIFORM DESIGNED GENETIC
DetaylıBÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER İki Boyutlu Rasgele Değişkenler
BÖLÜM 5 İKİ VEYA DAHA YÜKSEK BOYUTLU RASGELE DEĞİŞKENLER 5.. İk Boyutlu Rasgele Değşkenler Br deney yapıldığında, aynı deneyle lgl brçok rasgele değşkenn aynı andak durumunu düşünmek gerekeblr. Böyle durumlarda
DetaylıKaraciğer mikrodizi kanser verisinin sınıflandırılması için genetik algoritma kullanarak ANFIS in eğitilmesi
Karacğer mkrodz kanser versnn sınıflandırılması çn genetk algortma kullanarak ANFIS n eğtlmes Bülent Haznedar 1*, Mustafa Turan Arslan 2, Adem Kalınlı 3 ÖZ 21.06.2016 Gelş/Receved, 30.11.2016 Kabul/Accepted
DetaylıEMG İşaretlerinin K-Ortalama Algoritması Kullanılarak Öbekleştirilmesi. EMG Signal Analysis Using K-Means Clustering
KSÜ Mühendslk Blmler Dergs, (), 9 5 KSU Journal of Engneerng Scences, (), 9 EMG İşaretlernn K-Ortalama Algortması Kullanılarak Öbekleştrlmes Mücahd Günay, Ahmet ALKA, KSÜ Mühendslk-Mmarlık Fakültes Elektrk-Elektronk
DetaylıAli Öztürk Accepted: January 2010. ISSN : 1308-7231 serhatduman@duzce.edu.tr 2010 www.newwsa.com Duzce-Turkey
ISS:1306-3111 e-journal of ew World Scences Academy 2010, Volume: 5, umber: 1, Artcle umber: 1A0066 Serhat Duman EGIEERIG SCIECES M. Kenan Döşoğlu Receved: March 2009 Al Öztürk Accepted: January 2010 Pakze
DetaylıCOMPUTER-AIDED DESIGN OF HORIZONTAL AXIS WIND TURBINE BLADE
1 ÖZET 2008 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı: 22, s.1-11 YATAY EKSENLĐ RÜZGÂR TÜRBÜN KANADININ BĐLGĐSAYAR DESTEKLĐ TASARIMI Murat ÖNDER 1 Hüseyn Güçlü YAVUZCAN 2 Bu makalede yatay
DetaylıTuğla Duvardaki ve Tesisattaki Isı Kaybının Yapay Sinir Ağları İle Belirlenmesi
Fırat Ünv. Fen ve Müh. Bl. Der. Scence and Eng. J of Fırat Unv. 18 (1), 133-141, 2006 18 (1), 133-141, 2006 Tuğla Duvardak ve Tessattak Isı Kaybının Yapay Snr Ağları İle Belrlenmes Ömer KELEŞOĞLU ve Adem
DetaylıELM201 ELEKTRONİK-I DERSİ LABORATUAR FÖYÜ
T SAKAYA ÜNİESİTESİ TEKNOLOJİ FAKÜLTESİ ELEKTİK-ELEKTONİK MÜHENDİSLİĞİ ELM201 ELEKTONİK- DESİ LAOATUA FÖYÜ DENEYİ YAPTAN: DENEYİN AD: DENEY NO: DENEYİ YAPANN AD ve SOYAD: SNF: OKUL NO: DENEY GUP NO: DENEY
DetaylıÇarpımsal Ceza Modeli İle Tamsayılı Programlama
Dokuz Eylül Ünverstes Sosyal Blmler Ensttüsü Dergs Clt: 10, Sayı:3, 2008 Çarpımsal Ceza Model İle Tamsayılı Programlama Sabr Erdem Özet Doğrusal olmayan optmzasyon problemlernn çözüm yöntemlernden brs,
