DİETİL ETER KULLANILAN TEK SİLİNDİRLİ BİR DİZEL MOTORDA MOTOR PERFORMANSI VE EMİSYONLARININ YAPAY SİNİR AĞLARI İLE TAHMİNİ Samet Uslu 1, Mustafa Bahattin Çelik 2 1 sametuslu@karabuk.edu.tr Karabük Üniversitesi Mühendislik Fakültesi Otomotiv Mühendisliği Bölümü Karabük TÜRKİYE 2 mcelik@karabuk.edu.tr Karabük Üniversitesi Mühendislik Fakültesi Otomotiv Mühendisliği Bölümü Karabük TÜRKİYE ÖZET Bu çalışmada dietil eter (DEE)-dizel yakıt karışımlarının kullanıldığı tek silindirli, hava soğutmalı, direk püskürtmeli bir dizel motorun performans ve egzoz emisyonlarının yapay sinir ağları (YSA) ile tahmini yapılmıştır. Tasarlanan YSA modelinde, giriş parametreleri olarak karışım oranı ve motor yükü seçilirken, çıkış parametresi olarak egzoz gaz sıcaklığı (EGS), özgül yakıt tüketimi (ÖYT), efektif verim ve emisyonlar; azotoksitler, hidrokarbonlar, karbonmonoksit ve is (NO x, HC, CO) seçilmiştir. Deneysel verilerin %75 i eğitim amaçlı, %25 i test amaçlı kullanılarak YSA modeli geliştirildi. Elde edilen verilere göre YSA modeli egzoz emisyonlarını ve motor performansını 0.964-0.9878 aralığında bir regresyon katsayısı (R 2 ) ile tahmin edebilmektedir. Aynı zamanda ortalama bağıl hata (OBH) değerleri %0.510-4.8 aralığında çıkmıştır. Bu sonuçlar, düşük güç dizel motor performansını ve emisyonlarını tahmin etmek için YSA modelinin kullanılabileceğini göstermektedir. Anahtar Kelimeler: Yapay sinir ağları, alternatif yakıt, dizel motor. PREDICTION OF ENGINE PERFORMANCE AND EMISSIONS FOR USING DIETHYL ETHER ON DIESEL ENGINE WITH ARTIFICIAL NEURAL NETWORK ABSTRACT In this study, the performance and exhaust emissions of a single-cylinder, air-cooled, direct-injection diesel engine using diethyl ether (DEE)-diesel fuel mixtures were estimated by artificial neural networks (ANN). In the designed ANN model, exhaust gas temperature (EGT), specific fuel consumption (SFC), effective efficiency and emissions such as nitrogen oxides, hydrocarbons, carbonmonoxides and smoke (NO x, HC, CO) were selected as the output parameters while fuel blending ratio and engine load were selected as input parameters. 75% of the experimental data were used for developed the training and 25% were used for testing purposes. According to the obtained data, ANN model predicts exhaust emissions and engine performance with a regression coefficient (R 2 ) at 0.964-0.9878 interval. At the same time, mean relative error (MRE) values ranged from 0.51% to 4.8%. These results show that the ANN model can be used to estimate low-power diesel engine performance and emissions. Key Words: Artificial neural network, alternative fuels, diesel engine. 1. GİRİŞ (INTRODUCTION) Dünya nüfusu, sanayi, araç ve teçhizatın büyümesiyle birlikte enerjiye olan ihtiyacın artmasından dolayı, petrol kökenli yakıt rezervleri hızla tükenmektedir [1]. Ayrıca fosil yakıtların kullanımının çevre üzerindeki olumsuz etkisi önemli bir faktördür ve göz ardı edilemez ve dolayısıyla araştırmacılar yenilenebilir ve temiz enerji kaynaklarına odaklanıyor [2]. Yüksek oksijen içeriğinden dolayı oksijenat diye adlandırılan yakıt türlerinden olan alkoller, motor tasarımında önemli yapısal değişiklikler yapmaksızın uygulanabilir [3]. Yakıt olarak kullanılan alkollerden en yaygın olanları etanol ve bütanoldür [4]. Ancak DEE yakıtı da hem dizel yakıta kıyasla daha