KaydedilenlerDerginizi ekleyin

Dergiler / Politeknik Dergisi / 2026 / Cilt: 29 Sayı: 5

Isıl İşlem Görmüş Düşük-Emisyonlu Kaplamaların Yapay Öğrenme Temelli Optik Spektralarının Tahmininde Veri Bölme Stratejilerinin Etkileri

Effects of Data Splitting Strategies on ML based Optical Spectra Prediction of Heat-Treated Low-E Coatings

Hale Yenginer(MARMARA ÜNİVERSİTESİ)0000-0001-6544-0849
Engin Şahin(MARMARA ÜNİVERSİTESİ)0009-0000-1117-9219
Hayriye Korkmaz(MARMARA ÜNİVERSİTESİ)0000-0002-5994-7587
Sinem Eraslan(Türkiye Şişe ve Cam Fabrikaları A.Ş.)0009-0009-7429-3217
Batuhan Gündoğdu(The University of Chicago)0000-0002-9395-7519
Benan Akca(MARMARA ÜNİVERSİTESİ)0000-0003-3228-723X
Evren Toptop(MARMARA ÜNİVERSİTESİ)0000-0002-1810-3476
Ahmet Baba(MARMARA ÜNİVERSİTESİ)0000-0003-4834-0912
Serdar Salman(MİLLİ SAVUNMA ÜNİVERSİTESİ)0000-0002-9184-3876
Sayfa
1–11
Yayın Tarihi
2026-09-11
🏛️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)

Sonuç olarak, CdNN mimarisi kullanan SCV, geleneksel k-katlı çapraz doğrulamaya kıyasla T, Rc ve Ru için MAE' de sırasıyla %24,23, %22,41 ve %23,97 oranında iyileşme göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bina cephelerinde veya otomotiv endüstrisinde kullanılan düşük emisyonlu (low-E) kaplamalar, müşteri ihtiyaçlarına ve uygulama alanlarına bağlı olarak mukavemetlerini ve güvenilirliklerini artırmak amacıyla ısıl işlem sürecine tabii tutulurlar.
📊
Temel Bulgular & Veri:Bu bağlamda, veri bölme için katmanlı k-katlı çapraz doğrulama (SCV) stratejisi deneysel olarak değerlendirilmiş ve ısıl işlem sonrası spektrum tahmininde çeşitli modeller kullanılmıştır.
💡
Sonuç & Katkı:Sonuç olarak, CdNN mimarisi kullanan SCV, geleneksel k-katlı çapraz doğrulamaya kıyasla T, Rc ve Ru için MAE' de sırasıyla %24,23, %22,41 ve %23,97 oranında iyileşme göstermiştir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:low-e kaplama · yapay öğrenme · sinir ağları

Özet

Bina cephelerinde veya otomotiv endüstrisinde kullanılan düşük emisyonlu (low-E) kaplamalar, müşteri ihtiyaçlarına ve uygulama alanlarına bağlı olarak mukavemetlerini ve güvenilirliklerini artırmak amacıyla ısıl işlem sürecine tabii tutulurlar. Ancak bu işlem, kaplamaların geçirgenlik ve yansıma gibi optik spektral parametrelerinde değişikliklere neden olur. Isıl işlem öncesine ait parametreler analitik yöntemlerle hesaplanabilmesine karşın, kaplamalardaki kalıcı gerilmelerin homojen olmaması nedeniyle ısıl işlem sonrasına ait spektral parametrelerdeki değişiklikler hesaplanamaz. Endüstride kullanılan tipik çözüm, önemli zaman ve maliyet kayıplarına yol açan deneme-yanılma yöntemidir. Bu çalışma, ŞİSECAM sanayi şirketinin üretim hattından elde edilen deneysel verileri kullanarak, özellikle görünür bölge için ısıl işlem sonrası parametreleri tahmin etmek üzere yapay öğrenme yöntemlerine odaklanarak deneme sayısını azaltmayı amaçlamaktadır. Bu yaklaşımda karşılaşılan en büyük zorluklardan biri, kaplamalar müşteri taleplerine göre üretildiğinden, kaplama grupları arasında ciddi bir sınıf dengesizliği sorunu olmasıdır. Bu bağlamda, veri bölme için katmanlı k-katlı çapraz doğrulama (SCV) stratejisi deneysel olarak değerlendirilmiş ve ısıl işlem sonrası spektrum tahmininde çeşitli modeller kullanılmıştır. SCV kullanan çok katmanlı algılayıcı (MLP, birleştirilmiş sinir ağı-CdNN mimarisi) modeli, sırasıyla geçirgenlik (T), kaplamalı (Rc) ve kaplamasız yansıma (Ru) için 1,804, 2,018 ve 1,408 ortalama mutlak hata (MAE) değerleriyle en iyi performansı göstermiştir. Sonuç olarak, CdNN mimarisi kullanan SCV, geleneksel k-katlı çapraz doğrulamaya kıyasla T, Rc ve Ru için MAE' de sırasıyla %24,23, %22,41 ve %23,97 oranında iyileşme göstermiştir. Gerçekleştirilen ilave istatistiksel analizler, performans artışının model kapasitesindeki artıştan değil, katmanlı örnekleme yöntemi ile değerlendirme yanlılığının azaltılmasından kaynaklandığını ortaya koymaktadır.