Detaylı4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ
Ünsal M.; Varol, A.: Soğutma Kulelernn Boyutlandırılması İçn Br Kuramsal 8 Mayıs 990, S: 8-85, Adana 4.5. SOĞUTMA KULELERİNİN BOYUTLANDIRILMASI İÇİN BİR ANALIZ Asaf Varol Fırat Ünverstes, Teknk Eğtm Fakültes,
DetaylıErcan Kahya. Hidrolik. B.M. Sümer, İ.Ünsal, M. Bayazıt, Birsen Yayınevi, 2007, İstanbul
Ercan Kahya 1 Hdrolk. B.M. Sümer, İ.Ünsal, M. Bayazıt, Brsen Yayınev, 007, İstanbul se se da Brm kanal küçük gen kestl br kanalda, 1.14. KANAL EGIMI TANIMLARI Brm kanal genşlğnden geçen deb q se, bu q
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt: 16 Sayı: 48 sh. 61-75 Eylül 2014 KRİL SÜRÜSÜ ALGORİTMASI İLE ATÖLYE ÇİZELGELEME (JOB SHOP SCHEDULING WITH KRILL HERD ALGORITHM) İlker GÖLCÜK
DetaylıKAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU
XVIII ULUSAL MEKANİK KONGRESİ 26-30 Ağustos 2013, Celal Bayar Ünverstes, Mansa KAFES YAPILARIN MODİFİYE EDİLMİŞ YAPAY ARI KOLONİ ALGORİTMASI İLE OPTİMİZASYONU S Özgür Değertekn 1, Mehmet Ülker 2, M Sedat
DetaylıMIT Açık Ders Malzemeleri Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında bilgi almak için
MIT Açık Ders Malzemeler http://ocm.mt.edu Bu materyallerden alıntı yapmak veya Kullanım Koşulları hakkında blg almak çn http://ocm.mt.edu/terms veya http://tuba.açık ders.org.tr adresn zyaret ednz. 18.102
DetaylıSoğutucu Akışkan Karışımlarının Kullanıldığı Soğutma Sistemlerinin Termoekonomik Optimizasyonu
Soğutucu Akışkan arışımlarının ullanıldığı Soğutma Sstemlernn ermoekonomk Optmzasyonu * 1 Hüseyn aya, 2 ehmet Özkaymak ve 3 rol Arcaklıoğlu 1 Bartın Ünverstes akne ühendslğ Bölümü, Bartın, ürkye 2 arabük
DetaylıKONUT TİPİ RÜZGAR TÜRBİNİ KANATLARININ TEORİK MODELLENMESİ VE GÜÇ ÜRETİMİNİ ETKİLEYEN BELİRLİ AERODİNAMİK ÖZELLİKLERİN KARŞILAŞTIRILMASI
4. İzmr Rüzgâr Sempozyumu // 8-30 Eylül 017 // İzmr 1 KONUT TİPİ RÜZGAR TÜRBİNİ KANATLARININ TEORİK MODELLENMESİ VE GÜÇ ÜRETİMİNİ ETKİLEYEN BELİRLİ AERODİNAMİK ÖZELLİKLERİN KARŞILAŞTIRILMASI F.Mertkan
DetaylıDenklem Çözümünde Açık Yöntemler
Denklem Çözümünde Bu yöntem, n yalnızca başlangıç değer kullanılan ya da kökü kapsayan br aralık kullanılması gerekmez. Açık yöntemler hızlı sonuç vermesne karşın, başlangıç değer uygun seçlmedğnde ıraksayablr.
