KaydedilenlerDerginizi ekleyin

Dergiler / İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi / 2026 / Cilt: 25 Sayı: 49

ÇAMAŞIR KURUTMA MAKİNESİ VERİLERİNDEN TEKSTİL ÖZELLİKLERİ ALGILANARAK KURUTMA VERİMLİLİĞİNİN ARTIRILMASI

TEXTILE PROPERTIES DETECTION FROM DRYER MACHINE DATA TO IMPROVE DRYING EFFICIENCY

Mustafa Gider(İSTANBUL TİCARET ÜNİVERSİTESİ, FEN BİLİMLERİ ENSTİTÜSÜ, BİLGİSAYAR MÜHENDİSLİĞİ (YL) (TEZLİ))0009-0008-4533-3761
Mustafa Cem Kasapbaşı(BEYKOZ ÜNİVERSİTESİ, MÜHENDİSLİK VE MİMARLIK FAKÜLTESİ, BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ)0000-0001-6444-6659
Sayfa
77–97
Yayın Tarihi
2026-06-26
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu bulgular, önerilen sistemin hem kullanıcı deneyimini iyileştirdiğini hem de sürdürülebilir kurutma teknolojilerine katkı sunduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışma, çamaşır kurutma makinelerinde yer alan iletkenlik sensörlerinden elde edilen veriler yardımıyla tekstil türü, yük miktarı ve giriş nem seviyesini belirlemeyi; bu sayede kurutma süresini optimize etmeyi amaçlamaktadır.
📊
Temel Bulgular & Veri:Yapay zekâ tabanlı modeller, tekstil özelliklerini otomatik olarak tanımlayarak her yüke özel kurutma stratejileri geliştirmeye imkân tanımaktadır.
💡
Sonuç & Katkı:Bu bulgular, önerilen sistemin hem kullanıcı deneyimini iyileştirdiğini hem de sürdürülebilir kurutma teknolojilerine katkı sunduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kurutma makinesi · tekstil özellikleri · enerji verimliliği

Özet

Bu çalışma, çamaşır kurutma makinelerinde yer alan iletkenlik sensörlerinden elde edilen veriler yardımıyla tekstil türü, yük miktarı ve giriş nem seviyesini belirlemeyi; bu sayede kurutma süresini optimize etmeyi amaçlamaktadır. Yapay zekâ tabanlı modeller, tekstil özelliklerini otomatik olarak tanımlayarak her yüke özel kurutma stratejileri geliştirmeye imkân tanımaktadır. Uygulanan makine öğrenmesi ve yapay sinir ağı algoritmaları sayesinde, kurutma süresinde ortalama %33 oranında tasarruf sağlanmıştır. Model doğruluk oranları %86 ile %95 arasında değişmiş, en yüksek başarı Çok Katmanlı Algılayıcı (Multilayer Perceptron – MLP) mimarisi ile elde edilmiştir. Bu bulgular, önerilen sistemin hem kullanıcı deneyimini iyileştirdiğini hem de sürdürülebilir kurutma teknolojilerine katkı sunduğunu göstermektedir.

Abstract

This study aims to optimize drying time in tumble dryers by determining textile type, load amount, and initial moisture level using data obtained from built-in conductivity sensors. Artificial intelligence-based models enable the automatic identification of textile characteristics, allowing the development of customized drying strategies for each load. Through the implementation of machine learning and artificial neural network algorithms, an average of 33% reduction in drying time was achieved. The model accuracy ranged between 86% and 95%, with the highest performance obtained using a Multilayer Perceptron (MLP) architecture. These findings indicate that the proposed system not only improves user experience but also contributes to the advancement of sustainable drying technologies.