yüksek setan sayısına sahip olduğu için, hem de etanol ve bütanole göre daha yüksek ısıl değere sahip olduğu için son yıllarda yaygın olarak kullanılmaktadır [5]. Motor imalatçıları alternatif yakıt kullanımının motor performansı ve emisyonlarına olan etkilerini incelemek amacıyla deneyler yapmaktadırlar. Ancak bu deneyler zaman alıcı ve masraflıdır [6]. Bu yüzden araştırmacılar az sayıda deneyle aynı verimliliği elde edebilmek amacıyla bilgisayar sistemlerinden yararlanmaktadırlar. Bu noktada, yapay sinir ağları (YSA) maliyetleri düşürmek ve zaman kazanmak için kullanılabilmektedir [7]. Yapay sinir ağları (YSA), bilimin ve mühendisliğin, özellikle klasik modelleme yöntemlerinin başarısız olduğu bazı alanlardaki problemleri çözmek için kullanılmaktadır. Bir YSA'nın tahmin etme yeteneği, deneysel verilere yönelik eğitimden ve daha sonra bağımsız verilerle doğrulamadan ile sağlanmaktadır. Bir YSA, yeni veriler mevcutsa, performansını geliştirmek için yeniden öğrenme yeteneğine sahiptir [8]. 273
Son yıllarda, içten yanmalı motorlar için YSA yönteminin uygulanabilirliğinde önemli başarı sağlamıştır ve bu konuda çok sayıda çalışma mevcuttur [9-16]. Bu çalışmada dietil eter ve dizel yakıt karışımlarından oluşan yakıtlarla deneyler yapılmış ve ölçülen değerler kullanılarak oluşturulan YSA modelinin kullanımı incelenmiştir. 2. DENEYSEL VERİLERİN ÖLÇÜLMESİ (MEASUREMENT OF EXPERIMENTAL DATA) Deney donanımının şematik görünümü ve test motorunun teknik özellikleri sırasıyla Şekil 1'de ve Tablo 1'de gösterilmiştir. Test motoru yüklemesi, 150, 300, 500 ve 1000 watt halojen ampuller içeren yükleme ünitesi olan bir jeneratör sistemi ile gerçekleştirilmiştir. Egzoz emisyonları bir Italo plus-spin egzoz gazı analizörü kullanılarak ölçülmüş, yakıt tüketimi bir kronometre ve ölçekli kap kullanılarak ölçülmüş, EGS dijital bir termometre kullanılarak ölçülmüştür. Deneysel çalışma, saf dizel ve dizel-dee yakıt karışımlarıyla farklı motor yüklerinde gerçekleştirilmiştir. Bu deneysel çalışmada, saflık düzeyi %99.5 olan DEE ve DEE nin dizel yakıtıyla hacimce %2.5, %5, %7.5 ve %10 olarak karıştırılan yakıt karışımları kullanılmıştır (DEE0, DEE2.5, DEE5, DEE7.5, DEE10). Her bir deney beş kez tekrarlandı ve sonuçların ortalaması elde edilmiştir. Kullanılan DEE ve dizel yakıtın özellikleri Tablo 2'de verilmiştir. Şekil 1. Deney donanımının şematik görünümü Tablo 1. Test motorunun özellikleri Özellik Çap x Strok (mm) 78 x 62 Maksimum devir (d/d) 3000 Silindir hacmi (cm 3 ) 296 Sıkıştırma oranı 18/1 Maksimum çıkış gücü (kw) 5 Soğutma sistemi Hava soğutmalı Tablo 2. Deney yakıtlarının özellikleri Özellik Dizel Yakıt DEE Kimyasal formül C xh y C 4H 10O Molekül ağırlığı 190-220 74 Yoğunluk (15 C de) (kg/l) 0,830 0,710 Viskozite (40 C de) (mm 2 /s) 2,7 0,23 Oksijen içeriği (%) - 21 Kaynama noktası( C) 180-360 34,6 Tutuşma sıcaklığı ( C) 315 160 Stokiometrik hava- yakıt 14,7 11,2 oranı (H/Y)s Buharlaşma gizli ısısı (kj/kg) 260 360 Alt ısıl değer (kj/kg) 42500 33900 Setan sayısı 40-50 >125 3. DENEYSEL SONUÇLAR (EXPERIMENTAL RESULTS) Genel olarak dizel motorlarda oksijenat yakıtlardan olan alkol yakıtların kullanılması daha temiz bir yanmayı beraberinde getirmektedir. Dietil eterin, efektif verim ve özgül yakıt tüketimini artırırken, egzoz gaz sıcaklığı, NO x, HC, CO ve is emisyonlarını azalttığı deneysel