DetaylıKalıcı Durum Evrimsel Algoritmalarda Yerine Koyma Tekniklerinin Deneysel İncelenmesi
Kalıcı Durum Evrmsel Algortmalarda Yerne Koyma Teknklernn Deneysel İncelenmes Alper Çftç Şma Etaner-Uyar 2 Blgsayar Mühendslğ Bölümü, İstanbul Teknk Ünverstes, İstanbul cftcal@tu.edu.tr, etaner@cs.tu.edu.tr
DetaylıENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN SINANMASI
V. Ulusal Üretm Araştırmaları Sempozyumu, İstanbul Tcaret Ünverstes, 5-7 Kasım 5 ENDÜSTRİNİN DEĞİŞİK İŞ KOLLARINDA İHTİYAÇ DUYULAN ELEMANLARIN YÜKSEK TEKNİK EĞİTİM MEZUNLARINDAN SAĞLANMASINDAKİ BEKLENTİLERİN
DetaylıBilgisayarla Görüye Giriş
Blgsayarla Görüye Grş Ders 8 Görüntü Eşleme Alp Ertürk alp.erturk@kocael.edu.tr Panorama Oluşturma Görüntüler eşlememz / çakıştırmamız gerekmektedr Panorama Oluşturma İk görüntüden özntelkler çıkar Panorama
Detaylıdir. Bir başka deyişle bir olayın olasılığı, uygun sonuçların sayısının örnek uzaydaki tüm sonuçların sayısına oranıdır.
BÖLÜM 3 OLASILIK HESABI 3.. Br Olayın Olasılığı Tanım 3... Br olayın brbrnden ayrık ve ortaya çıkma şansı eşt n mümkün sonucundan m tanes br A olayına uygun se, A olayının P(A) le gösterlen olasılığı P(A)
DetaylıCalculating the Index of Refraction of Air
Ankara Unversty Faculty o Engneerng Optcs Lab IV Sprng 2009 Calculatng the Index o Reracton o Ar Lab Group: 1 Teoman Soygül Snan Tarakçı Seval Cbcel Muhammed Karakaya March 3, 2009 Havanın Kırılma Đndsnn
DetaylıYÖNETİM VE EKONOMİ Yıl:2006 Cilt:13 Sayı:1 Celal Bayar Üniversitesi İ.İ.B.F. MANİSA
YÖNETİM VE EKONOMİ Yıl:2006 Clt:3 Sayı: Celal Bayar Ünverstes İ.İ.B.F. MANİSA Bulanık Araç Rotalama Problemlerne Br Model Öners ve Br Uygulama Doç. Dr. İbrahm GÜNGÖR Süleyman Demrel Ünverstes, İ.İ.B.F.,
DetaylıDoğrusal Korelasyon ve Regresyon
Doğrusal Korelasyon ve Regresyon En az k değşken arasındak lşknn ncelenmesne korelasyon denr. Kşlern boyları le ağırlıkları, gelr le gder, öğrenclern çalıştıkları süre le aldıkları not, tarlaya atılan
DetaylıB R AFET YARDIM MERKEZ N N SEZG SEL ALGOR TMALAR YARDIMIYLA KONUMLANDIRILMASI
B R AFET YARDIM MERKEZ N N SEZG SEL ALGOR TMALAR YARDIMIYLA KONUMLANDIRILMASI Numan ÇELEB stanbul Ünverstes ÖZET Dünyada her y l deprem, sel ve tusunam gb çok say da afet meydana gelmektedr. Son y llarda
Detaylıbir yol oluşturmaktadır. Yine i 2 , de bir yol oluşturmaktadır. Şekil.DT.1. Temel terimlerin incelenmesi için örnek devre
Devre Analz Teknkler DEE AAĐZ TEKĐKEĐ Bu zamana kadar kullandığımız Krchoffun kanunları ve Ohm kanunu devre problemlern çözmek çn gerekl ve yeterl olan eştlkler sağladılar. Fakat bu kanunları kullanarak
DetaylıKafes Yapıların Öğretme-Öğrenme Esaslı Optimizasyon Yöntemiyle Boyutlandırılması
Kafes Yapıların Öğretme-Öğrenme Esaslı Optmzasyon Yöntemyle Boyutlandırılması S. Özgür Değertekn, M. Sedat Hayaloğlu Dcle Ünverstes, İnşaat Mühendslğ Bölümü, 21280, Dyarbakır Tel: (412) 241 10 00 E-Posta:
DetaylıBasel II Geçiş Süreci Sıkça Sorulan Sorular
Basel II Geçş Sürec Sıkça Sorulan Sorular Soru No: 71 Cevaplanma Tarh: 06.03.2012 İlgl Hüküm: --- Konu: Gayrmenkul İpoteğyle Temnatlandırılmış Alacaklar İçn KR510AS Formunun Doldurulmasına İlşkn Örnek
Detaylı1. KEYNESÇİ PARA TALEBİ TEORİSİ
DERS NOTU 07 KEYNESÇİ PARA TALEBİ TEORİSİ, LM EĞRİSİ VE PARA TALEBİ FAİZ ESNEKLİĞİ Bugünk dersn çerğ: 1. KEYNESÇİ PARA TALEBİ TEORİSİ... 1 1.1 İŞLEMLER (MUAMELELER) TALEBİ... 2 1.2 ÖNLEM (İHTİYAT) TALEBİ...
