Dergiler / Geosound / 2008 / Cilt: 0 - Sayı: 53

Yer bilimlerinde veri madenciliği uygulaması

Application of data mining on earth sciences

Sayfa
73–86
Yayın Tarihi
2022-10-18
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)

Sonuçlar bize, son kömürlü düzeyden sonra çoğunlukla görülen formasyonların bilinmesi sondaj derinliklerinin, seçilen bir formasyonun sondajlarda ilk rastlanılma derinliğine göre sondajların sınıflandırılması tabakalaşmanın eğilimini göstererek sondaj sayılarının azaltılmasına yardımcı olabileceğini göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:ÖZET: Bu makalede Seyitömer Kömür Havzası'ndan elde edilen verilerin kullanıldığı bir veri madenciliği uygulaması sunulmaktadır.
📊
Temel Bulgular & Veri:Veri madenciliği çıplak gözle görülemeyen ve klasik yöntemlerle ulaşılması uzun zaman alan bilgilerin bilgisayar yardımı ile elde edilmesini sağlayan yöntemler bütünüdür.
💡
Sonuç & Katkı:Sonuçlar bize, son kömürlü düzeyden sonra çoğunlukla görülen formasyonların bilinmesi sondaj derinliklerinin, seçilen bir formasyonun sondajlarda ilk rastlanılma derinliğine göre sondajların sınıflandırılması tabakalaşmanın eğilimini göstererek sondaj sayılarının azaltılmasına yardımcı olabileceğini göstermiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

ÖZET: Bu makalede Seyitömer Kömür Havzası'ndan elde edilen verilerin kullanıldığı bir veri madenciliği uygulaması sunulmaktadır. Veri madenciliği çıplak gözle görülemeyen ve klasik yöntemlerle ulaşılması uzun zaman alan bilgilerin bilgisayar yardımı ile elde edilmesini sağlayan yöntemler bütünüdür. YOK Ulusal Tez Merkezi' nde bulunan tezler incelendiğinde özellikle tıp ve ticaret alanlarında çalışmaların bulunduğu ancak yer bilimleri ile ilgili bir teze rastlanılmamıştır. Seyitömer Kömür Havzası'nda geçmiş yıllarda yapılan sondajlarda elde edilen veriler, sondaj stampında gösterilen formasyonların cinsi, derinliği ve kalınlığıdır. Bu verilerin bilgisayar ortamında yapılacak araştırmalarda kolaylık sağlayabilecek biçimde düzenlenmesi gerekmektedir. Seyitömer verilerinin ön incelemesi formasyonların isimlendirilmesinde bir standardın bulunmadığını göstermiştir. Ancak, araştırmacıların isteklerinin ne olabileceğini saptamak amacı ile konunun uzmanları tarafından yazılmış olan makaleler incelenmiş ve bazı uzmanlarla görüşmeler yapılmıştır. Bu çalışmalar amacın belirlenmesine yardımcı olmuştur. Litoloji adlandırmasının standartlaştırılmasma yardımcı olmak, açılan sondajların derinliklerinin ve sondaj sayısının azaltılmasını sağlamak birer hedef olarak seçilmiştir. Bu hedeflere ulaşabilmek için özetleme ve özellikle koşulların kullanıcı tarafından belirlendiği, sınıflandırılmalara yer verilmiştir. Bu işlemler, veri girişinin herhangi bir aşamasında uygulanabilecek şekilde düzenlenmiştir. Her yeni sondaj bilgisi girildiğinde çizelge ve/veya şekiller biçiminde elde edilen sonuçlara bakarak arazideki çalışmaların bir sonraki aşamasında yapılması gerekenler konusunda daha tutarlı kararlar almak mümkün olabilecektir. Sonuçlar bize, son kömürlü düzeyden sonra çoğunlukla görülen formasyonların bilinmesi sondaj derinliklerinin, seçilen bir formasyonun sondajlarda ilk rastlanılma derinliğine göre sondajların sınıflandırılması tabakalaşmanın eğilimini göstererek sondaj sayılarının azaltılmasına yardımcı olabileceğini göstermiştir.