sonuçlarda gösterilmiştir. DEE'nin alt ısıl değeri, dizel yakıttan daha düşük olduğu için yakıt karışımına DEE eklenmesi ile karışımının ısıl değeri düşmüş ve bu da deneysel verilerde de görüldüğü üzere ÖYT'nin artışına neden olmuştur. Efektif verim, yakıtın yanmasıyla yakıtın ne kadarının faydalı işe dönüştüğünün göstergesidir. Deneysel sonuçlara göre, DEE'nin içeriğindeki oksijenin yoksullaştırıcı etkisi, yanma odasında daha homojen bir yakıt-hava karışımı oluşturulmasına yardımcı olduğundan, yanma iyileşmiş ve verimlilik artmıştır. DEE nin dizel yakıta kıyasla yüksek buharlaşma ısısına ve düşük kalorifik değere sahip olmasından dolayı, oluşan karışımın kalorifik değeri düştüğü için yanma sıcaklıkları ve EGS düşüş göstermiştir. Dizel motorlarda NO x emisyonlarının oluşumunun başlıca nedeni, yanma sonu sıcaklıklarının artmasıdır. Yanma sürecinde yüksek sıcaklıklarda (1600 C'nin üstünde), havadaki azot oksijen ile tepkimeye girerek azot oksitleri oluştururlar. Azot oksit oluşumunun silindir içi sıcaklıklardan büyük ölçüde etkilendiği ve artan sıcaklık ile NO x emisyonlarının hızla arttığı anlaşılmaktadır. DEE nin termal enerji ve yoğunluğu standart dizel yakıtından düşük olduğu için dizel yakıta eklendiğinde silindirdeki yanma sıcaklıklarını azaltmakta ve böylece NO x emisyonları düşmektedir. CO emisyonunun oluşum nedeni, oksijen yetersizliğinden kaynaklanan eksik yanmadır. Dizel yakıta eklenen DEE miktarı arttıkça CO emisyonları azalmaktadır. CO emisyonlarındaki iyileşmenin başlıca nedeni, DEE yapısında oksijenin bulunmasıdır. HC emisyonları, silindirin bazı bölgelerinde, Hava / Yakıt oranının çok fakir veya çok zengin olduğu durumdaki tamamlanmamış yanma bölgesi nedeniyle oluşan bir üründür. Deneysel veriler incelendiğinde DEE oranı arttıkça HC emisyonları da düşmektedir. DEE'nin fakirleştirici etkisi nedeniyle HC emisyonları düşmüştür. DEE10 yakıtı ile karışım aşırı fakirleştiği için HC tekrar artmıştır. DEE nin yapısındaki oksijen duman emisyonlarının azaltılmasında etkilidir. Deneysel sonuçlara göre DEE7.5 274
yakıtına kadar is emisyonları azalmış ancak bu orandan sonra artışa geçmiştir. Çünkü setan sayısı fazla yükselince ateşleme gecikmesi çok kısa olmakta ve hava yakıtla etkili bir şekilde karışamamaktadır. atanırken, kalan %25'i YSA tahminlerinin performansını test etmek için kullanılmıştır. Oluşturulan çok katmanlı sinir ağı konfigürasyonu Şekil 2 de gösterilmektedir. 4. YSA UYGULAMASI (APPLICATION OF ANN) YSA'lar insan beyninin bilgi işleme sistemini temel alan hesaplamalı modellerdir. Genel olarak, bir girdi katmanı, bazı gizli katmanlar ve çıktı katmanı olan üç katmandan oluşur. Her tabaka nöronlar veya düğümler olarak adlandırılan belirli sayıda küçük bireysel ve birbirine sıkı bağımlı işlem öğelerine sahiptir. Nöronlar, bağlantı ağırlıklarıyla ilişkili iletişim bağlantıları vasıtasıyla birbirlerine bağlıdır. Sinyaller, bağlantı ağırlıkları üzerinden nöronlardan geçirilir. Her nöron, diğer nöronlardan bağlantı ağırlıklarına oranla çoklu girdi alır ve diğer nöronlara yayılabilen tek bir çıkış sinyali üretir [17]. Bir YSA modeli geliştirmek için ağ, eğitim / öğrenme aşaması ve test / doğrulama aşaması olmak üzere iki aşamalı işleme tabi tutulur. Eğitim aşamasında ağ, giriş verilerine dayalı olarak bir çıktı tahmini yapmak üzere eğitilir. Test aşamasında, tahmin