Review
BibTex RIS Cite

The Role of Kriging-Based Metamodeling in Engineering Design: Data Sources, Methodological Advances, and Applications

Year 2026, Volume: 14 Issue: 1, 366 - 380, 10.03.2026

Nurullah Yüksel

https://doi.org/10.29109/gujsc.1838549
https://izlik.org/JA34PH73SS

Abstract

This study is an interdisciplinary review that comprehensively examines the current application areas, data sources, and methodological developments of Kriging-based metamodeling techniques in engineering design. In modern design processes—where the direct use of FEA, CFD, and multiphysics analyses is limited due to increasing computational costs—the interpolative structure, uncertainty quantification capability, and high predictive accuracy of Kriging models are evaluated in detail. The performance of Kriging in applications such as aerodynamic optimization, structural reliability analysis, fatigue life prediction, crashworthiness assessment, and manufacturing process parameterization within aerospace, mechanical, and automotive engineering is presented through comparative literature examples. The findings indicate that Kriging provides high accuracy for low-sample problems, significantly accelerates optimization when integrated with uncertainty-driven adaptive sampling strategies, and achieves an optimal balance between cost and accuracy when combined with multi-fidelity modeling frameworks. Furthermore, emerging trends such as non-stationary covariance models and hybrid Kriging architectures integrated with deep learning offer notable advantages, particularly for high-dimensional and strongly nonlinear design problems. By synthesizing fragmented knowledge across literature into a unified framework, this study identifies methodological gaps, current limitations, and future research directions for Kriging-based design optimization.