🔖

Bu Makaleye Atıf Yap

Gider, M., Kasapbaşı, M. C. (2026). ÇAMAŞIR KURUTMA MAKİNESİ VERİLERİNDEN TEKSTİL ÖZELLİKLERİ ALGILANARAK KURUTMA VERİMLİLİĞİNİN ARTIRILMASI. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt: 25 Sayı: 49, 77–97. https://doi.org/10.55071/ticaretfbd.1754206

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (25)

  1. Ala, D. M., & Bakıcı, G. G. (2016). Ev tipi yıkama ve kurutma işlemlerinin denim görünümlü örme kumaşların kalınlık ve hava geçirgenlik özelliklerine etkisi. Tekstil ve Mühendis, 23(104), 263–270.
  2. Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S.,. & Asari, V. K. (2019). The history began from AlexNet: A comprehensive survey on deep learning approaches. arXiv preprint arXiv:1803.01164.
  3. Alom, M. Z., Yakopcic, C., Taha, T. M., & Asari, V. K. (2019). A state-of-the-art survey on deep learning theory and architectures. Electronics, 8(3), 292. https://doi.org/10.3390/electronics8030292
  4. Beko. (2023). Çamaşır kurutma makinesi kullanım kılavuzu.
  5. Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.
  6. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–297.
  7. Ding, C., & He, X. (2004). K-means clustering via principal component analysis. In Proceedings of the 21st International Conference on Machine Learning (ICML).
  8. Ersöz, F., & Çınar, Y. (2021). Veri madenciliği ve makine öğrenimi yaklaşımlarının karşılaştırılması: Tekstil sektöründe bir uygulama. Avrupa Bilim ve Teknoloji Dergisi, (29), 397–414.
  9. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer.
  10. Haykin, S. (1994). Neural networks: A comprehensive foundation. Prentice Hall PTR.
  11. Jasiūnas, Ž., Julião, T., Cecílio, J., da Graça, G. C., & Ferreira, P. M. (2025). A soft sensor to assess the energy performance of laundry washing machines. Applied Energy, 383, 125349. https://doi.org/10.1016/j.apenergy.2025.125349
  12. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
  13. Loh, W.-Y. (2011). Classification and regression trees. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1(1), 14–23.
  14. Mitchell, T. M. (1997). Machine learning (Vol. 1, No. 9). McGraw-Hill.
  15. Murtagh, F., & Contreras, P. (2012). Algorithms for hierarchical clustering: An overview. WIREs Data Mining and Knowledge Discovery, 2(1), 86–97. https://doi.org/10.1002/widm.53
  16. Orperia, F. O., Abalos, M. S., Agustin, C. A., Gallo, F., Alburo, A. L., & Ramos, R. S. (2025). Project SAMPAY: A Sensor-Activated Machine for Cloth-Placing and Drying. https://doi.org/10.58806/ijirme.2025.v4i3n07
  17. Rokach, L., & Maimon, O. (2005). Decision trees. In Data mining and knowledge discovery handbook (pp. 165–192). Springer.
  18. T.C. Millî Eğitim Bakanlığı. (t.y.). Elektrik-elektronik teknolojisi: Kurutucular. Mesleki Eğitim ve Öğretim Sisteminin Güçlendirilmesi Projesi (MEGEP).
  19. T.C. Sanayi ve Teknoloji Bakanlığı. (2022). Ev tipi çamaşır kurutma makineleri ile ilgili çevreye duyarlı tasarım gereklilikleri. Resmî Gazete, Sayı: 31903.
  20. Taur, K. H., Deng, X. Y., Chou, M. H., Chen, J. W., Lee, Y. H., & Wang, W. J. (2019, November). A study on machine learning approaches for predicting and analyzing the drying process in the textile industry. In 2019 International Automatic Control Conference (CACS) (pp. 1-5). IEEE.
  21. Tas, O., Yakak, E., & Ugurlu, U. (2018). Using artificial neural network and a statistical method for the estimation of Euro/Turkish Lira exchange rate. PressAcademia Procedia (PAP), 7, 414–417.
  22. TMMOB Makina Mühendisleri Odası. (2013). Isı pompalı tekstil kurutma makinelerinde kurutma süresi ve enerji tüketimi. Sanayi ve Teknoloji Dergisi, 556, 45–52.
  23. Yılmazel, Ö., Afşar, A., & Yılmazel, S. (2020). Konut fiyat tahmininde yapay sinir ağları yönteminin kullanımı. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 21(1), 1–21.
  24. Zhang, Y., Bengio, S., & Singer, Y. (2020). Are all layers created equal? An empirical study of normalization in deep learning. In Proceedings of the 37th International Conference on Machine Learning (ICML).
  25. Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S.,. & Asari, V. K. (2019). The history began from AlexNet: A comprehensive survey on deep learning approaches. arXiv preprint arXiv:1803.01164.