DetaylıKorelasyon ve Regresyon
Korelasyon ve Regresyon 1 Korelasyon Analz İk değşken arasında lşk olup olmadığını belrlemek çn yapılan analze korelasyon analz denr. Korelasyon; doğrusal yada doğrusal olmayan dye kye ayrılır. Korelasyon
DetaylıTRANSPORT PROBLEMI için GELIsTIRILMIs VAM YÖNTEMI
Yönetm, Yl 9, Say 28, Ekm - 1997,5.20-25 TRANSPORT PROBLEMI ÇIN GELIsTIRILMIs VAM YÖNTEMI Dr. Erhan ÖZDEMIR I.Ü. Teknk Blmler M.Y.O. L.GIRIs V AM transport problemlerne en düsük malyetl baslangç çözüm
DetaylıROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI
ROTASYON ORMAN ALGORİTMASI İLE YÜKSEK ÇÖZÜNÜRLÜKLÜ MULTİSPEKTRAL UYDU GÖRÜNTÜLERİNİN SINIFLANDIRILMASI İsmal ÇÖLKESEN 1, Tahsn YOMRALIOĞLU 2, Taşkın KAVZOĞLU 3 1 Araş. Gör., Gebze Yüksek Teknoloj Ensttüsü,
DetaylıDOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME. Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cinemre
1 DOĞRUSAL HEDEF PROGRAMLAMA İLE BÜTÇELEME Hazırlayan: Ozan Kocadağlı Danışman: Prof. Dr. Nalan Cnemre 2 BİRİNCİ BÖLÜM HEDEF PROGRAMLAMA 1.1 Grş Karar problemler amaç sayısına göre tek amaçlı ve çok amaçlı
DetaylıTAVLAMA BENZEŞİMİ YÖNTEMİYLE UZAY ÇELİK ÇERÇEVE SİSTEMLERİN OPTİMUM TASARIMI
XV. Ulusal Mekank Kongres,03-07 Eylül 2007,ISPARTA TAVLAMA BENZEŞİMİ YÖNTEMİYLE UZAY ÇELİK ÇERÇEVE SİSTEMLERİN OPTİMUM TASARIMI S. Özgür DEĞERTEKİN, M. Sedat HAYALİOĞLU Dcle Ünverstes, Mühendslk-Mmarlık
DetaylıYAYILI YÜK İLE YÜKLENMİŞ YAPI KİRİŞLERİNDE GÖÇME YÜKÜ HESABI. Perihan (Karakulak) EFE
BAÜ Fen Bl. Enst. Dergs (6).8. YAYII YÜK İE YÜKENİŞ YAPI KİRİŞERİNDE GÖÇE YÜKÜ HESABI Perhan (Karakulak) EFE Balıkesr Ünverstes ühendslk marlık Fakültes İnşaat üh. Bölümü Balıkesr, TÜRKİYE ÖZET Yapılar
DetaylıSürekli Olasılık Dağılım (Birikimli- Kümülatif)Fonksiyonu. Yrd. Doç. Dr. Tijen ÖVER ÖZÇELİK
Sürekl Olasılık Dağılım Brkml- KümülatFonksyonu Yrd. Doç. Dr. Tjen ÖVER ÖZÇELİK tover@sakarya.edu.tr Sürekl olasılık onksyonları X değşken - ;+ aralığında tanımlanmış br sürekl rassal değşken olsun. Aşağıdak
DetaylıKİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI
C.Ü. İktsad ve İdar Blmler Dergs, Clt 4, Sayı 1, 3 6 Kİ-KARE VE KOLMOGOROV SMİRNOV UYGUNLUK TESTLERİNİN SİMULASYON İLE ELDE EDİLEN VERİLER ÜZERİNDE KARŞILAŞTIRILMASI H. BİRCAN, Y. KARAGÖZ ve Y. KASAPOĞLU