Keywords

Kriging Metamodeling Engineering Design Multi-Fidelity Optimization

References

  • [1] Rasmussen, C. E. (2004). Gaussian Processes in Machine Learning, in Advanced Lectures on Machine Learning: ML Summer Schools 2003, Canberra, Australia, February 2 - 14, 2003, Tübingen, Germany, August 4 - 16, 2003, Revised Lectures, O. Bousquet, U. von Luxburg, and G. Rätsch, Editors, Springer Berlin Heidelberg: Berlin, Heidelberg. p. 63-71.
  • [2] Forrester, A., A. Sobester, & A. Keane (2008). Engineering design via surrogate modelling: a practical guide. John Wiley & Sons.
  • [3] Kaymaz, I. (2005). Application of kriging method to structural reliability problems. Structural safety. 27(2), 133-151.
  • [4] Liu, H., Y.-S. Ong, X. Shen, & J. Cai (2020). When Gaussian process meets big data: A review of scalable GPs. IEEE transactions on neural networks and learning systems. 31(11), 4405-4423.
  • [5] Wu, J.& P. Frazier (2019). Practical two-step lookahead Bayesian optimization. Advances in neural information processing systems. 32.
  • [6] Bliek, L. (2022). A Survey on Sustainable Surrogate-Based Optimisation. Sustainability. 14(7), 3867.
  • [7] Yun, W., Z. Lu, W. Zhang, & X. Jiang (2021). A novel inverse strain range-based adaptive Kriging method for analyzing the combined fatigue life reliability. Structural and Multidisciplinary Optimization. 64(6), 3311-3330.
  • [8] Ulaganathan, S., I. Couckuyt, F. Ferranti, E. Laermans, & T. Dhaene (2015). Performance study of multi-fidelity gradient enhanced kriging. Structural and Multidisciplinary Optimization. 51(5), 1017-1033.
  • [9] Hu, J., Q. Zhou, P. Jiang, X. Shao, & T. Xie (2018). An adaptive sampling method for variable-fidelity surrogate models using improved hierarchical kriging. Engineering Optimization. 50(1), 145-163.
  • [10] Ni, P., J. Li, H. Hao, & H. Zhou (2021). Reliability based design optimization of bridges considering bridge-vehicle interaction by Kriging surrogate model. Engineering Structures. 246, 112989.
  • [11] Moustapha, M., B. Sudret, J.-M. Bourinet, & B. Guillaume (2016). Quantile-based optimization under uncertainties using adaptive Kriging surrogate models. Structural and multidisciplinary optimization. 54(6), 1403-1421.
  • [12] Weinmeister, J., X. Gao, & S. Roy (2019). Analysis of a Polynomial Chaos-Kriging Metamodel for Uncertainty Quantification in Aerodynamics. AIAA Journal. 57(6), 2280-2296.
  • [13] Liu, H., Z. Liu, L. Tu, J. Liang, & Y. Zhang (2024). Sensitivity Analysis of Fatigue Life for Cracked Carbon-Fiber Structures Based on Surrogate Sampling and Kriging Model under Distribution Parameter Uncertainty. Applied Sciences. 14(18), 8313.
  • [14] Qian, H.-M., J. Wei, & H.-Z. Huang (2023). Structural fatigue reliability analysis based on active learning Kriging model. International Journal of Fatigue. 172, 107639.
  • [15] Aye, C. M., N. Pholdee, A. R. Yildiz, S. Bureerat, & S. M. Sait (2019). Multi-surrogate-assisted metaheuristics for crashworthiness optimisation. International Journal of Vehicle Design. 80(2-4), 223-240.
  • [16] Zhang, Y., Y. Shan, X. Liu, & T. He (2024). Integrated shape-morphing and surrogate model-assisted multi-objective structural optimization of an automobile wheel made of lightweight materials to improve its impact resistance. Engineering Optimization. 56(12), 1972-1998.
  • [17] Nie, T., G. Qin, Y. Wang, & J. Sun (2023). Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach. Transportation Research Part C: Emerging Technologies. 152, 104190.
  • [18] Li, J.& J. Cai (2020). Massively Multipoint Aerodynamic Shape Design via Surrogate-Assisted Gradient-Based Optimization. AIAA Journal. 58(5), 1949-1963.
  • [19] Yang, X., G. Tartakovsky, & A. M. Tartakovsky (2021). Physics Information Aided Kriging using Stochastic Simulation Models. SIAM Journal on Scientific Computing. 43(6), A3862-A3891.
  • [20] Qian, J., J. Yi, Y. Cheng, J. Liu, & Q. Zhou (2020). A sequential constraints updating approach for Kriging surrogate model-assisted engineering optimization design problem. Engineering with Computers. 36(3), 993-1009.
  • [21] Xiao, S., L. Zhenzhou, & L. Xu (2017). Global sensitivity analysis based on random variables with interval parameters by metamodel-based optimisation. International Journal of Systems Science: Operations & Logistics. 5.
  • [22] Chu, L., J. Shi, E. Souza de Cursi, & S. Ben (2020). Efficiency improvement of Kriging surrogate model by subset simulation in implicit expression problems. Computational and Applied Mathematics. 39(2), 119.
  • [23] Kleijnen, J. P. C. (2009). Kriging metamodeling in simulation: A review. European Journal of Operational Research. 192(3), 707-716.
  • [24] Toal, D. J. J. (2023). Applications of multi-fidelity multi-output Kriging to engineering design optimization. Structural and Multidisciplinary Optimization. 66(6), 125.
  • [25] Meng, D., S. Yang, A. M. P. d. Jesus, & S.-P. Zhu (2023). A novel Kriging-model-assisted reliability-based multidisciplinary design optimization strategy and its application in the offshore wind turbine tower. Renewable Energy. 203, 407-420.
  • [26] Li, X., H. Zhu, Z. Chen, W. Ming, Y. Cao, W. He, & J. Ma (2022). Limit state Kriging modeling for reliability-based design optimization through classification uncertainty quantification. Reliability Engineering & System Safety. 224, 108539.
  • [27] Pham, V., M. Tyan, T. A. Nguyen, & J.-W. Lee (2024). Extended Hierarchical Kriging Method for Aerodynamic Model Generation Incorporating Multiple Low-Fidelity Datasets. Aerospace. 11(1), 6.
  • [28] Zhang, J., M. Xiao, P. Li, & L. Gao (2022). Quantile-based topology optimization under uncertainty using Kriging metamodel. Computer Methods in Applied Mechanics and Engineering. 393, 114690.
  • [29] Zheng, Y., J. Chen, X. Cai, J. Xiang, & C. Zhang (2025). Concurrent topology optimization for structures and celluar materials based on Kriging model. Computers & Structures. 318, 107966.
  • [30] Wu, P.& Y. Li (2023). Adaptive kriging model-based structural reliability analysis under interval uncertainty with incomplete data. Structural and Multidisciplinary Optimization. 66(1), 22.
  • [31] Ding, C., J. Wang, S. Zhang, S. Yang, & Y. Ma (2025). A novel active learning stochastic Kriging metamodel for improving reliability and stability of additive manufacturing processes. Reliability Engineering & System Safety. 260, 111043.
  • [32] Al Khalil, M., N. Lebaal, F. Demoly, & S. Roth (2024). Bio-inspired-based structures optimization for additive manufacturing using metaheuristic Kriging. Mechanics of Advanced Materials and Structures. 31(21), 5290-5299.
  • [33] Wang, X., L. Wang, H. Chi, B. Yuan, Q. Sun, W. Sun, & Y. Cui (2025). Uncertainty design optimization of the main bearing in tunnel boring machine based on the Kriging model with partial least squares. Tunnelling and Underground Space Technology. 162, 106648.
  • [34] Li, P., Z. Wang, B. Zhao, T. Becker, & K. Soga (2025). Surrogate modeling for identifying critical bridges in traffic networks under earthquake conditions. Transportation Research Part D: Transport and Environment. 138, 104512.
  • [35] Cinar, A. C. (2020). Training feed-forward multi-layer perceptron artificial neural networks with a tree-seed algorithm. Arabian Journal for Science and Engineering. 45(12), 10915-10938.
  • [36] Mao, F., M. Chen, K. Zhong, J. Zeng, & Z. Liang (2024). An XGBoost-assisted evolutionary algorithm for expensive multiobjective optimization problems. Information Sciences. 666, 120449.
  • [37] Wang, Z., Y. Tu, K. Zhang, Z. Han, Y. Cao, & D. Zhou (2024). An optimization framework for wind farm layout design using CFD-based Kriging model. Ocean Engineering. 293, 116644.
  • [38] Zhang, K., J. Yao, Z. He, J. Xin, & J. Fan (2021). Probabilistic Transient Heat Conduction Analysis Considering Uncertainties in Thermal Loads Using Surrogate Model. Journal of Spacecraft and Rockets. 58(4), 1030-1042.
  • [39] Erdogan Erten, G., M. Yavuz, & C. V. Deutsch (2022). Combination of Machine Learning and Kriging for Spatial Estimation of Geological Attributes. Natural Resources Research. 31(1), 191-213.
  • [40] Alguacil, A., L. Becherucci, M. Sanjosé, & S. Moreau (2023). Broadband noise of the transonic RAE 2822 Airfoil. in AIAA AVIATION 2023 Forum. 2023.
  • [41] Destarac, D.& A. Dumont (2022). ONERA M6 Wing Test-Case, Original and TMR.
  • [42] Zhang, Y., Z.-h. Han, & W.-p. Song (2024). Multi-fidelity expected improvement based on multi-level hierarchical kriging model for efficient aerodynamic design optimization. Engineering Optimization. 56(12), 2408-2430.
  • [43] Hobbs, C., P. Gloyns, & S. Rattenbury (1999). European new car assessment programme (euroncap)-assessment protocol and biomechanical limits.
  • [44] UIUC UIUC Airfoil Coordinates Database. 1995 [cited 2025 07.12.2025]; Available from: https://m-selig.ae.illinois.edu/ads/coord_database.html.
  • [45] NASA Turbulence Modeling Resource. 2005 [cited 2025; Available from: https://turbmodels.larc.nasa.gov/other_les.html.
  • [46] rgwyatt NASA Common Research Model (CRM). 2012 [cited 2025 05.12.2025]; Available from: https://commonresearchmodel.larc.nasa.gov/.
  • [47] Brooks, T., D. Pope, & M. Marcolini Airfoil Self-Noise [Dataset]. 1989 [cited 2025 07.12.2025]; Available from: https://archive.ics.uci.edu/dataset/291/airfoil+self+noise.
  • [48] Tools, A. Airfoil database search 2000 [cited 2025 05.10.2025]; Available from: http://airfoiltools.com/search/index?m%5Bgrp%5D=naca4d&m%5Bsort%5D=1.
  • [49] Dsouza, R. Finite Element Analysis Dataset: Microbond Tests with Diverse Cases and Parameters. 2023 [cited 2025 07.12.2025]; Available from: https://researchportal.tuni.fi/en/datasets/finite-element-analysis-dataset-microbond-tests-with-diverse-case/.
  • [50] Chung, W. T., B. Akoush, P. Sharma, A. Tamkin, K. S. Jung, J. Chen, J. Guo, D. Brouzet, M. Talei, & B. Savard (2023). Turbulence in focus: Benchmarking scaling behavior of 3D volumetric super-resolution with BLASTNet 2.0 data. Advances in Neural Information Processing Systems. 36, 77430-77484.
  • [51] Liu, J., J. Wu, H. Xie, J. Wang, L. Wei, W. Ouyang, J. Jiang, X. Liu, S. TANG, & M. Zhang (2024). Afbench: A large-scale benchmark for airfoil design. Advances in Neural Information Processing Systems. 37, 82757-82780.
  • [52] Hong, S., Y. Kwon, D. Shin, J. Park, & N. Kang (2025). Deepjeb: 3d deep learning-based synthetic jet engine bracket dataset. Journal of Mechanical Design. 147(4), 041703.
  • [53] Drężek, P. S., S. Kubacki, & J. Żółtak (2023). Kriging-based framework applied to a multi-point, multi-objective engine air-intake duct aerodynamic optimization problem. Aerospace. 10(3), 266.
  • [54] Han, Z. Improving Adjoint-Based Aerodynamic Optimization via Gradient-Enhanced Kriging, in 50th AIAA Aerospace Sciences Meeting including the New Horizons Forum and Aerospace Exposition.
  • [55] Dumont, A., J.-L. Hantrais-Gervois, P.-Y. Passaggia, J. Peter, I. Salah el Din, & É. Savin (2018). Ordinary kriging surrogates in aerodynamics, in Uncertainty Management for Robust Industrial Design in Aeronautics: Findings and Best Practice Collected During UMRIDA, a Collaborative Research Project (2013–2016) Funded by the European Union, Springer. p. 229-245.
  • [56] Xiao, M., L. Gao, X. Shao, H. Qiu, & P. Jiang (2012). A generalised collaborative optimisation method and its combination with kriging metamodels for engineering design. Journal of Engineering Design. 23(5), 379-399.
  • [57] Xu, Y., M. Sun, G. Chen, R. Xiao, H. Gong, J. Yang, & S. Yang (2025). Multi-objective optimization of variable altitude high-dimensional compression-ignition aviation piston engine based on Kriging model and NSGA-III. Energy. 320, 135306.
  • [58] Liu, Q., L. Feng, Y. Wang, J. Lin, & L. Zhu (2025). Lightweight Design and Research of Electric Towing Winch Based on Kriging-NSGA-III-TOPSIS Multi-Objective Optimization Technology. Machines. 13(10), 922.
  • [59] Zhang, Z., F. Xu, & X. Sun (2022). Optimization of process parameters during hydroforming of tank bottom using NSGA-III algorithm. The International Journal of Advanced Manufacturing Technology. 119(5), 4043-4055.
  • [60] Ariyarit, A.& M. Kanazaki (2017). Multi-Fidelity Multi-Objective Efficient Global Optimization Applied to Airfoil Design Problems. Applied Sciences. 7(12), 1318.
  • [61] Yamazaki, W.& Y. Arakawa (2015). Inexpensive airfoil shape optimization for vertical axis wind turbine and its validation. Journal of Fluid Science and Technology. 10(2), JFST0015-JFST0015.
  • [62] Wang, Y., X. Duan, J. Wang, J. Guo, & M. Han (2025). Kriging-Based Variable Screening Method for Aircraft Optimization Problems with Expensive Functions. Algorithms. 18(6), 332.
  • [63] Wenink, R., M. van der Eijk, N. Yorke-Smith, & P. Wellens (2023). Multi-fidelity Kriging extrapolation together with CFD for the design of the cross-section of a falling lifeboat. International Shipbuilding Progress. 70(2), 115-150.
  • [64] Zarezadeh, M., N. M. Nouri, & R. Madoliat (2025). Improving hydrodynamic performance of surface piercing propeller through trailing-edge optimization. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment. 239(1), 166-177.
  • [65] Lee, U. (2024). A new adaptive Kriging-based optimization (AKBO) framework for constrained optimization problems: A case study on shared autonomous electric vehicle system design. Expert Systems with Applications. 252, 124147.
  • [66] Baklouti, A., K. Dammak, & A. El Hami (2022). Uncertainty analysis based on kriging meta-model for acoustic-structural problems. Applied Sciences. 12(3), 1503.
  • [67] Iyengar, N.& D. Mavris (2025). Polynomial Chaos Kriging Models for Uncertainty Quantification in High-Speed Flow Applications. Journal of Aircraft. 62(5), 1314-1331.
  • [68] Xiong, Y., W. Chen, D. Apley, & X. Ding (2007). A non-stationary covariance-based Kriging method for metamodelling in engineering design. International Journal for Numerical Methods in Engineering. 71(6), 733-756.
  • [69] Sarfare, S., A. Palazzolo, M. Afaq, G. Ghali, G. Giridharan, & M. Rodefeld (2025). CFD-Based Hemolysis Study of Fontan Cavopulmonary Assist Device Using Kriging Surrogate Modeling. Artificial Organs. 49(5), 802-812.
  • [70] Gomes, M. V., I. D. L. Bogle, E. C. Biscaia Jr, & D. Odloak (2008). Using kriging models for real-time process optimisation, in Computer Aided Chemical Engineering, Elsevier. p. 361-366.
  • [71] Matta, A., M. Pezzoni, & Q. Semeraro (2012). A Kriging-based algorithm to optimize production systems approximated by analytical models. Journal of Intelligent Manufacturing. 23(3), 587-597.
  • [72] Li, S., X. Y. Fan, Y. H. Guo, X. Liu, H. Y. Huang, Y. L. Cao, & L. L. Li (2021). Optimization of injection molding process of transparent complex multi-cavity parts based on Kriging model and various optimization techniques. Arabian Journal for Science and Engineering. 46(12), 11835-11845.
  • [73] Santos, L. F., C. B. Costa, J. A. Caballero, & M. A. Ravagnani (2023). Multi-objective simulation–optimization via kriging surrogate models applied to natural gas liquefaction process design. Energy. 262, 125271.
  • [74] Han, Z.-H., Y. Zhang, C.-X. Song, & K.-S. Zhang (2017). Weighted Gradient-Enhanced Kriging for High-Dimensional Surrogate Modeling and Design Optimization. AIAA Journal. 55(12), 4330-4346.
  • [75] Perdikaris, P., M. Raissi, A. Damianou, N. D. Lawrence, & G. E. Karniadakis (2017). Nonlinear information fusion algorithms for data-efficient multi-fidelity modelling. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences. 473(2198).
  • [76] Wang, X., S. Song, X. Peng, & W. Zhang (2024). Efficient multi-fidelity reduced-order modeling for nonlinear flutter prediction. Aerospace Science and Technology. 155, 109612.
  • [77] Chen, K., E. Liu, M. Deng, X. Tan, J. Wang, Y. Shi, & Z. Wang (2024). DKNN: deep kriging neural network for interpretable geospatial interpolation. International Journal of Geographical Information Science. 38(8), 1486-1530.