verileriyle deneysel veriler karşılaştırılır. Ağ eğitimi, test hatası istenen toleransa ulaşıldığında durdurulur. YSA modeli oluşturulmasında Back propagation algorithm en popüler ve en yaygın kullanılan algoritmadır. İleri besleme ve geri besleme işlemleri olmak üzere iki aşamadan oluşur. İleri besleme sırasında, bilgi işlenmesi giriş katmanından çıktı katmanına iletilir. Geri besleme sırasında ise, ileri besleme prosesinden elde edilen çıkış değeri ile arzu edilen çıkış arasındaki fark, öngörülen fark toleransı ile karşılaştırılır ve çıkış katındaki hata hesaplanır. Bu elde edilen hata, bağlantıyı güncellemek için geriye doğru giriş katmanına yayılır. YSA'nın uygulanması üzerine yapılan araştırma çalışmalarında oluşturulan modellerin tahmin performansını değerlendirmek için aşağıda formulleri belirtilen, ortalama bağıl hata (mean relative error-mre) ve kök ortalama kare hata (root mean square error-rmse) kullanılmaktadır. R 2 = 1 ( n i=1 (t i o i ) 2 n i=1(o i ) 2 ) (1) MRE (%) = 1 n 100 t i o i (2) n i=1 RMSE = 1 n (t n i=1 i o i ) 2 t i Burada 'n' veri kümesindeki nokta sayısıdır, 't' gerçek çıktıdır ve 'o' tahmini çıktı değeridir. Bu çalışmada çıkış parametreleri olan ÖYT, efektif verim, EGS, NO x, CO, HC ve is değerlerinin, giriş parametreleri olan motor yükü ve yakıt karışım oranına bağlı olarak tahmini için YSA modeli kullanılmıştır. Oluşturulan modelde, veri kümesinin %75'i eğitim seti olarak rastgele (3) Şekil 2. Çok katmanlı sinir ağı konfigürasyonu Modelin eğitiminde back propagation algorithm methodu kullanılmıştır. Bu algoritma, ağ ağırlıklarının ve öngerilmelerinin eğitim aşamasının başlangıcında rastgele başlatıldığı denetimli eğitim tekniğini kullanır. Giriş ve çıkıştaki veriler 0.1 ile 0.9 arasında normalize edilmiştir. Giriş katmanı iki nörondan oluşurken ve çıkış katmanında yedi nöron bulunmaktadır. Ağın çıktısı, istenen çıktı ile karşılaştırılarak hata hesaplanmıştır. Bu hata daha sonra YSA'ya iletilerek, her iterasyonda hata düşecek şekilde ağırlıkları ayarlamak için kullanılmıştır. Ardından, test veri setinden girdi parametreleri eğitilmiş ağa sunulmuştur ve ağ tarafından tahmin edilen çıkış parametreleri, performans ölçümü için deney sonuçları ile karşılaştırılmıştır. Back propagation algoritmasının çözümü ve ağ performansının ölçümü MATLAB programı ile yapılmıştır. 5. SONUÇLAR VE TARTIŞMA (RESULTS AND DISCUSSION) Yapıla deneysel çalışma ile ilgili oluşturulan YSA modeli ile elde edlen sonuçlar, ÖYT, efektif verim, egzoz gaz sıcaklığı ve egzoz emisyonlarının tahmini için YSA kullanımının yeterli olduğunu göstermiştir. ÖYT, efektif verim ve EGS için tahmin sonuçları ile deneysel sonuçların kıyaslanması Şekil 3 de gösterilmiştir. ÖYT, efektif verim ve EGS için YSA tahminlerinin R 2 değerleri sırasıyla 0.985, 0.9829 ve 0.9878'dir. ÖYT, efektif verim ve EGS için kök ortalama karekter hatası (RMSE) değerleri sırasıyla, 0.985 g/kwh, %0.072 ve 5.081 bulunmuştur. ÖYT için ortalama bağıl hata (MRE) %0.662 olarak Şekil 3a da gösterilmektedir. Şekil 3b de efektif verim için tahmin ve deneysel sonuçların kıyaslanmasında MRE değeri %0.510 olarak belirlenirken, EGS için ise MRE değeri %2.281 olarak Şekil 3c de gösterilmiştir. 275