DetaylıTürk Dilinin Biçimbilim Yapısından Yararlanarak Türkçe Metinlerin Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması
Türk Dlnn Bçmblm Yapısından Yararlanarak Türkçe Metnlern Farklı İmgelere Ayrılarak Kodlanması ve Sıkıştırılması Banu DİRİ, M.Yahya KARSLIGİL Yıldız Teknk Ünverstes Elektrk Elektronk Fakültes - Blgsayar
DetaylıEmrah 70 Ekim 2011. kat edilen mesafenin en. mizasyonu (PSO) sezgisel. (PSO), Genetik Algoritma (GA), Optimizasyon, Meta-Sezgisel
METAplam kat edlen mesafenn en mzasyonu (PSO) sezgsel k (PSO), Genetk Algortma (GA), Optmzasyon, Meta-Sezgsel 74 OPTIMIZATION OF MULTI- PROBLEM OF ISTANBUL HALK EKMEK A.S. (IHE) BY USING META-HEURISTIC
DetaylıBulanık Mantık ve Yapay Sinir Ağları ile bir 3-3 Stewart Platformu nun Pozisyon Kontrolü
Bulanık Mantık ve Yapay Snr Ağları le br 3-3 Stewart Platformu nun Pozsyon Kontrolü İbrahm Yıldız 1, V.Emre Ömürlü 2, Ş.Nac Engn 3 1 Makne Mühendslğ Bölümü Yıldız Teknk Ünverstes, Beşktaş yldz@yldz.edu.tr
DetaylıÖğretim planındaki AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9
Ders Kodu Teork Uygulama Lab. Ulusal Kred Öğretm planındak AKTS TASARIM STÜDYOSU IV 214058100001312 2 4 0 4 9 Ön Koşullar : Grafk İletşm I ve II, Tasarım Stüdyosu I, II, III derslern almış ve başarmış
DetaylıDeprem Tepkisinin Sayısal Metotlar ile Değerlendirilmesi (Newmark-Beta Metodu) Deprem Mühendisliğine Giriş Dersi Doç. Dr.
Deprem Tepksnn Sayısal Metotlar le Değerlendrlmes (Newmark-Beta Metodu) Sunum Anahat Grş Sayısal Metotlar Motvasyon Tahrk Fonksyonunun Parçalı Lneer Interpolasyonu (Pecewse Lnear Interpolaton of Exctaton
DetaylıKarasal, Hava ve Uzay Tabanlı Haberleşme Sistemleri Arasındaki Girişimin Minimizasyonu İçin Optimizasyon Yaklaşımı
Karasal, Hava ve Uzay Tabanlı Haberleşme stemler Arasındak rşmn nmzasyonu çn Optmzasyon Yaklaşımı Optmzaton Approach to the nmzaton of Interference Between Terrestral, Ar and pace Based Communcaton ystems
Detaylı---- >0.01. b0.05 >0.1 >0.1 >0.25 >0.25 70 Î 5 0.1 0.5 1 5 10 0.1
Bna Kabuğunda Isı Ger Kazanımı Heat Recovery n Buldng Envelopes Max Howard SHERMAN, lan S. WALKER, Çevren: Devrm GÜRSEL ---- 1 >.1 25 >.1 b.5 Tpk Ev Pe Sayısı 9 f=.5 >.1 >.1 >.25 8 2 \ >.25 7 Tp» Ev Pesayısı