Kriging Tabanlı Metamodellemenin Mühendislik Tasarımındaki Rolü: Veri Kaynakları, Yöntemsel Gelişmeler ve Uygulamalar

Year 2026, Volume: 14 Issue: 1, 366 - 380, 10.03.2026

Nurullah Yüksel

https://doi.org/10.29109/gujsc.1838549
https://izlik.org/JA34PH73SS

Abstract

Bu çalışma, Kriging tabanlı metamodelleme tekniklerinin mühendislik tasarımındaki güncel kullanım alanlarını, veri kaynaklarını ve yöntemsel gelişmelerini kapsamlı biçimde inceleyen bir derlemedir. Artan hesaplama maliyetleri nedeniyle FEA, CFD ve çoklu fizik tabanlı analizlerin doğrudan kullanımının sınırlı kaldığı modern tasarım süreçlerinde, Kriging modellerinin sağladığı interpolatif yapı, belirsizlik tahmini ve yüksek doğruluk kapasitesi ayrıntılı olarak değerlendirilmiştir. Havacılık, makine ve otomotiv mühendisliği gibi alanlarda aerodinamik optimizasyon, yapısal güvenilirlik analizi, yorulma ömrü tahmini, çarpışma dayanımı değerlendirmesi ve imalat süreç parametrizasyonu gibi uygulamalarda Kriging’in sunduğu performans literatür örnekleri üzerinden karşılaştırmalı olarak ortaya konmuştur. Elde edilen bulgular, Kriging yönteminin düşük örneklemli problemler için yüksek doğruluk sağladığını, belirsizlik temelli adaptif örnekleme stratejileriyle entegrasyonunun optimizasyon süreçlerini önemli ölçüde hızlandırdığını ve çoklu-fidelite modelleme çerçeveleriyle birleştirildiğinde maliyet–doğruluk dengesini optimize ettiğini göstermektedir. Ayrıca, durağan olmayan kovaryans modelleri ve derin öğrenme ile hibritleştirilmiş Kriging mimarileri gibi güncel eğilimlerin özellikle yüksek boyutlu ve doğrusal olmayan tasarım problemlerinde belirgin avantajlar sunduğu belirlenmiştir. Çalışma, literatürdeki parçalı bilgi birikimini bütüncül bir çerçeve altında birleştirerek, Kriging tabanlı tasarım optimizasyonuna yönelik metodolojik boşlukları, mevcut sınırlılıkları ve gelecekteki araştırma yönelimlerini açıkça ortaya koymaktadır.

