BibTex RIS Cite

-

Year 2014, Volume: 7 Issue: 1, 19 - 36, 06.06.2014

Mustafa Şahin , Fuat Büyüktümtürk Yüksel Oğuz Paşa Yalçın

https://doi.org/10.18185/eufbed.38129

Abstract

The aim of this study is analyzing different views of the concept of the decreasing of the quantity of illumination elements luminous flux with the title of artificial neural networks along with modeling the measurements which is impossible for manual measuring because it takes long time with measuring device with artificial neural Networks and to predict illumination of unlimited points to artificial neural network with minimum error in a short time and to create a new luminance model results of estimation. In this way, maintenances of luminance systems which is complex and take lots of time, was aimed to establish in less time more reliable. Thus, complex and time consuming maintenance of lighting systems has been targeted in less time. Firstly, artificial neural networks (Artificial Neural Networks) and illumination systems were researched from various positions. As a result, in this study, with estimations of brightness levels, the extent to which the artificial neutral Networks become successful was observed and more correct results have been obtained in terms of both economy and usage.

Keywords

Lighting Systems Artificial Neural Networks Lamp Life LuminousFlux

References

  • Cristea, V.M., Hosu A., Sandru, M., Seserman, L., 2011. Antioxidant activity prediction and classification of some teas usin artificial neural networks. Neural networks, Food Chemistry, Vol.127, pp. 1323-1328. Janjai, S.,Plaon, P. 2011. Estimation of sky luminance in the tropics using artificial neural networks: Modeling and performance comparison with the CIE model. Applied Energy, Vol. 88, pp. 840-847, Thailand. Jin, L.V. 2007. Summary of Artificial Neuron Model Research’, Industrial Electronics Society, IECON 2007. 33rd Annual Conference of the IEEE, 5-8 Nov. pp. 677 – 682, Taipei.
  • Kalogirou S. A. 2000. Long-Term Performance Prediction of Forced Circulation Solar Domestic Water Heating Systems Using Artificial Neural Networks”, Applied Energy, pp 61–75.
  • Kalogirou S.A. 2000. Artificial Neural Networks in Renewable Energy Systems Applications: A Review. Renewable and Sustainable Energy Reviews, pp 373-401.
  • Kalogirou, S.A. 1999. Applications of Artificial Neural Networks in Energy Systems a Review. Energy Conversion and Management, Vol. 40, pp. 1073-1087.
  • Kazanasmaz, T., Günaydın, M., Binol, S. 2009. Artificial neural Networks to predict daylight illuminance in office buildings. Buildingand Environment, vol. 44, Issue 8, pp. 1751-1757.
  • Kocabey S. 2008. İç Hacimlerde Aydınlık Düzeyi Dağılımının Bulunması Ve Sonlu Elemanlar Yöntemi İle İncelenmesi. Doktora Tezi, Marmara Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  • Li, Y., Ma, W. 2010. Applications of Artificial Neural Networks in Financial Economics: A Survey. Computational Intelligence and Design (ISCID), China.
  • Lopez, G., Gueymard, C.A. 2007. Clear-sky solar luminous efficacy determination using artificial neural networks. Solar Energy , Vol. 81, pp. 929–939, USA.
  • Matić, D., Kulić, F., Sanchez, M.P., Llinares, J.P. 2010. Artificial Neural Networks Eccentricity Fault Detection of Induction Motor, Fifth International Multi-conference on Computing in the Global Information Technology, pp.1, Serbia.
  • Medsker, L.R. 1997. The future of artificial neural Networks could be bright”, Computers/Control engineering, Vol.10, pp. 28-9, Washington, DC, USA.
  • Onaygil, S. 2007. Aydınlatmanın Temel Prensipleri’, Tedaş Semineri, 23-24 Ocak.
  • Saoud, S., Khellaf, A., 2011. A neural network based on an inexpensiveeightbit microcontroller, Neural Computing and Applications, Vol.20, pp.329-334, Algeria.
  • Şahin, M., 2010. Yapay sinir ağları ile dâhili ortamlardaki aydınlık düzeyinin analizi, Marmara Üniversitesi Fen bilimleri Enstitüsü, Yüksek Lisans Tezi, İstanbul.
  • Şahin M, Büyüktümtürk F, Oğuz Y. 2012. Yapay Sinir Ağları ile Aydınlık Kalitesi Kontrolü, AKU J. Sci. Eng. Pp.1-10.
  • Villaverde, I., Granna, M. 2011. Neuro-evolutionary mobile robot egomotion estimation with a 3D ToF camera , Neural Computing and Applications, Vol.20, pp. 345-354, Spain.
  • U.R.L:http://www.psych.utoronto.ca/users/reingold/courses/ai/cache/n euralhtml Erişim: 13.11.2012 ****