Şekil 3. Özgül yakıt tüketimi, Efektif verim ve Egzoz gaz sıcaklığı için ANN tahmin sonuçları. Test edilen dizel motorunun performansı için YSA tahminleri iyi bir istatistiksel performans vermiştir. Deney sonuçlarının ve YSA tahminlerinin karşılaştırılması ile elde edilen grafikler, DEE- dizel karışımlı yakıtları kullanan tek silindirli dizel motorlarının YSA kullanarak doğru bir şekilde simüle edilebileceğini göstermektedir. NO x, CO, HC ve is için ANN tahmin sonuçlarının ve deneysel sonuçların kıyaslanması Şekil 4 de gösterilmektedir. Elde edilen verilere göre NO x, CO, HC ve is için MRE değerleri sırasıyla %4.06, %4.226, %3.33 ve %4.8 olarak hesaplanırken, RSME değerleri yine sırasıyla 1.16 ppm, %0.001, 29.65 ppm ve %2.01 olarak belirlenmiştir. R 2 değeri ise sırasıyla 0.9831, 0.9825, 0.964 ve 0.9796 olarak hesaplanmıştır. (d) Şekil 4. NO x, CO, HC ve (d) is emisyonları için ANN tahmin sonuçları. 276
ÖYT, efektif verim ve EGS için YSA tahminlerinin ve deney sonuçlarının karşılaştırılması Şekil 5'de, NO x, CO, HC ve is emisyonlarının karşılaştırılması ise Şekil 6 da gösterilmektedir. Deney verilerinin ve YSA nın karşılaştırılması sonucu elde edilen grafikler, DEE- dizel karışımlarının kullanıldığı tek silindirli dizel motorlarına YSA uygulamalarının düzgün ve doğru bir biçimde uygulanabileceğini göstermektedir. Şekil 5. Deneysel sonuçların ve ANN tahmin sonuçlarının Özgül yakıt tüketimi, Efektif verim ve Egzoz gaz sıcaklığı için kıyaslanması. (d) Şekil 6. Deneysel sonuçların ve ANN tahmin sonuçlarının NO x, CO, HC ve (d) is emisyonları için kıyaslanması. 277
6. SONUÇLAR (CONCLUSIONS) Bu çalışmada, DEE-dizel yakıt karışımlarının kullanıldığı tek silindirli dizel bir motorda, ÖYT, efektif verim, EGS, NO x, CO, HC ve is emisyonlarının tahmini için YSA uygulaması yapılmıştır. YSA uygulmasında kullanılan giriş verileri deneylerle elde edilmiştir. Deneysel verilere göre, DEE-dizel karışımlı yakıtların motor performansı açısından bakıldığında, efektif verim ve özgül yakıt tüketimini arttırırken, EGS yi azalttığını göstermektedir. Ayrıca DEEdizel yakıt karışımlarının kullanımı ile NO x, CO, HC ve is emisyon konsantrasyonları da azalmıştır. Test edilen dizel motorun performans ve egzoz emisyonlarına ilişkin YSA tahminleri 0.964-0.9878 aralığında regresyon katsayıları, %0.510-4.8 aralığında MRE'ler ve oldukça düşük RMSE değerleri ile iyi bir istatistiksel performans sağlamıştır. YSA tahminlerinin ve deneysel sonuçların karşılaştırılması ile dizel motorların YSA'ları kullanarak doğru bir şekilde modellenebildiğini göstermektedir. Sonuç olarak, YSA'larin kullanımı ile, içten yanmalı motorların performans ve egzoz emisyonları, detaylı bir deneysel çalışma yerine sadece sınırlı sayıda test gerçekleştirerek kolaylıkla belirlenebilir ve böylece mühendislik çaba ve fonlarından tasarruf sağlanmış olacaktır. KAYNAKLAR (REFERENCES) [1] Thakura A. K., Kavitib A. K., Mehrac R., Mer K.K.S., Progress in performance analysis of ethanol-gasoline blends on SI engine, Renewable and Sustainable Energy Reviews, 69, 324 340, 2017. [2] Balki M. K., Sayin C., The effect of compression ratio on the performance, emissions and combustion of an SI (spark ignition) engine fueled with pure ethanol, methanol and unleaded gasoline, Energy, 71, 194-201, 2014. [3] Ni Z., YaGe D., ZuoHua H., ZhiYuan Z., Flame instability analysis of diethyl ether-air premixed mixtures at elevated pressures Chinese Science Bulletin, 55, 314-320, 