Keywords

Kriging Metamodelleme Mühendislik Tasarımı Çoklu-Fidelite Optimizasyon

References

  • [1] Rasmussen, C. E. (2004). Gaussian Processes in Machine Learning, in Advanced Lectures on Machine Learning: ML Summer Schools 2003, Canberra, Australia, February 2 - 14, 2003, Tübingen, Germany, August 4 - 16, 2003, Revised Lectures, O. Bousquet, U. von Luxburg, and G. Rätsch, Editors, Springer Berlin Heidelberg: Berlin, Heidelberg. p. 63-71.
  • [2] Forrester, A., A. Sobester, & A. Keane (2008). Engineering design via surrogate modelling: a practical guide. John Wiley & Sons.
  • [3] Kaymaz, I. (2005). Application of kriging method to structural reliability problems. Structural safety. 27(2), 133-151.
  • [4] Liu, H., Y.-S. Ong, X. Shen, & J. Cai (2020). When Gaussian process meets big data: A review of scalable GPs. IEEE transactions on neural networks and learning systems. 31(11), 4405-4423.
  • [5] Wu, J.& P. Frazier (2019). Practical two-step lookahead Bayesian optimization. Advances in neural information processing systems. 32.
  • [6] Bliek, L. (2022). A Survey on Sustainable Surrogate-Based Optimisation. Sustainability. 14(7), 3867.
  • [7] Yun, W., Z. Lu, W. Zhang, & X. Jiang (2021). A novel inverse strain range-based adaptive Kriging method for analyzing the combined fatigue life reliability. Structural and Multidisciplinary Optimization. 64(6), 3311-3330.
  • [8] Ulaganathan, S., I. Couckuyt, F. Ferranti, E. Laermans, & T. Dhaene (2015). Performance study of multi-fidelity gradient enhanced kriging. Structural and Multidisciplinary Optimization. 51(5), 1017-1033.
  • [9] Hu, J., Q. Zhou, P. Jiang, X. Shao, & T. Xie (2018). An adaptive sampling method for variable-fidelity surrogate models using improved hierarchical kriging. Engineering Optimization. 50(1), 145-163.
  • [10] Ni, P., J. Li, H. Hao, & H. Zhou (2021). Reliability based design optimization of bridges considering bridge-vehicle interaction by Kriging surrogate model. Engineering Structures. 246, 112989.
  • [11] Moustapha, M., B. Sudret, J.-M. Bourinet, & B. Guillaume (2016). Quantile-based optimization under uncertainties using adaptive Kriging surrogate models. Structural and multidisciplinary optimization. 54(6), 1403-1421.
  • [12] Weinmeister, J., X. Gao, & S. Roy (2019). Analysis of a Polynomial Chaos-Kriging Metamodel for Uncertainty Quantification in Aerodynamics. AIAA Journal. 57(6), 2280-2296.
  • [13] Liu, H., Z. Liu, L. Tu, J. Liang, & Y. Zhang (2024). Sensitivity Analysis of Fatigue Life for Cracked Carbon-Fiber Structures Based on Surrogate Sampling and Kriging Model under Distribution Parameter Uncertainty. Applied Sciences. 14(18), 8313.
  • [14] Qian, H.-M., J. Wei, & H.-Z. Huang (2023). Structural fatigue reliability analysis based on active learning Kriging model. International Journal of Fatigue. 172, 107639.
  • [15] Aye, C. M., N. Pholdee, A. R. Yildiz, S. Bureerat, & S. M. Sait (2019). Multi-surrogate-assisted metaheuristics for crashworthiness optimisation. International Journal of Vehicle Design. 80(2-4), 223-240.
  • [16] Zhang, Y., Y. Shan, X. Liu, & T. He (2024). Integrated shape-morphing and surrogate model-assisted multi-objective structural optimization of an automobile wheel made of lightweight materials to improve its impact resistance. Engineering Optimization. 56(12), 1972-1998.
  • [17] Nie, T., G. Qin, Y. Wang, & J. Sun (2023). Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach. Transportation Research Part C: Emerging Technologies. 152, 104190.
  • [18] Li, J.& J. Cai (2020). Massively Multipoint Aerodynamic Shape Design via Surrogate-Assisted Gradient-Based Optimization. AIAA Journal. 58(5), 1949-1963.
  • [19] Yang, X., G. Tartakovsky, & A. M. Tartakovsky (2021). Physics Information Aided Kriging using Stochastic Simulation Models. SIAM Journal on Scientific Computing. 43(6), A3862-A3891.
  • [20] Qian, J., J. Yi, Y. Cheng, J. Liu, & Q. Zhou (2020). A sequential constraints updating approach for Kriging surrogate model-assisted engineering optimization design problem. Engineering with Computers. 36(3), 993-1009.
  • [21] Xiao, S., L. Zhenzhou, & L. Xu (2017). Global sensitivity analysis based on random variables with interval parameters by metamodel-based optimisation. International Journal of Systems Science: Operations & Logistics. 5.
  • [22] Chu, L., J. Shi, E. Souza de Cursi, & S. Ben (2020). Efficiency improvement of Kriging surrogate model by subset simulation in implicit expression problems. Computational and Applied Mathematics. 39(2), 119.
  • [23] Kleijnen, J. P. C. (2009). Kriging metamodeling in simulation: A review. European Journal of Operational Research. 192(3), 707-716.
  • [24] Toal, D. J. J. (2023). Applications of multi-fidelity multi-output Kriging to engineering design optimization. Structural and Multidisciplinary Optimization. 66(6), 125.
  • [25] Meng, D., S. Yang, A. M. P. d. Jesus, & S.-P. Zhu (2023). A novel Kriging-model-assisted reliability-based multidisciplinary design optimization strategy and its application in the offshore wind turbine tower. Renewable Energy. 203, 407-420.
  • [26] Li, X., H. Zhu, Z. Chen, W. Ming, Y. Cao, W. He, & J. Ma (2022). Limit state Kriging modeling for reliability-based design optimization through classification uncertainty quantification. Reliability Engineering & System Safety. 224, 108539.
  • [27] Pham, V., M. Tyan, T. A. Nguyen, & J.-W. Lee (2024). Extended Hierarchical Kriging Method for Aerodynamic Model Generation Incorporating Multiple Low-Fidelity Datasets. Aerospace. 11(1), 6.
  • [28] Zhang, J., M. Xiao, P. Li, & L. Gao (2022). Quantile-based topology optimization under uncertainty using Kriging metamodel. Computer Methods in Applied Mechanics and Engineering. 393, 114690.
  • [29] Zheng, Y., J. Chen, X. Cai, J. Xiang, & C. Zhang (2025). Concurrent topology optimization for structures and celluar materials based on Kriging model. Computers & Structures. 318, 107966.
  • [30] Wu, P.& Y. Li (2023). Adaptive kriging model-based structural reliability analysis under interval uncertainty with incomplete data. Structural and Multidisciplinary Optimization. 66(1), 22.
  • [31] Ding, C., J. Wang, S. Zhang, S. Yang, & Y. Ma (2025). A novel active learning stochastic Kriging metamodel for improving reliability and stability of additive manufacturing processes. Reliability Engineering & System Safety. 260, 111043.
  • [32] Al Khalil, M., N. Lebaal, F. Demoly, & S. Roth (2024). Bio-inspired-based structures optimization for additive manufacturing using metaheuristic Kriging. Mechanics of Advanced Materials and Structures. 31(21), 5290-5299.
  • [33] Wang, X., L. Wang, H. Chi, B. Yuan, Q. Sun, W. Sun, & Y. Cui (2025). Uncertainty design optimization of the main bearing in tunnel boring machine based on the Kriging model with partial least squares. Tunnelling and Underground Space Technology. 162, 106648.
  • [34] Li, P., Z. Wang, B. Zhao, T. Becker, & K. Soga (2025). Surrogate modeling for identifying critical bridges in traffic networks under earthquake conditions. Transportation Research Part D: Transport and Environment. 138, 104512.
  • [35] Cinar, A. C. (2020). Training feed-forward multi-layer perceptron artificial neural networks with a tree-seed algorithm. Arabian Journal for Science and Engineering. 45(12), 10915-10938.
  • [36] Mao, F., M. Chen, K. Zhong, J. Zeng, & Z. Liang (2024). An XGBoost-assisted evolutionary algorithm for expensive multiobjective optimization problems. Information Sciences. 666, 120449.
  • [37] Wang, Z., Y. Tu, K. Zhang, Z. Han, Y. Cao, & D. Zhou (2024). An optimization framework for wind farm layout design using CFD-based Kriging model. Ocean Engineering. 293, 116644.
  • [38] Zhang, K., J. Yao, Z. He, J. Xin, & J. Fan (2021). Probabilistic Transient Heat Conduction Analysis Considering Uncertainties in Thermal Loads Using Surrogate Model. Journal of Spacecraft and Rockets. 58(4), 1030-1042.
  • [39] Erdogan Erten, G., M. Yavuz, & C. V. Deutsch (2022). Combination of Machine Learning and Kriging for Spatial Estimation of Geological Attributes. Natural Resources Research. 31(1), 191-213.
  • [40] Alguacil, A., L. Becherucci, M. Sanjosé, & S. Moreau (2023). Broadband noise of the transonic RAE 2822 Airfoil. in AIAA AVIATION 2023 Forum. 2023.
  • [41] Destarac, D.& A. Dumont (2022). ONERA M6 Wing Test-Case, Original and TMR.
  • [42] Zhang, Y., Z.-h. Han, & W.-p. Song (2024). Multi-fidelity expected improvement based on multi-level hierarchical kriging model for efficient aerodynamic design optimization. Engineering Optimization. 56(12), 2408-2430.
  • [43] Hobbs, C., P. Gloyns, & S. Rattenbury (1999). European new car assessment programme (euroncap)-assessment protocol and biomechanical limits.
  • [44] UIUC UIUC Airfoil Coordinates Database. 1995 [cited 2025 07.12.2025]; Available from: https://m-selig.ae.illinois.edu/ads/coord_database.html.
  • [45] NASA Turbulence Modeling Resource. 2005 [cited 2025; Available from: https://turbmodels.larc.nasa.gov/other_les.html.
  • [46] rgwyatt NASA Common Research Model (CRM). 2012 [cited 2025 05.12.2025]; Available from: https://commonresearchmodel.larc.nasa.gov/.
  • [47] Brooks, T., D. Pope, & M. Marcolini Airfoil Self-Noise [Dataset]. 1989 [cited 2025 07.12.2025]; Available from: https://archive.ics.uci.edu/dataset/291/airfoil+self+noise.
  • [48] Tools, A. Airfoil database search 2000 [cited 2025 05.10.2025]; Available from: http://airfoiltools.com/search/index?m%5Bgrp%5D=naca4d&m%5Bsort%5D=1.
  • [49] Dsouza, R. Finite Element Analysis Dataset: Microbond Tests with Diverse Cases and Parameters. 2023 [cited 2025 07.12.2025]; Available from: https://researchportal.tuni.fi/en/datasets/finite-element-analysis-dataset-microbond-tests-with-diverse-case/.
  • [50] Chung, W. T., B. Akoush, P. Sharma, A. Tamkin, K. S. Jung, J. Chen, J. Guo, D. Brouzet, M. Talei, & B. Savard (2023). Turbulence in focus: Benchmarking scaling behavior of 3D volumetric super-resolution with BLASTNet 2.0 data. Advances in Neural Information Processing Systems. 36, 77430-77484.
  • [51] Liu, J., J. Wu, H. Xie, J. Wang, L. Wei, W. Ouyang, J. Jiang, X. Liu, S. TANG, & M. Zhang (2024). Afbench: A large-scale benchmark for airfoil design. Advances in Neural Information Processing Systems. 37, 82757-82780.
  • [52] Hong, S., Y. Kwon, D. Shin, J. Park, & N. Kang (2025). Deepjeb: 3d deep learning-based synthetic jet engine bracket dataset. Journal of Mechanical Design. 147(4), 041703.
  • [53] Drężek, P. S., S. Kubacki, & J. Żółtak (2023). Kriging-based framework applied to a multi-point, multi-objective engine air-intake duct aerodynamic optimization problem. Aerospace. 10(3), 266.
  • [54] Han, Z. Improving Adjoint-Based Aerodynamic Optimization via Gradient-Enhanced Kriging, in 50th AIAA Aerospace Sciences Meeting including the New Horizons Forum and Aerospace Exposition.
  • [55] Dumont, A., J.-L. Hantrais-Gervois, P.-Y. Passaggia, J. Peter, I. Salah el Din, & É. Savin (2018). Ordinary kriging surrogates in aerodynamics, in Uncertainty Management for Robust Industrial Design in Aeronautics: Findings and Best Practice Collected During UMRIDA, a Collaborative Research Project (2013–2016) Funded by the European Union, Springer. p. 229-245.
  • [56] Xiao, M., L. Gao, X. Shao, H. Qiu, & P. Jiang (2012). A generalised collaborative optimisation method and its combination with kriging metamodels for engineering design. Journal of Engineering Design. 23(5), 379-399.
  • [57] Xu, Y., M. Sun, G. Chen, R. Xiao, H. Gong, J. Yang, & S. Yang (2025). Multi-objective optimization of variable altitude high-dimensional compression-ignition aviation piston engine based on Kriging model and NSGA-III. Energy. 320, 135306.
  • [58] Liu, Q., L. Feng, Y. Wang, J. Lin, & L. Zhu (2025). Lightweight Design and Research of Electric Towing Winch Based on Kriging-NSGA-III-TOPSIS Multi-Objective Optimization Technology. Machines. 13(10), 922.
  • [59] Zhang, Z., F. Xu, & X. Sun (2022). Optimization of process parameters during hydroforming of tank bottom using NSGA-III algorithm. The International Journal of Advanced Manufacturing Technology. 119(5), 4043-4055.
  • [60] Ariyarit, A.& M. Kanazaki (2017). Multi-Fidelity Multi-Objective Efficient Global Optimization Applied to Airfoil Design Problems. Applied Sciences. 7(12), 1318.
  • [61] Yamazaki, W.& Y. Arakawa (2015). Inexpensive airfoil shape optimization for vertical axis wind turbine and its validation. Journal of Fluid Science and Technology. 10(2), JFST0015-JFST0015.
  • [62] Wang, Y., X. Duan, J. Wang, J. Guo, & M. Han (2025). Kriging-Based Variable Screening Method for Aircraft Optimization Problems with Expensive Functions. Algorithms. 18(6), 332.
  • [63] Wenink, R., M. van der Eijk, N. Yorke-Smith, & P. Wellens (2023). Multi-fidelity Kriging extrapolation together with CFD for the design of the cross-section of a falling lifeboat. International Shipbuilding Progress. 70(2), 115-150.
  • [64] Zarezadeh, M., N. M. Nouri, & R. Madoliat (2025). Improving hydrodynamic performance of surface piercing propeller through trailing-edge optimization. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment. 239(1), 166-177.
  • [65] Lee, U. (2024). A new adaptive Kriging-based optimization (AKBO) framework for constrained optimization problems: A case study on shared autonomous electric vehicle system design. Expert Systems with Applications. 252, 124147.
  • [66] Baklouti, A., K. Dammak, & A. El Hami (2022). Uncertainty analysis based on kriging meta-model for acoustic-structural problems. Applied Sciences. 12(3), 1503.
  • [67] Iyengar, N.& D. Mavris (2025). Polynomial Chaos Kriging Models for Uncertainty Quantification in High-Speed Flow Applications. Journal of Aircraft. 62(5), 1314-1331.
  • [68] Xiong, Y., W. Chen, D. Apley, & X. Ding (2007). A non-stationary covariance-based Kriging method for metamodelling in engineering design. International Journal for Numerical Methods in Engineering. 71(6), 733-756.
  • [69] Sarfare, S., A. Palazzolo, M. Afaq, G. Ghali, G. Giridharan, & M. Rodefeld (2025). CFD-Based Hemolysis Study of Fontan Cavopulmonary Assist Device Using Kriging Surrogate Modeling. Artificial Organs. 49(5), 802-812.
  • [70] Gomes, M. V., I. D. L. Bogle, E. C. Biscaia Jr, & D. Odloak (2008). Using kriging models for real-time process optimisation, in Computer Aided Chemical Engineering, Elsevier. p. 361-366.
  • [71] Matta, A., M. Pezzoni, & Q. Semeraro (2012). A Kriging-based algorithm to optimize production systems approximated by analytical models. Journal of Intelligent Manufacturing. 23(3), 587-597.
  • [72] Li, S., X. Y. Fan, Y. H. Guo, X. Liu, H. Y. Huang, Y. L. Cao, & L. L. Li (2021). Optimization of injection molding process of transparent complex multi-cavity parts based on Kriging model and various optimization techniques. Arabian Journal for Science and Engineering. 46(12), 11835-11845.
  • [73] Santos, L. F., C. B. Costa, J. A. Caballero, & M. A. Ravagnani (2023). Multi-objective simulation–optimization via kriging surrogate models applied to natural gas liquefaction process design. Energy. 262, 125271.
  • [74] Han, Z.-H., Y. Zhang, C.-X. Song, & K.-S. Zhang (2017). Weighted Gradient-Enhanced Kriging for High-Dimensional Surrogate Modeling and Design Optimization. AIAA Journal. 55(12), 4330-4346.
  • [75] Perdikaris, P., M. Raissi, A. Damianou, N. D. Lawrence, & G. E. Karniadakis (2017). Nonlinear information fusion algorithms for data-efficient multi-fidelity modelling. Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences. 473(2198).
  • [76] Wang, X., S. Song, X. Peng, & W. Zhang (2024). Efficient multi-fidelity reduced-order modeling for nonlinear flutter prediction. Aerospace Science and Technology. 155, 109612.
  • [77] Chen, K., E. Liu, M. Deng, X. Tan, J. Wang, Y. Shi, & Z. Wang (2024). DKNN: deep kriging neural network for interpretable geospatial interpolation. International Journal of Geographical Information Science. 38(8), 1486-1530.
There are 77 citations in total.