DetaylıŞehiriçi Karayolu Ağlarının Sezgisel Harmoni Araştırması Optimizasyon Yöntemi ile Ayrık Tasarımı *
İMO Teknk Derg, 2013 6211-6231, Yazı 392 Şehrç Karayolu Ağlarının Sezgsel Harmon Araştırması Optmzasyon Yöntem le Ayrık Tasarımı * Hüseyn CEYLAN* Halm CEYLAN** ÖZ Bu çalışmada, şehrç ulaştırma ağlarının
DetaylıFARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU
Dumlupınar Ünverstes Fen Blmler Ensttüsü Dergs ISSN 1302 3055 FARKSAL GELİŞİM ALGORİTMASI İLE KARMA YEM MALİYET OPTİMİZASYONU *Yaşar YAŞAR 1, Burhanettn DURMUŞ 2 1 Dumlupınar Ünverstes, Mühendslk Fakültes,
DetaylıENERJİ. Isı Enerjisi. Genel Enerji Denklemi. Yrd. Doç. Dr. Atilla EVCİN Afyon Kocatepe Üniversitesi 2007
Yrd. Doç. Dr. Atlla EVİN Afyon Kocatepe Ünverstes 007 ENERJİ Maddenn fzksel ve kmyasal hal değşm m le brlkte dama enerj değşm m de söz s z konusudur. Enerj değşmler mler lke olarak Termodnamğn Brnc Yasasına
DetaylıJFM316 Elektrik Yöntemler ( Doğru Akım Özdirenç Yöntemi)
JFM316 Elektrk Yöntemler ( Doğru Akım Özdrenç Yöntem) yeryüzünde oluşturacağı gerlm değerler hesaplanablr. Daha sonra aşağıdak formül kullanılarak görünür özdrenç hesaplanır. a K I K 2 1 1 1 1 AM BM AN
DetaylıPARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ
PARAMETRİK OLMAYAN HİPOTEZ TESTLERİ Kİ-KARE TESTLERİ 1 Populasyonun nceledğmz br özellğnn dağılışı blenen dağılışlardan brsne, Normal Dağılış, t Dağılışı, F Dağılışı, gb br dağılışa uygun olduğu durumlarda
DetaylıATIK POLİMERİK MALZEME KATKILI BETONUN YALITIM ÖZELLİĞİNİN DENEYSEL OLARAK İNCELENMESİ
Isı Blm ve Teknğ Dergs, 26,, 5-20, 2006 J. of Thermal Scence and Technology 2006 TIBTD Prnted n Turkey ISSN 300-365 ATIK POLİMERİK MALZEME KATKILI BETONUN YALITIM ÖZELLİĞİNİN DENEYSEL OLARAK İNCELENMESİ
DetaylıBulanık TOPSIS ve Bulanık VIKOR Yöntemleriyle Alışveriş Merkezi Kuruluş Yeri Seçimi ve Bir Uygulama
EGE AKADEMİK BAKIŞ / EGE ACADEMIC REVIEW Clt: 14 Sayı: 3 Temmuz 2014 ss. 463-479 Bulanık TOPSIS ve Bulanık VIKOR Yöntemleryle Alışverş Merkez Kuruluş Yer Seçm ve Br Uygulama Selecton of Shoppng Center
Detaylıkadar ( i. kaynağın gölge fiyatı kadar) olmalıdır.