2010. [4] Ibrahim A., Performance and combustion characteristics of a diesel engine fueled by butanol biodiesel diesel blends Applied Thermal Engineering, 103, 651-659, 2016. [5] Rakopoulos D. C., Rakopoulos C. D., Giakoumis E. G., Papagiannakis R. G., Kyritsis D. C., Influence of properties of various common bio-fuels on the combustion and emission characteristics of high-speed DI (direct injection) diesel engine: Vegetable oil, biodiesel, ethanol, n-butanol, diethyl ether, Energy, 73, 354 366, 2014. [6] Taşdemir Ş., Allahverdi N., Bulanik uzman sistem tasarimiyla benzinli bir motorun performans ve emisyon karakteristiklerinin belirlenmesi, 5. Uluslararası İleri Teknolojiler Sempozyumu (IATS 09), 2009. [7] Ghazikhani M., Mirzaii I., Soot emission prediction of a waste-gated turbo-charged DI diesel engine using artificial neural network, Neural Computing and Applications, 20, 303-308, 2011. [8] Ghobadian B., Rahimi H., Nikbakht A. M., Najafi G., Yusaf T. F., Diesel engine performance and exhaust emission analysis using waste cooking biodiesel fuel with an artificial neural network, Renewable Energy, 34, 976 982, 2009. [9] Arumugam S., Sriram G., Subramanian P.R. S., Application of Artificial Intelligence to Predict the Performance and Exhaust Emissions of Diesel Engine using Rapeseed Oil Methyl Ester, Procedia Engineering, 38, 853-860, 2012. [10] Shivakumar, Pai P.S., Rao B.R. S., Artificial Neural Network based prediction of performance and emission characteristics of a variable compression ratio CI engine using WCO as a biodiesel at different injection timings, Applied Energy, 88, 2344 2354, 2011. [11] Tosun E., Aydin K., Bilgili M., Comparison of linear regression and artificial neural network model of a diesel engine fueled with biodiesel-alcohol mixtures, Alexandria Engineering Journal, 55, 3081 3089, 2016. [12] Ghobadian B., Rahimi H., Nikbakht A.M., Najafi G., Yusaf T.F., Diesel engine performance and exhaust emission analysis using waste cooking biodiesel fuel with an artificial neural network, Renewable Energy, 34, 976 982, 2009. [13] IDI diesel engine performance and exhaust emission analysis using biodiesel with an artificial neural network (ANN), Rao K.P., Babu T.V., Anuradha G., Rao B.V.A., Egyptian Journal of Petroleum, 2016. [14] Oguz H., Sarıtas I., Baydan H.E., Prediction of diesel engine performance using biofuels with artificial neural network Expert Systems with Applications, 37, 6579 6586, 2010. [15] Kökkülünk G., Akdoğan E., Ayhan V., Prediction of emissions and exhaust temperature for direct injection diesel engine with emulsied fuel using ANN, Turkish Journal of Electrical Engineering & Computer Sciences, 21, 2141-2152, 2013. 278
[16] Kumar V.D., Kumar R.P., Kumari M.S., Prediction of Performance and Emissions of a Biodiesel Fueled Lanthanum Zirconate Coated Direct Injection Diesel engine using Artificial Neural Networks, Procedia Engineering, 64, 993 1002, 2013. [17] Atik K., Kahraman N., Albayrak Çeper B., Buji ateşlemeli bir motorda performans ve emisyon değerlerinin yapay sinir ağlari ile tahmin edilmesi, Isı Bilimi ve Tekniği Dergisi, 33, 57-64, 2013. [18] Uslu S., Düşük güçlü bir dizel motorda dietil eter kullanilmasinin motor parametrelerine etkisi, Yüksek Lisans Tezi, Karabük Üniversitesi Fen Bilimleri Enstitüsü, Karabük, 2015. 279