Details

Primary Language Turkish
Subjects Machine Design and Machine Equipment
Journal Section Review
Authors

Nurullah Yüksel 0000-0003-4593-6892

Submission Date December 8, 2025
Acceptance Date January 24, 2026
Early Pub Date March 10, 2026
Publication Date March 10, 2026
DOI https://doi.org/10.29109/gujsc.1838549
IZ https://izlik.org/JA34PH73SS
Published in Issue Year 2026 Volume: 14 Issue: 1

Cite

APA Yüksel, N. (2026). Kriging Tabanlı Metamodellemenin Mühendislik Tasarımındaki Rolü: Veri Kaynakları, Yöntemsel Gelişmeler ve Uygulamalar. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım Ve Teknoloji, 14(1), 366-380. https://doi.org/10.29109/gujsc.1838549

Aim & Scope

Dergi ulusal ve uluslararası düzeyde ;

1- Bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini

2- Yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak  yorumlayan derleme makalelerini yayınlamaktadır. 

Gazi Üniversitesi Fen Bilimleri Dergisi: Tasarım ve Teknoloji” dergisi temel mühendislik konularını kapsayan bir dergidir. Mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.


Mimarlık,sanat, spor ve sağlık alanları dergimiz kapsamı alanında değildir.

Genel Bakış

DERGİMİZ TÜBİTAK-ULAKBİM DERGİ DİZİN İNDEKSİ (TR DİZİN)-MÜHENDİSLİK ve TEMEL BİLİMLER VERİ TABANI, EBSCO, GOOGLE SCHOLAR, DOAJ, CITEFACTOR İNDEKSLERİNDE TARANMAKTADIR.
Makale gönderimi sırasında aşağıdaki 3 belgenin sisteme yüklenmesi gerekmektedir. Bu belgelerin herhangi birinin eksik olması durumunda makale REDDEDİLECEKTİR.
* Makale Dosyası (Word formatında)
* Telif Hakkı Devir Formu
* Benzerlik Raporu (iThenticate / Turnitin - maksimum benzerlik oranı %20 olmalıdır)


1- Bütün makale/makale dosyaları elektronik ortamda ve http://dergipark.org.tr/journal/358/submission/start adresinde yer alan 

    Makale Yükleme Formatı

    Telif Formu

formları kullanarak yapılmalıdır.

