Euroasia Journal of Mathematics, Engineering, Natural & Medical Sciences

Nakliye Konteynerlerinin Enerji Verimliliği Bağlamında Yeniden Kullanımı: Duvar Konfigürasyonlarını Belirlemek Üzere Bir Yaşam Döngüsü Değerlendirme Örneği

Naide Sevim Koşan, Figen Beyhan — Mon, 25 Nov 2024 00:00:00 +0300

Yük taşımacılığı görevini tamamlayan nakliye konteynerlerinin, prefabrik ve modüler yapı birimi olarak fabrikada uyarlanarak mimaride yeniden kullanılması, son dönemlerde sıklıkla karşımıza çıkmaktadır. Ancak, üretimlerinden kaynaklanan birtakım özellikler, fabrikada uyarlanmasında alınacak kararların önemine işaret etmektedir. Ayrıca, “atık yönetimi” ve “kaynak korunumu” sağlamak temelinde gelişen bu çözüm ile maksimum “çevresel fayda” sağlayabilmek için; uyarlanmasında ihtiyaç duyulan ek yapı malzemelerine ait çevresel etkilerin incelenmesi gerekmektedir. Bu doğrultuda, çalışmada; Samsun’da uygulanacak konteyner konutlarda kullanmak üzere, farklı montaj senaryoları ile oluşturulmuş konteyner duvar konfigürasyonları, çevresel tercih edilebilirlik açısından karşılaştırılmıştır. Karşılaştırma, karar vericilerin alternatif eylem biçimleri arasında seçim yaparken tüm önemli çevresel etkileri karşılaştırabilmeye yardımcı olan “yaşam döngüsü değerlendirme” yöntemi ile gerçekleştirilmiştir. Bunun için, öncelikle; kullanılabilecek yapı malzemeleri “Ecoinvent 3.8” veri tabanından seçilmiş, dağıtım yöntemleri kontrol edilerek varsa eksiklikler eklenmiş ve farklılıklar uyarlanmıştır. Ardından, farklı montaj senaryoları oluşturulmuştur. Daha sonra, düzenlenen tüm yapı malzeme verileri, aynı işlev temelini sağlayan montaj senaryolarındaki işlevsel birim ile ilişkilendirilmiştir. Bu doğrultuda; TS 825’e göre uygulanacağı derece gün bölgesi için duvar elemanının sağlaması gereken asgari limit esas alınarak, her bir senaryoda kullanılacak yapı malzeme kalınlıklarının hesaplanması ve m² dönüşümleri ile miktarları belirlenmiştir. Son olarak; montaj senaryoları ile oluşturulan mimari konfigürasyonların tümünün, “SimaPro PhD 9.4.0.2” yazılım aracı bünyesindeki “ReCiPe 2016 V1.07” yöntemi ile iki farklı düzeyde etki değerlendirmesi gerçekleştirilmiştir. Çalışma sonunda, hem en düşük çevresel etkiyi sağlayarak en iyi performansı gösteren konteyner duvar konfigürasyonu elde edilmiş hem de bu konfigürasyonun nicel olarak çevreye etkileri belirlenmiştir. Çalışma sonuçlarının, kabuk tasarımlarında yaşam döngüsü değerlendirmesinin önemi konusunda farkındalığı arttırması beklenmektedir.

Stokastik Komşuluk Gömülme ile Özellik Çıkarımı ve Derin Transfer Öğrenmesi kullanılarak göğüs röntgeni görüntülerinden etkili pnömoni tespiti

Enver Elitok, Ömer Kasım , Hamdi Melih Saraoğlu — Mon, 25 Nov 2024 00:00:00 +0300

Pnömoni, akciğerlerde ortaya çıkan bir enfeksiyondur. Bu enfeksiyon dünya çapında ciddi sağlık sorunlarına sebep olmaktadır. Özellikle hastanın hasta hizmetlerini kullanmasında oldukça meşakkatli bir tedavi süreci gerektirmektedir. Yapay zekâ teknolojilerinin sağlık alanına uygulaması ile bu problem çözülebilir. Radyoloji alanındaki uzmanlara destek olacak bir yapay zekâ modeli ile hastalığın erken teşhisinde gözden kaçabilecek önemli bilgiler uzmanlara bildirildiğinde yorgunluk gibi etmenler minimize edilebilecektir. Bu sistemler, teşhiste uzmanlık gerektirmeyen ve hızlı sonuçlar üretebilen otomatik bir yaklaşım sunmaktadır. Bu çalışmada akciğer X-ray görüntülerinin sınıflandırılmasında farklı iki yaklaşım önerilmektedir. Veri seti, Hindistan Bilim Enstitüsü, PES Üniversitesi, MS Ramaiah Teknoloji Enstitüsü, Concordia Üniversitesi tarafından sağlanan X-ray görüntüleri kullanılmıştır (doi: 10.17632/9xkhgts2s6.3). Bu veri seti, her biri değişken boyutlarda 3270 normal ve 4657 pnömoni olmak üzere toplam 7927 görüntüden oluşmaktadır. İlk yaklaşımda, görüntülerden MobileNetV2 kullanılarak öznitelik çıkarılmış ve Destek Vektör Makinesi (DVM) ve Uzun-Kısa Süreli Bellek (UKSB) ile ayrı ayrı sınıflandırılmıştır. DVM, %97,22 doğruluk ve 8,2 milisaniye tahmin süresiyle, UKSB ise %90,35 doğruluk ve 9,78 saniye tahmin süresiyle sonuçlanmıştır. İkinci yaklaşımda, öznitelikler t-SNE ile boyutu azaltılarak DVM ve UKSB ile sınıflandırılmıştır. DVM, %94,64 doğruluk ve 3,2 milisaniye tahmin süresiyle, UKSB ise %94,83 doğruluk ve 8,62 saniye tahmin süresiyle sınıflandırma yapmıştır. t-SNE, DVM’nin doğruluğunu azaltırken, UKSB’nin doğruluğunu artırmış ve her iki sınıflandırıcının da tahmin süresini kısaltmıştır. Bu çalışmada, pnömoni tanısında akciğer X-ray görüntülerinin sınıflandırılmasında derin öğrenme ve makine öğrenme modellerinin ve t-SNE gibi veri boyutu azaltma algoritmalarının performansı değerlendirilmiştir. Bu bulgular, pnömoni tanısında bilgisayar destekli yöntemlerin, özellikle derin öğrenme ve veri boyutu azaltma algoritmalarının etkili bir şekilde kullanılmasının, tanı sürecini hızlandırabileceğini ve doğruluğunu artırabileceğini göstermektedir. Bu sonuçlar, gelecekteki pnömoni tanı yöntemlerinin geliştirilmesinde önemli bir yol gösterici olabilir.