KONU : DUAL MODELİN EKONOMİK YORUMU Br prmal-dual model lşks P : max Z cx D: mn Z bv AX b AV c X 0 V 0 bçmnde tanımlı olsun. Prmal modeln en y temel B ve buna lşkn fyat vektörü c B olsun. Z B B BB c X
DetaylıMakine Öğrenmesi 6. hafta
Makne Öğrenmes 6. hafta Yapay Snr Ağlarına Grş Tek katmanlı YSA lar Algılayıcı (Perceptron) Aalne (Aaptve Lnear Elemen Byolojk Snr Hücres Byolojk snrler ört ana bölümen oluşmaktaır. Bunlar: Denrt, Akson,
DetaylıEskşehr Osmangaz Ünverstes Müh.Mm.Fak.Dergs C.XX, S.2, 2007 Eng&Arch.Fac. Eskşehr Osmangaz Unversty, Vol..XX, No2, 2007 Makalenn Gelş Tarh.2.2006 Makalenn Kabul Tarh 08.06.2007 YENİDEN ÜRETİM SİSTEMLERİNDE
Detaylı3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları
3. Parçaları Arasında Aralık Bulunan Çok Parçalı Basınç Çubukları Basınç çubukları brden fazla profl kullanılarak, bu profller arasında plan düzlemnde bell br mesafe bulunacak şeklde düzenleneblr. Bu teşklde,
DetaylıYAPILARIN ENERJİ ESASLI TASARIMI İÇİN BİR HESAP YÖNTEMİ
YAPILARI EERJİ ESASLI TASARIMI İÇİ BİR HESAP YÖTEMİ Araş. Gör. Onur MERTER Araş. Gör. Özgür BOZDAĞ Prof. Dr. Mustafa DÜZGÜ Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Dokuz Eylül Ünverstes Fen Blmler Ensttüsü
DetaylıAçık Poligon Dizisinde Koordinat Hesabı
Açık Polon Dzsnde Koordnat Hesabı Problem ve numaralı noktalar arasında açılacak tüneln doğrultusunu belrlemek amacıyla,,3,4, noktalarını çeren açık polon dzs tess edlmş ve şu ölçme değerler elde edlmştr.
DetaylıÖğretme-öğrenme esaslı optimizasyon yöntemi ile uzay kafes kule yapı sisteminin optimum boyutlandırılması
Dcle Ünverstes Mühendslk Fakültes mühendslk dergs Clt: 7, 3, 471-480 3-9 Eylül 2016 Öğretme-öğrenme esaslı optmzasyon yöntem le uzay kafes kule yapı sstemnn optmum boyutlandırılması Musa ARTAR *,1 1 Bayburt
DetaylıÇok Katlı Kompozit Çelik Çerçevelerin Genetik Algoritma ile Dinamik Sınırlayıcılı Optimizasyonu *
İMO Teknk Derg, 2015 7077-7098, Yazı 434 Çok Katlı Kompozt Çelk Çerçevelern Genetk Algortma le Dnamk Sınırlayıcılı Optmzasyonu * Musa ARTAR* Ayşe DALOĞLU** ÖZ Yapı sstemlernn mnmum ağırlık olacak şeklde,
DetaylıBiyomedikal Amaçlı Basınç Ölçüm Cihazı Tasarımı
Byomedkal Amaçlı Basınç Ölçüm Chazı Tasarımı Barış Çoruh 1 Onur Koçak 2 Arf Koçoğlu 3 İ. Cengz Koçum 4 1 Ayra Medkal Yatırımlar Ltd. Şt, Ankara 2,4 Byomedkal Mühendslğ Bölümü, Başkent Ünverstes, Ankara,
DetaylıROBİNSON PROJEKSİYONU
ROBİNSON PROJEKSİYONU Cengzhan İPBÜKER ÖZET Tüm yerkürey kapsayan dünya hartalarının yapımı çn, kartografk lteratürde özel br öneme sahp olan Robnson projeksyonu dk koordnatlarının hesabı brçok araştırmacı
Detaylı2.7 Bezier eğrileri, B-spline eğrileri