2- Yüklenen makale başka bir dergiye gönderilmemiş/basılmamış olmalıdır. Aynı şekilde dergiye gönderilen bilimsel çalışmaların, yayımlanmış/sözlü/poster/sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.

3- Makale kabul edildikten sonraki düzenleme aşamasında, sorumlu yazar makalede varsa diğer yazarlarının isim ve imzalarının olduğu Telif Formu'nu DERGİPARK sistemine yüklemek zorundadır.

4- Ön Yükleme Formatı_Fen Bilimleri Dergisi Part C formunda çalışmada katkısı olan yazar isim ve adreslerinin hiçbiri yazılmamalıdır. Böylece makalenin değerlendirme aşamasında hakemler çalışmanın hangi yazar/yazarlara ait olduğunu göremeyeceklerdir. ( Kör Hakem Değerlendirme Süreci)

5- Yüklenen makalenin kabulü en az iki hakem görüşü alındıktan ve ilgili bölüm editörü kabul ettikten sonra gerçekleşir.

6- Makalenin değerlendirme ve kabul süreci ile ilgili ayrıntılı bilgiye https://dergipark.org.tr/gujsc/page/3430 adresinden ulaşılabilir.

7- Çalışmanın özgünlüğü ve benzerlik oranı Turnitin programı ile taranmakta olup sadece orijinallik oranının % 20'nin altında olan makaleler değerlendirmeye alınmaktadır.

8- Sadece makalesinin yayınlanması kabul edilen yazarlar https://dergipark.org.tr/journal/358/submission/start adresinde yer alan " Kabul Edilen Makale Formatı" na uygun şekilde makaleyi düzenlemelidir.

9- Makale isim kısaltmaları " Web of Science Kısaltmaları " kullanılarak yapılmalıdır.

11- Yüklenen makale metni toplamı 10-12 sayfa ve 18,000-20,000 kelimeyi geçmemelidir.

12- Yüklenen makalede Öz ve Abstract metni 400 sözcük/boşluklarla beraber 2800 karakteri geçmemelidir.



Makale Hazırlanması

Makalede zorunlu başlıklar:

1- Öz: Çalışmanın ana taslağını, yapılış amacını, kullanılan yöntem/metodu, ede edilen bulguların kısaca belirtildiği kısımdır. Son cümlelerde mutlaka çalışma sonrası elde edilen kazanım ve sonuçlar belirtilmelidir. Yüklenen makalede Öz metni 400 sözcük/boşluklarla beraber 2800 karakteri geçmemelidir.

2- Abstract (İngilizce Özet): Türkçe öz metninin tam olarak ingilizce tercüme metnidir. Yüklenen makalede Abstract metni 400 sözcük/boşluklarla beraber 2800 karakteri geçmemelidir.

3- Anahtar Kelimeler ve Keywords: Çalışmanın aranması ve bulunmasını kolaylaştıracak türkçe ve ingilizce kelimelerdir. En az 3(üç), en çok 6(beş) adet kelime/kelime grubundan oluşabilir.

4- Giriş: Çalışmayla ele alınan konunun, problemin ne olduğuna, araştırmanın amacı ve önemine, sınırlılıklarının belirtildiği ve bu bilgilerin literatür taraması ile desteklendiği metin kısmıdır.

5- Materyal ve Metod: Çalışmanın yapılması ve sonuca varılması için yapılan deney/gözlem ve uğraşların tamamının belirtildiği kısımdır.

6- Bulgular ve Tartışma: Yapılan çalışmanın, daha önce yapılan çalışmalarla benzerlik, paralellik ve farklılıkları ile tartışıldığı kısımdır.

7- Sonuç: Yapılan çalışmanın bilimsel/günlük hayata katkısı, literatüre ne kazandırdığı, teori ve uygulama açısından hangi kanılara varıldığının yazıldığı kısımdır.

8- Teşekkür: Yapılan çalışmanın gerçekleşmesinde katkısı olan kişi/kuruluşların belirtildiği kısımdır.

9- Çıkar Çatışması(varsa): Yapılan çalışmayla ilgili çıkar çatışması olabilecek kişi/kurumların belirtildiği kısımdır.

10- Kaynaklar: Yapılan çalışmanın gerçekleşmesinde yararlanılan bilimsel kitap/dergi/web sayfası/görsel ve yazılı materyallerin belirtildiği kısımdır.


Makale Metin Yazısı

1- Ön yükleme makale formatında metin yazım stili Times New Roman/Arial ve 11 punto olmalıdır.

2- Tablo sola yaslı, tablo açıklaması 11 punto ve italik olmalıdır.

3- Şekil/harita ortaya yaslı, şekil/harita açıklaması 11 punto ve italik olmalıdır.

4- Yazım metni satır boşluk/arası tek satır, aralıklar ise önce ( 8 nk) sonra (12 nk) olacak şekilde düzenlenmelidir.

5- Kaynak gösteriminde sıkı kurallar olmamasına rağmen makalede yer alan kaynakta yazar isimleri, kitapta bölüm başlığı/makale başlığı, cilt/sayı/ ve sayfa numarası, Kitap bölümü ve varsa mutlaka DOI numarası verilmelidir. Örnek kaynak listesi ön yükleme formatında görülebilir. Aşağıda kaynak gösterimi için örnekler bulunmaktadır;

- Kahraman HT, Bayindir R., Sagiroglu S. A new approach to predict the excitation current and parameter weightings of synchronous machines based on genetic algorithm-based k-NN estimator. Energy Conversion and Management, 64(129-138), (2012). (makale)

- Mitchell, T. R. and Larson, J. R. (1987). People in organizations (Third edition). New York: McGraw-Hill, 87,92. (kitap)

- Kirazoğlu, F. (2010). Metal-Yalıtkan-Yarıiletken Yapıların Elektrik Özelliklerinin Frekans ve Sıcaklığa Bağlı İncelenmesi, Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 118-120. (Tez)

Makaledeki yazarlar konuyla ilgili kaynakların tam olarak ve bütün detayları ile verildiğinden sorumludur.

YAYIN ETİĞİ BİLDİRİMİ
Yayın etiği, en iyi uygulama kılavuzlarını sağlamak ve bu nedenle derginin editörleri, yazarları ve hakemler tarafından uyulması açısından çok önemlidir. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji (e-ISSN: 2147-9526), COPE'nin Davranış Kuralları ve Dergi Editörleri İçin En İyi Uygulama Kılavuz İlkeleri (https://publicationethics.org/resources/code-conduct) tarafından açıklanan ilkelere uygundur ve sadece şeffaflık ilkeleri değil, aynı zamanda en iyi bilimsel uygulama Yayın Etik Kurulu (COPE) tarafından belirlenen kurallara uygun olan makaleleri yayınlar.

Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.

Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.

Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.

Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.

Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.

Yazar(lar)ın Görevleri

Makalenin Yazarı
Tasarım, yorumlama ve uygulama dâhil olmak üzere bildirilen çalışmaya önemli bir katkı sağlayanlara daraltılmalıdır. Gönderilen yazıya önemli katkılarda bulunan tüm yazarlar ortak yazar olarak listelenmelidir.

Özgünlük ve intihal
Gönderdikleri makalenin içeriğinden, dilinden ve özgünlüğünden yazarlar sorumludur. Yazarlar, orijinal eserlerini tamamen oluşturduğunu ve yazarlar çalışmayı ve / veya diğer yazarların sözlerini kullanmışlarsa, bunun uygun bir şekilde alıntılandığını veya alıntı yapıldığını temin etmelidir. İntihal, bir başkasının makalesini yazarın kendi makalesi olarak göstermek, bir başkasının makalesinin önemli kısımlarını (atıfta bulunmadan) kopyalamak veya başka bir deyişle, başkaları tarafından yapılan araştırmaların sonuçlarını almaktan farklı biçimlerdedir. Tüm formlarındaki intihal, etik olmayan yayıncılık davranışını içerir ve kabul edilemez. Hakemlere bir makale gönderilmeden önce, intihal araştırması için iThenticate aracılığıyla benzerlik açısından kontrol edilir.

Fon kaynaklarının tanınması
Makalede bildirilen araştırma için tüm finansman kaynakları, referanslar öncesinde makalenin sonunda ayrıntılı olarak belirtilmelidir.

İfşa ve çıkar çatışmaları
Tüm yazarlar makalelerinde, makalelerinin bulgularını veya yorumunu etkilemek için yorumlanabilecek herhangi bir maddi veya diğer maddi çıkar çatışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları da açıklanmalıdır. Açıklanan potansiyel çıkar çatışmaları örnekleri arasında istihdam, danışmanlıklar, hisse senedi mülkiyeti, onur, ücretli uzman tanıklığı, patent başvuruları / kayıtları ve hibeler veya diğer fonlar yer almaktadır. Potansiyel çıkar çatışmaları mümkün olan en erken aşamada bildirilmelidir.

