Dergiler / Fırat Üniversitesi Doğu Araştırmaları Dergisi / 2026 / Cilt: 2 Sayı: 3

GERİ BESLEMELİ VE İLERİ BESLEMELİ SİNİR AĞI KULLANILARAK DMMP VE CHCL3 GAZ KARIŞIMLARININ MİKTARSAL SINIFLANDIRILMASI

QUANTITATIVE CLASSIFICATION OF DMMP AND CHCL3 GAS MİXTURES USING RECURRENT AND FEED FORWARD NEURAL NETWORKS

Sayfa
86–92
Yayın Tarihi
2004-06-16
DOI
—
🏛️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)

DMMP and CHCl 3 gaz karışımlarının miktarsal sınıflandırılması için diğer sinir ağlarının da uygulanabilirliği görüldü.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:800x600 Normal 0 21 false false false TR X-NONE X-NONE MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman","serif";} Bu çalışmada, gaz karışımlarında gaz konsantrasyonlarının (DMMP and CHCl 3 ) miktarsal olarak tanımlanması için ileri beslemeli sinir ağı (FFNN) kullanılmış ve Elman geri beslemeli sinir ağı (RNN) önerildi.
📊
Temel Bulgular & Veri:Kalibreli bir kütle akış kontrolörü, taşıyıcı gaz, DMMP ve CHCl 3 gaz karışım   buharlarının akış miktarının kontrol edilmesi için kullanıldı.   Algılayıcının cevapları IEEE 488 kart vasıtasıyla toplandı.
💡
Sonuç & Katkı:DMMP and CHCl 3 gaz karışımlarının miktarsal sınıflandırılması için diğer sinir ağlarının da uygulanabilirliği görüldü.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Gazların Miktarsal Sınıflandırılması · İleri Beslemeli Sinir Ağı · Elman Geri Beslemeli Sinir Ağı

Özet

800x600 Normal 0 21 false false false TR X-NONE X-NONE MicrosoftInternetExplorer4 /* Style Definitions */ table.MsoNormalTable {mso-style-name:"Normal Tablo"; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Times New Roman","serif";} Bu çalışmada, gaz karışımlarında gaz konsantrasyonlarının (DMMP and CHCl 3 ) miktarsal olarak tanımlanması için ileri beslemeli sinir ağı (FFNN) kullanılmış ve Elman geri beslemeli sinir ağı (RNN) önerildi. Phthalocyanine kaplamalı kuartz kristal mikrodenge (QCM) gaz sensörü olarak kullanıldı. Kalibreli bir kütle akış kontrolörü, taşıyıcı gaz, DMMP ve CHCl 3 gaz karışım   buharlarının akış miktarının kontrol edilmesi için kullanıldı.   Algılayıcının cevapları IEEE 488 kart vasıtasıyla toplandı. İkili karışımdaki bileşenler, QCM sensör dizisinden alınan sensör cevapları ileri beslemeli sinir ağı ve Elman geri beslemeli sinir ağına   giriş olarak uygulanma ile miktarsal olarak belirlendi. İki gizli katmanlı Elman geri beslemeli sinir ağı ile en iyi sonuç elde edildi. DMMP and CHCl 3 gaz karışımlarının miktarsal sınıflandırılması için diğer sinir ağlarının da uygulanabilirliği görüldü.

🔖

Bu Makaleye Atıf Yap

Temurtaş, F., Çikoğlu, S., Taşaltın, C., Öztürk, Z., Ebeoğlu, M. A. (2004). GERİ BESLEMELİ VE İLERİ BESLEMELİ SİNİR AĞI KULLANILARAK DMMP VE CHCL3 GAZ KARIŞIMLARININ MİKTARSAL SINIFLANDIRILMASI. Fırat Üniversitesi Doğu Araştırmaları Dergisi, Cilt: 2 Sayı: 3, 86–92. https://ajindex.com/articles/1650521

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. D. Rebiere, C. Dejeoue, J. Pistre, R. Planade, J.F. Lipsker, P. Robin, Surface acustic wave detection of organophosphorus compounds with flouropolyol coatings, Sensors and actuators B, Vol. 43 (1997) 34-39
  2. M.S. Nieuwenhuizen, J.L.N. Harteveld, Studies on a surface acoustic wave (SAW) dosimeter sensor for organophosporous nerve agents, Sensors and actuators B, Vol. 40 (1997) 167-173
  3. M.H. Ho, G.G. Gullbault, B. Rietz, Continuos Detection of Toluene in Ambient Air with a Coated Piezoelectric Crystal, Anal. Chem., Vol. 52(9), (1980)
  4. F.Temurtas, C.Tasaltin, H.Temurtas, N. Yumusak, Z.Z: Ozturk, Fuzzy Logic and Neural Network Applicationns on the Gas Sensor Data: Concentration estimation, ISCIS’03, Antalya, LNCS (November 2003)178-185
  5. A. Szczurek, P.M. Szecowka, B.W. Licznerski, Application of sensor array and neural networks for quantification of organic solvent vapours in air,, Sensors and Actuators B, Vol. 58 (1999) 427-432
  6. S. Vaihinger, W. Gopel, Multi - Component Analysis in Chemical Sensing in Sensors: A Comprehensive Survery Ed. W. Gopel, S. Hense, S.N. Zemel, VCH. Weinhe, New York, Vol. 2(1) (1991) 192
  7. M. Pardo, G. Faglia, G. Sberveglieri, M. Corte, F. Masulli, M. Riani, A time delay neural network for estimation of gas concentrations in a mixture, Sensors and Actuators B, 65 (2000) 267–269
  8. H.W. King, Piezoelectric Sorption Detector, Anal. Chem., Vol. 36 (1964) 1735-1739
  9. J. Riddick, and A. Bunger, in A. Weissberger, (ed.), Organic Solvents’ in Techniques of Chemistry, Vol. 2, Wiley Interscience, (1970)
  10. M.M. Abdelhameed, F.F. Tolbah, A recurrent neural network based sequential controller for manufacturing automated systems, Vol. 12, (2002) 617-633
  11. S. Haykin, Neural Networks, A Comprehensive Foundation, Macmillan Publishing Company, Englewood Cliffs, N.J. (1994)
  12. D. Rebiere, C. Dejeoue, J. Pistre, R. Planade, J.F. Lipsker, P. Robin, Surface acustic wave detection of organophosphorus compounds with flouropolyol coatings, Sensors and actuators B, Vol. 43 (1997) 34-39
  13. A. Szczurek, P.M. Szecowka, B.W. Licznerski, Application of sensor array and neural networks for quantification of organic solvent vapours in air,, Sensors and Actuators B, Vol. 58 (1999) 427-432