Abstract

Low-Emissivity (low-E) coatings used in building facades or the automotive industry are subjected to a heat treatment process to increase their strength and reliability depending on the customer’s needs and application areas. However, this process causes changes in optical spectral parameters such as transmittance and reflectance. Although before-heat treatment parameters can be calculated by analytical methods, changes in spectral parameters after heat-treatment cannot be calculated due to the non-uniformity of the permanent stresses in the coatings. The typical solution in industry is trial-and-error methods, which leads to substantial time and cost losses. This study aims to reduce the number of trials by focusing on machine learning methods to predict post-heat treatment parameters especially for visible region using experimental data obtained from the production line of the industrial company, ŞİŞECAM. One major challenge in this approach is the severe class imbalance problem between coating types since coatings are produced according to customer requests. In this context, stratified k-fold cross validation (SCV) strategy is empirically assessed for data splitting and a variety of models are employed for post-heat treatment spectra prediction. Multi-layer perceptron (MLP, concatenated neural network-CdNN architecture) model using SCV exhibited best performance with mean absolute error (MAE) values of 1.804, 2.018, and 1.408 for transmittance (T), coated reflectance (Rc), and uncoated reflectance (Ru), respectively. As a result, SCV using CdNN architecture showed improvements of 24.23%, 22.41% and 23.97% in MAE respectively for T, Rc and Ru concerning traditional k-fold CV. Additional statistical analysis confirms that the observed performance differences stem from reduced evaluation bias introduced by stratified sampling rather than from increased model capacity.

🔖

Bu Makaleye Atıf Yap

Yenginer, H., Şahin, E., Korkmaz, H., Eraslan, S., Gündoğdu, B., Akca, B., Toptop, E., Baba, A., Salman, S. (2026). Isıl İşlem Görmüş Düşük-Emisyonlu Kaplamaların Yapay Öğrenme Temelli Optik Spektralarının Tahmininde Veri Bölme Stratejilerinin Etkileri. Politeknik Dergisi, Cilt: 29 Sayı: 5, 1–11. https://doi.org/10.2339/politeknik.1843143

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (45)