Raporlama standartları
Makalenin yazarları, yapılan çalışmanın doğru bir açıklamasını ve önemi ile ilgili objektif bir tartışma sunmalıdır. Temel veriler, metinde doğru olarak verilmelidir. Bir makale, diğer araştırmacıların çalışmayı tekrar etmelerine izin vermek için yeterli ayrıntıyı ve referansları içermelidir. Zor veya bilerek kesin olmayan ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez. İnceleme ve profesyonel yayın makaleleri de kesin olmalı, özgün ve objektif olmalı ve editoryal düşünce çalışmaları açıkça ifade edilmelidir.

Veri erişimi ve saklama
Yazarlardan editoryal inceleme süreci için bir makaleyle bağlantılı ham verileri sağlamaları istenebilir ve herhangi bir durumda, yayınlandıktan sonra belirli bir süre için bu verileri saklamaları gerekebilir.

Çoklu, gereksiz veya eşzamanlı yayın
Gönderilen makaleler başka herhangi bir dergiye gönderilmemiş olmalıdır. Aynı makaleyi aynı anda birden fazla dergiye göndermek etik olmayan yayıncılık davranışını içerir. Yazarlar ayrıca makalenin daha önce başka bir yerde yayınlanmadığından da emin olmalıdır.

Yayınlanmış çalışmalarda ana hatalar
Bir yazar yayınlanmış eserinde önemli bir hata veya yanlışlıkla karşılaştığında, dergi editörünü veya yayıncısına bu durumu derhal bildirmek ve makaleyi geri çekmek veya düzeltmek için editörle işbirliği yapmak yükümlülüğündedir.

Hakemlerin Görevleri
Hakemler, makale le ilgili görüşlerini tamamlayarak yorumlarını kendisine tanımlanan zaman içerisinde göndermelidir. Eğer makale, hakemin ilgi alanına uygun değilse, makale editöre geri gönderilmelidir, böylece diğer hakemler zaman kaybetmeden atanabilirler.

Katkı
Hakemler, hakemli bir dergi olan derginin kalitesine katkıda bulunan ana üyelerdir. Alınan makaleyi incelemesi için kalifiye olmayan hakemler derhal editöre bildirmeli ve bu makaleyi incelemeyi reddetmelidir.

Gizlilik
İnceleme için gönderilen yazılar gizli belgeler olarak değerlendirilmelidir. Editör tarafından yetkilendirilmedikçe başkalarıyla gösterilmemeli veya tartışılmamalıdır.

Nesnellik standartları
Yorumlar objektif olarak gerçekleştirilmelidir. Yazarın kişisel eleştirisi uygun değildir. Hakemler açıkça destekleyici argümanlarla görüşlerini ifade etmelidir.

Kaynakların tanınması
Hakemler, yazarlar tarafından alıntılanmayan yayınlanmış çalışmaları tanımlamalıdır. Bir gözlem, türetme veya argümanın daha önce bildirildiği herhangi bir ifadeye ilgili atıfta bulunulmalıdır. Bir gözden geçiren aynı zamanda editörün dikkatini, ele alınan yazı ile kişisel bilgileri olan yayınlanmış diğer herhangi bir makale arasında hayati bir benzerlik ya da çakışma olduğuna dikkat etmelidir.

İfşa ve çıkar çatışması
Hakemler, rekabetçi, işbirlikçi veya yazılarla bağlantılı yazarlar, şirketler veya kurumlarla yapılan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları makaleleri dikkate almamalıdır.

Dergimizde, makalelerin yayınlanması, okunması ve indirilmesi ücretsizdir, hiç bir işlem için ücret talep edilmemektedir.

Citation Indexes

TR Dizin

Other Indexes

TRDİZİN
INDEXCOPERNICUS
DOAJ
GoogleScholar
CiteFactor

Sahibi

Default avatar
Uğur ÜNAL
History Education

Yayın Yönetmeni

Uğur Gökmen
Uğur GÖKMEN
Fracture Mechanics, Materials Science and Technologies, Composite and Hybrid Materials, Material Production Technologies, Metals and Alloy Materials, Organic Semiconductors, Powder Metallurgy

Baş Editör

Default avatar
Adem ACIR
Fluid Mechanics and Thermal Engineering

Editör Yardımcı

Ramazan Çakıroğlu
Ramazan ÇAKIROĞLU
Manufacturing Processes and Technologies (Excl. Textiles)
Selçuk Yağmur
Selçuk YAĞMUR
Mechanical Engineering, CAD/CAM Systems, Manufacturing Processes and Technologies (Excl. Textiles), Manufacturing Management

Editörler Kurulu

Default avatar
İlyas KARASU
Fluid Mechanics and Thermal Engineering, Aerodynamics (Excl. Hypersonic Aerodynamics), Wind Energy Systems
Cemil Ocak
Cemil OCAK
Electrical Engineering, Electrical Machines and Drives, Hybrid and Electric Vehicles and Powertrains
Default avatar
Mücella İLKENTAPAR
Hydromechanics, Water Resources Engineering, Water Resources and Water Structures
İbrahim Karaağaç
İbrahim KARAAĞAÇ
Mechanical Engineering, Manufacturing Processes and Technologies (Excl. Textiles)
Mustafa Serdar Genç
Mustafa Serdar GENÇ
Fluid Mechanics and Thermal Engineering, Computational Methods in Fluid Flow, Heat and Mass Transfer (Incl. Computational Fluid Dynamics), Renewable Energy Resources , Circuit Machines, Energy Generation, Conversion and Storage (Excl. Chemical and Electrical), Composite and Hybrid Materials, Aircraft Performance and Flight Control Systems
Sinem Uzun
Sinem UZUN
Nuclear Energy Systems, Thermal Power Systems, Renewable Energy Resources , Energy Systems Engineering (Other), Nuclear Engineering
Default avatar
Pınar ÖZTÜRK KARDOĞAN
Civil Engineering, Earthquake Engineering, Civil Geotechnical Engineering, Soil Mechanics in Civil Engineering
Gamze Genç
Gamze GENÇ

Kurum Bilgileri: Mühendislik Fakültesi, Enerji Sistemleri Mühendisliği, Nükleer Araştırma

Araştırma Alanları: Makina Mühendisliği, Enerji, Diğer Yenilenebilir Enerji Sistemleri, Nükleer Enerji, Güneş Enerjisi, Hidrojen teknolojileri ve yakıt hücreleri, Rüzgar Enerjisi, Termodinamik, Isı ve Madde Transferi, Yakıtlar ve Yanma, Hesaplamalı akışkanlar dinamiği, Mühendislik ve Teknoloji
Solar Energy Systems, Nuclear Energy Systems, Renewable Energy Resources , Energy Efficiency, Electrochemical Energy Storage and Conversion, Energy Generation, Conversion and Storage (Excl. Chemical and Electrical)
Berre Kümük
Berre KÜMÜK
Energy Systems Engineering, Renewable Energy Resources
Sait Dündar Sofuoğlu
Sait Dündar SOFUOĞLU