AYDINLATMA ELEMANLARINDAKİ IŞIK AKISI AZALMALARININ YAPAY SİNİR AĞLARI İLE TAHMİNİ

Year 2014, Volume: 7 Issue: 1, 19 - 36, 06.06.2014

Mustafa Şahin , Fuat Büyüktümtürk Yüksel Oğuz Paşa Yalçın

https://doi.org/10.18185/eufbed.38129

Abstract

Bu çalışmada, aydınlatma elemanlarındaki performans düşüşlerini, yıpranmalardan ve kullanımdan kaynaklanan ışık akısı azalmalarının mekân içerisindeki aydınlık düzeyi dağılımına etkisini, yapay sinir ağları (Artificial Neural Networks) kullanılarak farklı açılardan incelenmiştir. Klasik yöntemlerle hesabı mümkün olmayan, ölçme cihazlarıyla uzun zaman alan ölçümleri, kısa sürede yapay sinir ağlarına minimum hata oranı ile tahmin ettirebilmek ve tahminler sonucunda bir değerlendirme modeli oluşturmaktır. Böylelikle aydınlatma sistemlerinin karmaşık ve uzun zaman alan bakımlarının daha az sürede ve daha güvenilir bir şekilde yapılması hedeflenmiştir. Bunun için öncelikle yapay sinir ağları (YSA) ve aydınlatma kavramları çeşitli açılardan incelenmiştir. Sonuç olarak bu bilgiler doğrultusunda seçilen modelin tahmin ettiği değerler ile ölçülen değerler arasındaki hata oranını çıkartılıp iyi bir aydınlatmanın yanında istenilen yerlerin aydınlatılması sağlanmıştır. Bunun neticesinde, ergonomik, ekonomik ve kullanım açısından daha doğru sonuçlara ulaşıldığı gözlemlenmiştir.

Keywords

Aydınlatma Sistemleri Yapay Sinir Ağları Lamba Ömrü Işık Akısı.

References

  • Cristea, V.M., Hosu A., Sandru, M., Seserman, L., 2011. Antioxidant activity prediction and classification of some teas usin artificial neural networks. Neural networks, Food Chemistry, Vol.127, pp. 1323-1328. Janjai, S.,Plaon, P. 2011. Estimation of sky luminance in the tropics using artificial neural networks: Modeling and performance comparison with the CIE model. Applied Energy, Vol. 88, pp. 840-847, Thailand. Jin, L.V. 2007. Summary of Artificial Neuron Model Research’, Industrial Electronics Society, IECON 2007. 33rd Annual Conference of the IEEE, 5-8 Nov. pp. 677 – 682, Taipei.
  • Kalogirou S. A. 2000. Long-Term Performance Prediction of Forced Circulation Solar Domestic Water Heating Systems Using Artificial Neural Networks”, Applied Energy, pp 61–75.
  • Kalogirou S.A. 2000. Artificial Neural Networks in Renewable Energy Systems Applications: A Review. Renewable and Sustainable Energy Reviews, pp 373-401.
  • Kalogirou, S.A. 1999. Applications of Artificial Neural Networks in Energy Systems a Review. Energy Conversion and Management, Vol. 40, pp. 1073-1087.
  • Kazanasmaz, T., Günaydın, M., Binol, S. 2009. Artificial neural Networks to predict daylight illuminance in office buildings. Buildingand Environment, vol. 44, Issue 8, pp. 1751-1757.
  • Kocabey S. 2008. İç Hacimlerde Aydınlık Düzeyi Dağılımının Bulunması Ve Sonlu Elemanlar Yöntemi İle İncelenmesi. Doktora Tezi, Marmara Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  • Li, Y., Ma, W. 2010. Applications of Artificial Neural Networks in Financial Economics: A Survey. Computational Intelligence and Design (ISCID), China.
  • Lopez, G., Gueymard, C.A. 2007. Clear-sky solar luminous efficacy determination using artificial neural networks. Solar Energy , Vol. 81, pp. 929–939, USA.
  • Matić, D., Kulić, F., Sanchez, M.P., Llinares, J.P. 2010. Artificial Neural Networks Eccentricity Fault Detection of Induction Motor, Fifth International Multi-conference on Computing in the Global Information Technology, pp.1, Serbia.
  • Medsker, L.R. 1997. The future of artificial neural Networks could be bright”, Computers/Control engineering, Vol.10, pp. 28-9, Washington, DC, USA.
  • Onaygil, S. 2007. Aydınlatmanın Temel Prensipleri’, Tedaş Semineri, 23-24 Ocak.
  • Saoud, S., Khellaf, A., 2011. A neural network based on an inexpensiveeightbit microcontroller, Neural Computing and Applications, Vol.20, pp.329-334, Algeria.
  • Şahin, M., 2010. Yapay sinir ağları ile dâhili ortamlardaki aydınlık düzeyinin analizi, Marmara Üniversitesi Fen bilimleri Enstitüsü, Yüksek Lisans Tezi, İstanbul.
  • Şahin M, Büyüktümtürk F, Oğuz Y. 2012. Yapay Sinir Ağları ile Aydınlık Kalitesi Kontrolü, AKU J. Sci. Eng. Pp.1-10.
  • Villaverde, I., Granna, M. 2011. Neuro-evolutionary mobile robot egomotion estimation with a 3D ToF camera , Neural Computing and Applications, Vol.20, pp. 345-354, Spain.
  • U.R.L:http://www.psych.utoronto.ca/users/reingold/courses/ai/cache/n euralhtml Erişim: 13.11.2012 ****
There are 16 citations in total.

Details

Primary Language Turkish
Journal Section Makaleler
Authors

Mustafa Şahin

Fuat Büyüktümtürk This is me

Yüksel Oğuz This is me

Paşa Yalçın This is me

Publication Date June 6, 2014
Published in Issue Year 2014 Volume: 7 Issue: 1

Cite

APA Şahin, M., Büyüktümtürk, F., Oğuz, Y., Yalçın, P. (2014). AYDINLATMA ELEMANLARINDAKİ IŞIK AKISI AZALMALARININ YAPAY SİNİR AĞLARI İLE TAHMİNİ. Erzincan University Journal of Science and Technology, 7(1), 19-36. https://doi.org/10.18185/eufbed.38129