  1. Abundiz-Cisneros, N., Sanginés, R., Rodríguez-López, R., Peralta-Arriola, M., Cruz, J., & Machorro, R., "Novel Low-E filter for architectural glass pane", Energy and Buildings, 206,109558, (2020).
  2. Nezhad, E. H., Haratizadeh, H., & Kari, B. M., "Influence of Ag mid-layer in the optical and thermal properties of ZnO/Ag/ZnO thin films on the glass used in Buildings as insulating glass unit (IGU)", Ceramics International, 45(8), 9950-9954, (2019).
  3. Bocchese, F., Brown, I., Cornil, D., Moskovkin, P., Muller, J., Kenny, S. D.,. & Lucas, S., "Low-E glass improvement by the understanding and control of the Ag growth", Applied Surface Science, 611, 155600, (2023).
  4. Monnoyer, F., & Lochegnies, D., "Heat transfer and flow characteristics of the cooling system of an industrial glass tempering unit", Applied Thermal Engineering, 2 28(17-18), 2167-2177, (2008).
  5. Koike, A., Akiba, S., Sakagami, T., Hayashi, K., & Ito, S., "Difference of cracking behavior due to Vickers indentation between physically and chemically tempered glasses", Journal of non-crystalline solids, 358(24), 3438-3444, (2012).
  6. Çakıl, D. D., Gönüllü, M. P., Çetinkaya, C., & Şahin, Ö., "Effects of Heat Treatment Time on Properties of 1% Fe-Doped ZnO Films Fabricated by Ultrasonic Spray Pyrolysis", Politeknik Dergisi, 28(5), 1535-1543, (2025).
  7. https://wtheiss.com/wordpress/?page_id=1005, " CODE", (2025).
  8. Sultan, M., & Sultana, N., "Analysis of Reflectance and Transmittance Characteristics of Optical Thin Film for Various Film Materials, Thicknesses and Substrates", J Electr Electron Sys, 4, 2332-0796, (2015).
  9. Choi, J. E., Song, J., Lee, Y. H., & Hong, S. J., "Deep neural network modeling of multiple oxide/nitride deposited dielectric films for 3d-nand flash", Applied Science and Convergence Technology, 29(6), 190-194, (2020).
  10. Rezaei, S. D., Shannigrahi, S., & Ramakrishna, S., "A review of conventional, advanced, and smart glazing technologies and materials for improving indoor environment", Solar Energy Materials and Solar Cells, 159, 26-51, (2017).
  11. Long, L., & Ye, H., "How to be smart and energy efficient: A general discussion on thermochromic windows", Scientific reports, 4(1), 6427, (2014).
  12. Khorasani, A., Yazdi, M., Faraji, M., & Kootsookos, A., "CVD and PVD coating process modelling by using artificial neural networks", Artificial Intelligence Research, 1:46, (2012).
  13. Baptista, A., Silva, F., Porteiro, J., Míguez, J., & Pinto, G., "Sputtering physical vapour deposition (PVD) coatings: A critical review on process improvement andmarket trend demands", Coatings, 8(11), 402, (2018).
  14. Vorobyova, M., Biffoli, F., Giurlani, W., Martinuzzi, S. M., Linser, M., Caneschi, A., & Innocenti, M., "PVD for Decorative Applications: A Review", Materials, 16(14), 4919, (2023).
  15. Ada, H., El Rubaye, A. Q. J., Aşıkuzun, E., Mavi, A., Kaplan, Y., & Aksöz, S., "Investigation of Wear, Surface, Metallurgical and Mechanical Properties of Ti6Al4V Alloys Coated with PVD Method", Politeknik Dergisi, 28(2), 435-444, (2025).
  16. Bamford, S. E., Jones, R. T., Gardner, W., Muir, B. W., Winkler, D. A., & Pigram, P. J., "Profiling a Low Emissivity Glass Coating with ToF-SIMS and Machine Learning", Advanced Materials Interfaces, 11(3), 2300645, (2024).
  17. Kraus, M. A., & Drass, M., "Artificial intelligence for structural glass engineering applications — overview, case studies and future potentials", Glass Structures & Engineering, 5(3), 247-285, (2020).
  18. Drass, M., Kraus, M. A., Riedel, H., & Stelzer, I., "SoundLab AI-Machine learning for sound insulation value predictions of various glass assemblies", Glass Structures & Engineering, 7(1), 101-118, (2022).
  19. Shen, C. Y., Chen, Y., Wang, S. T., Chang, C. Y., & Hwang, R. C. "The Estimation of Thin Film Properties by Neural Network", Automation, Control and Intelligent Systems, 4, 15-20, (2016).
  20. Attia, A. A., El-Bana, M. S., Habashy, D. M., Fouad, S. S., & El-Bakry, M. Y., "Optical constants characterization of As30Se70−xSnx thin films using neural networks", Journal of applied research and technology, 15(5), 423-429, (2017).
  21. Cassar, D. R., de Carvalho, A. C., & Zanotto, E. D., "Predicting glass transition temperatures using neural networks", Acta Materialia, 159, 249-256, (2018).
  22. Bishnoi, S., Singh, S., Ravinder, R., Bauchy, M., Gosvami, N. N., Kodamana, H., & Krishnan, N. A. "Predicting Young’s modulus of oxide glasses with sparse datasets using machine learning", Journal of Non-Crystalline Solids, 524, 119643, (2019).
