Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Mekatronik Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: ERSİN ŞAHİN
Danışman: Hüseyin Yüce
Özet:
Bu çalışmada boru hatları graflar ile temsil edilmektedir. Boru hatlarında meydana gelen sızıntı veya tıkanıklık gibi arızaları tespit etmek için grafik temelli makine öğrenmesi modeli GCN önerilmektedir. GCN modelinin ihtiyaç duyduğu veriler beş farklı senaryo için toplanmış ve her bir senaryo için veri setleri oluşturulmuştur. GCN modelinin arıza tespit performansı diğer grafik makine öğrenme modelleri; RGCN, SGC, PPNP/APPNP, GAT, HinSAGE ve GraphSAGE ile kıyaslanmıştır. Ayrıca arızaların önceden tahmin edilmesi amacıyla sızıntı ve tıkanma senaryosu ele alınmıştır. Bu bağlamda, GCN modelinin arızaların önceden tahmin edebilme performansı klasik makine öğrenme modeli Destek Vektör Makinesinin (SVM) performansı ile kıyaslanmıştır. Bir sızıntı senaryosu üzerinden arızaya müdahale önceliği incelenmiştir. Boru hatlarındaki arızaların tespiti için literatürde tespit edilen makine öğrenme modellerinin %78,51 ile %99 arasında performansa sahip oldukları görülmektedir. Bu çalışma kapsamında ise GCN, GraphSAGE, HinSAGE ve RGCN algoritmalarının sırasıyla %91, %90, %87 ve %89 doğruluk oranlarıyla arıza tespiti yapabildiği görülmektedir. Bu sonuçlar, GCN modelinin literatürdeki ortalamanın üzerinde bir performans sergilediğini göstermektedir. Gelecekteki çalışmalarda boru hatlarındaki arızaların yerinin tespit edilmesi üzerine odaklanılacaktır.