.7 Bezer eğrler, B-splne eğrler Bezer eğrler ve B-splne eğrler blgsaar grafklernde ve Blgsaar Destekl Tasarım (CAD) ugulamalarında çok kullanılmaktadır.. B-splne eğrler sadece br grup ver noktası çn tanımlanan
DetaylıHIZLI EVRİMSEL ENİYİLEME İÇİN YAPAY SİNİR AĞI KULLANILMASI
Hızlı Evrmsel Eyleme İç Yapay Sr Ağı Kullaılması HAVACILIK VE UZAY TEKNOLOJİLERİ DERGİSİ OCAK 006 CİLT SAYI 3 (-8) HIZLI EVRİMSEL ENİYİLEME İÇİN YAPAY SİNİR AĞI KULLANILMASI Abdurrahma HHO Dekalığı Havacılık
DetaylıAerodinamik Akışların Modellenmesinde Döngülü Olan ve Olmayan 7 Yaklaşımın Uygulanması
Aerodnamk Akışların Modellenmesnde Döngülü Olan ve Olmayan 7 Yaklaşımın Uygulanması Mehmet Önder Efe, Marco Debas, Peng Yan, Htay Özbay 4, Mohammad Sammy 5 Elektrk ve Elektronk Mühendslğ Bölümü TOBB Ekonom
DetaylıSera İklimlendirme Kontrolü İçin Etkin Bir Gömülü Sistem Tasarımı
Sera İklmlendrme Kontrolü İçn Etkn Br Gömülü Sstem Tasarımı Nurullah Öztürk, Selçuk Ökdem, Serkan Öztürk Ercyes Ünverstes, Blgsayar Mühendslğ Bölümü, Kayser ozturk.nurullah@yahoo.com.tr,okdem@ercyes.edu.tr,
DetaylıGRİ İLİŞKİSEL ANALİZ YÖNTEMİNE GÖRE FARKLI SERTLİKLERDE OPTİMUM TAKIM TUTUCUSUNUN BELİRLENMESİ
2. Ulusal Tasarım İmalat ve Analz Kongres 11-12 Kasım 21- Balıkesr GRİ İLİŞKİSEL ANALİZ YÖNTEMİNE GÖRE FARKLI SERTLİKLERDE OPTİMUM TAKIM TUTUCUSUNUN BELİRLENMESİ Esra YILMAZ*, Ferhat GÜNGÖR** *ylmazesraa@gmal.com
DetaylıSabit Varyans. Var(u i X i ) = Var(u i ) = E(u i2 ) = s 2
X Sabt Varyans Y Var(u X ) = Var(u ) = E(u ) = s Eşt Varyans EKKY nn varsayımlarından br anakütle regresyon fonksyonu u lern eşt varyanslı olmasıdır Her hata term varyansı bağımsız değşkenlern verlen değerlerne
DetaylıMetin Madenciliği ile Soru Cevaplama Sistemi
Metn Madenclğ le Soru Cevaplama Sstem Sevnç İlhan 1, Nevchan Duru 2, Şenol Karagöz 3, Merve Sağır 4 1 Mühendslk Fakültes Blgsayar Mühendslğ Bölümü Kocael Ünverstes slhan@kocael.edu.tr, nduru@kocael.edu.tr,
Detaylı2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46
2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1
DetaylıSEK Tahmincilerinin Arzulanan Özellikleri. SEK Tahmincilerinin Arzulanan Özellikleri. Ekonometri 1 Konu 9 Sürüm 2,0 (Ekim 2011)
SEK Tahmnclernn Arzulanan Özellkler İk Değşkenl Bağlanım Model SEK Tahmnclernn Arzulanan Özellkler Ekonometr 1 Konu 9 Sürüm 2,0 (Ekm 2011) http://www.ackders.org.tr SEK Tahmnclernn Arzulanan Özellkler
DetaylıDEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Cilt:13 Sayı:2 sh.75-87 Mayıs 2012
DEÜ MÜHENDİSLİK FAKÜLTESİ MÜHENDİSLİK BİLİMLERİ DERGİSİ Clt:13 Sayı:2 sh.75-87 Mayıs 2012 ÇELİK YAPI SİSTEMLERİNDE İKİNCİ MERTEBE ANALİZ YÖNTEMLERİNİN İNCELENMESİ (INVESTIGATION OF SECOND ORDER ANALYSIS
Detaylı