  23. Tokuda, Y., Fujisawa, M., Packwood, D. M., Kambayashi, M., & Ueda, Y., "Data-driven design of glasses with desirable optical properties using statistical regression", Aip advances, 10(10), (2020).
  24. Khdoudi, A., Barka, N., Masrour, T., El-Hassani, I., & Mazgualdi, C. E., "Online prediction of automotive tempered glass quality using machine learning", The International Journal of Advanced Manufacturing Technology, 125(3), 1577-1602, (2023).
  25. Rabady, R. I., & Ababneh, A., "Global optimal design of optical multilayer thin-film filters using particle swarm optimization", Optik, 125(1), 548-553, (2014).
  26. Jarrah, M. I., Jaya, A. S. M., Azam, M. A., Muhamad, M. R., & Akbar, H., "Minimizing thin film thickness in TiN coatings using genetic algorithms", In AIP Conference Proceedings (Vol. 2016, No. 1, p. 020061). AIP Publishing LLC, (2018).
  27. Cassar, D. R., Santos, G. G., & Zanotto, E. D., "Designing optical glasses by machine learning coupled with a genetic algorithm", Ceramics international, 47(8), 10555-10564, (2021).
  28. Akça, B., Eraslan, S., & Gündogdu, B., "Cam Teknolojilerindeki Kaotik Süreçlerin Sinir Agı Temelli Modellemesi", Neural Network Based Modeling of Chaotic Processes in Glass Technologies
  29. Y Yenginer, H., Eraslan, S., Gündoğdu, B., & Korkmaz, H., "Performance of Hyperparameters in Prediction with Deep Neural Networks of Electrical Properties of Nano-Coated Glasses", In 2023 Innovations in Intelligent Systems and Applications Conference (ASYU) (pp. 1-5). IEEE., (2023).
  30. Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P., "SMOTE: Synthetic Minority Over-sampling Technique", Journal of artificial intelligence research, 16, 321-357, (2002).
  31. Hou, S., Liu, Y., & Yang, Q., "Real-time prediction of rock mass classi fi cation based on TBM operation big data and stacking technique of ensemble learning", Journal of Rock Mechanics and Geotechnical Engineering, 14(1), 123-143, (2022).
  32. Kohavi, R., "A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection", In Ijcai (Vol. 14, No. 2, pp. 1137-1145), (1995).
  33. Chen, T., & Guestrin, C., "XGBoost: A scalable tree boosting system", In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794), (2016).
  34. Machado, M. R., Karray, S., & De Sousa, I. T., "LightGBM: An effective decision tree gradient boosting method to predict customer loyalty in the finance industry", 14th international conference on computer science & education (ICCSE) (pp. 1111-1116). IEEE, (2019).
  35. Zhang, F., & O'Donnell, L. J., " Support vector regression. In Machine learning", Academic Press, (pp. 123-140), (2020).
  36. Drucker, H., Burges, C. J., Kaufman, L., Smola, A., & Vapnik, V., "Support vector regression machines", Advances in neural information processing systems, 9, (1996).
  37. Kınacı, E. B., Bal, H., & Kınacı, H., "Epileptik Nöbet Tespiti İçin Destek Regresyon Temelli Yeni Bir Sınıflandırma Yaklaşımı", Politeknik Dergisi, 27(2), 587-601, (2024).
  38. Rosenblatt, F.," The perceptron: a probabilistic model for information storage and organization in the brain " Psychological review, 65(6), 386 (1958).
  39. Guillod, T., Papamanolis, P., & Kolar, J. W., " Artificial neural network (ANN) based fast and accurate inductor modeling and design", IEEE Open Journal of Power Electronics, 1, 284-299, (2020).
  40. Aysal, F. E., Çelik, İ., Cengiz, E., & Oğuz, Y., "A Comparison of Multi-Layer Perceptron and Inverse Kinematic for RRR Robotic Arm", Politeknik Dergisi, 27(1), 121-131, (2023).
  41. Chan, K. H., Im, S. K., & Ke, W., "Multiple classifier for concatenate-designed neural network", Neural Computing and Applications, 34(2), 1359-1372, (2022).
  42. Pawar, S., San, O., Vedula, P., Rasheed, A., & Kvamsdal, T., "Multi ‑ fidelity information fusion with concatenated neural networks", Scientific Reports, 12(1), 5900, (2022).
  43. Liao, K., Si, J., Zhu, F., & He, X., "Radar HRRP Target Recognition Based on Concatenated Deep Neural Networks", IEEE Access, 6, 29211-29218., (2018).
  44. Bocchese, F., Brown, I., Cornil, D., Moskovkin, P., Muller, J., Kenny, S. D.,. & Lucas, S., "Low-E glass improvement by the understanding and control of the Ag growth", Applied Surface Science, 611, 155600, (2023).
  45. Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P., "SMOTE: Synthetic Minority Over-sampling Technique", Journal of artificial intelligence research, 16, 321-357, (2002).