Abstract

In this article, data mining application, where the data obtained from Seyitömer Coal Basin is used, is being represented. Datamining is a combination of methods where the knowledge, which can not be seen or takes long time to retrieve with classical procedures, can be obtained by using computers. In spite of widely use at commercial and medical areas, no application has been encountered in earth sciences. . The data obtained from the previous boring in the Seyitömer Coal Basin is the kind,depth and thickness of formation which shown at vertical cross sections. This data have to be arranged in order to ease the computer searches. In the pre-searches of Seyitömer Coal Basin's data, it is observed that there is no standard in naming the formations. How ever, in order to define the wishes of researchers, the articles written by the experts have been observed, and some discussions have been made with some experts. These studies have helped to define the aim. In this project, our aim is to standard the lithology naming and reduce the depth and number of bore-holes. So as to reach the aim, summarization and classification where conditions are specified by users especially, are included. These methods have been organized for the usage of data applications in any stage.When each new bore-hole information is entered to the computer, it would be possible to have more consistent decisions about future studies on basin by using the results of tables and/or drawings. The results shows us;a)Knowing the formation which is occasionally seen below the last coal layer reduces the depth of bore-holes.b)The classification of the bone-hole which depends on the first seen depth of the chosen formation reduces the boring number by showing the slope of the formation.

🔖

Bu Makaleye Atıf Yap

KAYGULU, M. S. (2022). Yer bilimlerinde veri madenciliği uygulaması. Geosound, Cilt: 0 - Sayı: 53, 73–86. https://ajindex.com/articles/524834

Kaynakça (13)

  1. Brachman, R.J., Khabaza, T., Kloesgen, W., Piatetsky-Shapiro, G. & Simoudis, E. (1996). Mining business databases. Communication of the Acm. 39, 42-48.
  2. Chen, M.S., Han, J. & Yu, P.S. (1996). Data mining: An overview from a database perspective. IEEE Transaction on Knowledge and Data Engineering. 8, 866-883.
  3. Dunham, M. (2002). Data mining: Introductory and advanced topics. NJ, USA: Prentice Hall. Elmasri, R., & Navathe, S. B. (2004). Fundamentals of database systems. United States of America: Addison-Wesley. Fayyad, UHaussler, D. & Stolon, P. (1996). Mining scientific data. Communica-tion of the Acm. 39, 51-57.
  4. Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. (1996). The KDD process for extracting useful knowledge from volumes of data. Communication of the Acm. 39, 27-34.
  5. Fayyad, U. & Uthurusamy, R. (1996). Data mining and knowledge discovery in databases. Communication of the Acm. 39, 24-26.
  6. Glymour, C., Madigan, D., Pregibon, D. & Smyth, P. (1996). Statistical inference and data mining. Communication of the Acm. 39, 35-41.
  7. Han, J., & Kamber, M. (2001). Data mining concepts and techniques. United States of America: Morgan Kaufmann Publishers.
  8. Hand, D., Mannila, H., & Smyth, P.(2001). Principles of data mining. United-States of America: The MIT Press.
  9. Holsheimer, M. & Siehes, A. (1991). Data minig: The search for knowledge in databases. Amsterdam: CWI. Imielinski, T. & Mannila, H. (1996). A database perspective on knowledge discovery. Communication of the Acm. 39, 58-64.
  10. Inmon, W.H. (1996). The data warehouse and data mining. Communication of the Acm. 39, 49-50.
  11. Jain, A.K. & Dubes, R.C. (1988). Algorithms for clustering data. New Jersey: Prentice-Hall. Knorr, E.M. & Ng, R.T. (1996). Finding aggregate proximity relationships and commonalities in spatial data mining. IEEE Transaction on Knowledge and Data Engineering. 8, 884-897.
  12. Özkarahan, E. (1997). Database Management: Concepts, Design, and Practise (2nd ed). İzmir:
  13. Saray Medical Publication. Tan, P., Steinbach, M., & Kumar, V. (2005). Introduction to data mining. USA: Addision Wesley. Rud, O. P. (2001). Data mining cookbook. United States of America: John Wiley & Sons, Inc. Westphal, C., & Blaxton, T. (1998). Data mining solutions. United States of America: John Wiley & Sons, Inc.