Prof. Dr. Sait Dündar SOFUOĞLU 1974 yılında Kütahya’nın Simav ilçesinde doğdu. İlk, orta ve lise öğrenimini İstanbul’da tamamladı. Lisans eğitimini 1996 yılında İstanbul Üniversitesi Orman Fakültesi, Orman Endüstri Mühendisliği Bölümü’nde, yüksek lisansını 2001 yılında İstanbul Üniversitesi Fen Bilimleri Enstitüsü Orman Endüstri Mühendisliği Bölümü, Orman Endüstrisi Makinaları ve İşletme Anabilim Dalı’nda, doktorasını ise 2008 yılında İstanbul Üniversitesi Fen Bilimleri Enstitüsü Orman Endüstri Mühendisliği Bölümü, Orman Endüstrisi Makinaları ve İşletme Anabilim Dalı’nda tamamlamıştır.
1996-2003 yılları arasında Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü’nde, 2003-2008 yılları arasında İstanbul Üniversitesi Orman Fakültesi, Orman Endüstri Mühendisliği Bölümü’nde (35. Madde) Araştırma görevlisi olarak çalışmıştır. 2008-2009 yılları arasında Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü’nde Dr. Araştırma görevlisi olarak çalışmıştır. 2009-2012 yılları arasında Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü’nde Yrd. Doç. Dr. olarak çalışmış, 2012-2017 yılları arasında Dumlupınar Üniversitesi Simav Teknoloji Fakültesi Ağaç İşleri Endüstri Mühendisliği Bölümü’nde Yrd. Doç. Dr. çalışmıştır. 06.10.2017 tarihinde Orman Endüstri Mühendisliği Bilim Alanında Üniversite Doçenti unvanı ve yetkisi verilmiştir. Halen aynı Anabilim Dalında çalışmaya devam etmektedir.
2009 yılından itibaren Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü Mobilya Eğitimi Anabilim Dalı Başkanlığı’nı, 2011 yılından itibaren Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Mobilya ve Dekorasyon Eğitimi (Yüksek Lisans) Anabilim Dalı Başkanlığı’nı, 2012 yılından itibaren Dumlupınar Üniversitesi Simav Teknoloji Fakültesi Ağaç İşleri Endüstri Mühendisliği Bölümü Tasarım ve İmalat Endüstrisi Anabilim Dalı Başkanlığı’nı yürütmektedir. 2009 yılından itibaren Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölüm Başkanlığını, 2012-2015 yılları arasında Dumlupınar Üniversitesi Simav Teknoloji Fakültesi Ağaç İşleri Endüstri Mühendisliği Bölüm Başkanlığı’nı, 2015-2018 yılları arasında Dumlupınar Üniversitesi Pazarlar Meslek Yüksekokulu Müdürlük görevini yürütmüştür. 2023 yılından itibaren Kütahya Dumlupınar Üniversitesi Simav Teknoloji Fakültesi Ağaç İşleri Endüstri Mühendisliği Bölümü, Tasarım ve İmalat Endüstrisi Anabilim Dalında Prof. Dr. olarak çalışmaya devam etmaktedir. 2024 yılından itibaren Kütahya Dumlupınar Üniversitesi Şaphane Meslek Yüksekokulu Müdürlük görevini yürütmektedir.Evli ve bir çocuk babasıdır.
Engineering, Forest Industry Management, Forest Industry Engineering (Other), Wood Processing
Cevdet Söğütlü
Cevdet SÖĞÜTLÜ

Gazi Üniversitesi Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü’nden ‘fakülte birincisi’ olarak mezun oldu. Mardin’de (1995-1996) ve Ankara’da (1996-1997) Endüstri Meslek Lisesi Mobilya ve Dekorasyon Bolümü Öğretmeni olarak görev yaptı.
1997 yılında, Gazi Üniversitesi Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü Dekorasyon Anabilim Dalı’na Araştırma Görevlisi olarak atandı. Fen Bilimleri Enstitüsü’nde tamamladığı Yüksek Lisans (1998) ve Doktora (2004) sonrasında Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü Dekorasyon Anabilim Dalı’na “Yardımcı Doçent” unvanıyla (2005) atanarak 2005-2007 yılları arasında bölüm başkan yardımcısı olarak görev yaptı. 2010 yılında Georgia State Üniversitesi’nde (ABD), 2014 yılında ise Michigan State Üniversitesi’nde (ABD) misafir öğretim üyesi olarak çalıştı. Gazi Üniversitesi Teknik Eğitim Fakültesi (2011-2012) ve Teknoloji Fakültesi (2015-2016, 2019-2020) dekan yardımcısı, Teknik Eğitim Fakültesi (2014-2016) Yönetim Kurulu üyesi olarak görev yaptı. Kültür ve Turizm Bakanlığı ile TÜBİTAK’tan ödüller aldı.
2017 yılında 29 uncusu yapılan “The XXIXth International Conference Research for Furniture Industry” konresinin Düzenleme Kurulu Başkanı olan Söğütlü, Kültür ve Turizm Bakanlığı ve TİKA tarafından gerçekleştirilen çeşitli restorasyon çalışmalarında Bilim Kurulu Üyesi olarak görev yaptı.
Prof. Dr. Cevdet SÖĞÜTLÜ’nün 16 yüksek lisans, 5 doktora danışmanlığı, 50’si WoS’da taranan dergilerde olmak üzere 100’ün üzerinde yayımlanmış makalesi, ulusal ve uluslararası 4 adet kitap bölümü yazarlığı, 15 adet projesi, eserlerine yapılmış 850 atfı, uluslararası kongrelerde 20’nin üzerinde davetli konuşma ve oturum başkanlığı, WoS’da taranan dergide editörlüğü bulunmaktadır.
Hâlen, Teknoloji Fakültesi Ağaçişleri Endüstri Mühendisliği Bölümünde çalışmalarına devam eden Cevdet Söğütlü evli ve iki çocuk babasıdır.
Forest Industry Engineering, Wood Based Composites, Wood Physics and Mechanics, Wooden Buildings and Constructions, Wood Protection Technology, Wood Processing
Şenol Şirin
Şenol ŞİRİN

Doç. Dr. Şenol ŞİRİN, OF/Trabzon doğumludur. Lisansını; Gazi Üniversitesi Talaşlı Üretim Öğretmenliğinde (2004-2008), Yüksek Lisansını; Karabük Üniversitesi Makine Eğitiminde (2008-2012), Doktorasını; Düzce Üniversitesi Makine Mühendisliğinde (2016-2020) tamamladı. Özel sektör kuruluşlarında; Tasarım/Üretim Uzmanlığı, Proses ve Takım Mühendisliği gibi çeşitli görevlerde bulunmuştur. 2013 yılında Düzce Üniversitesi'nde başladığı akademik kariyerinde, Müdür Yardımcılığı, Yönetim Kurulu Üyeliği, Disiplin Kurulu Üyeliği, Topluluk Akademik Danışmanlığı gibi görevler de yürütmüştür. Halen Gümüşova Meslek Yüksekokulu müdürlüğüne devam etmektedir. Güncel araştırma alanları; sürdürülebilir imalat, eklemeli imalat, nanoakışkan, triboloji, takım aşınması ve mekanizmaları, sürtünme katsayısı, minimum miktarda yağlama, kriyojenik işlem ve kriyojenik soğutmadır. Dr. ŞİRİN, Evli ve 2 çocuk babasıdır.

Detay için tıklayınız...
Engineering, Microfluidics and Nanofluidics, Mechanical Engineering, CAD/CAM Systems, Flexible Manufacturing Systems, Manufacturing Processes and Technologies (Excl. Textiles), Additive Manufacturing
Ümit Ağbulut
Ümit AĞBULUT
Energy, Automotive Combustion and Fuel Engineering
Nihat Ozturk
Nihat OZTURK
Electrical Engineering, Electrical Energy Transmission, Networks and Systems, Electrical Machines and Drives
Yusuf Tansel İç
Yusuf Tansel İÇ
Decision Support and Group Support Systems, Engineering, CAD/CAM Systems, Multiple Criteria Decision Making, Industrial Engineering, Flexible Manufacturing Systems
O. Ayhan Erdem
O. Ayhan ERDEM
Prof. Dr. O. Ayhan ERDEM, lisans, yüksek lisans ve doktora derecelerini Gazi Üniversitesi Fen Bilimleri Enstitüsü'nden aldı. 1985-1987 Yılları arasında Yedek Subay olarak vatani görevini yaptı. 1985-1989 yılları arasında Gazi Üniversitesi, Teknik Eğitim Fakültesi Elektrik-Elektronik Eğitimi Bölümünde Araştırma Görevlisi olarak görev yaptı. 1988 Yılında Bilgisayar Sistemleri Eğitimi Ana Bilim Dalı'nın kurulmasında görev aldı. 1990 yılında Indiana Üniversitesi (USA) İngilizce Dil Eğitimi Programına katıldı. Purdue Üniversitesi'nde (USA) Bilgisayar Mühendisliği Eğitimini tamamladı. Elektronik ve Bilgisayar alanında Teknik Öğretmen yetiştirilmesi LDV projesi (TR/04/A/F/EX1-018 ) gereğince 23.05..19.06.2005 arasında Almanya'da bulundu (Gut Wehlitz 04435 Leipzig-Schkeuditz Germany). 1989-2001 yılları arasında öğretim görevlisi, 2001-2007 yılları arasında Yardımcı Doçent, 2007-2013 yılları arasında Doçent, 2013 yılından sonra ise Profesör olarak görev yapmaktadır. 2011 yılında Teknoloji Fakültesi Bilgisayar Bölümü'nün kurulmasında yer aldı. Gazi Üniversitesi Teknoloji Fakültesi Kurucu Dekan Yardımcısı olarak 2011-2014 yılları arasında görev yaptı. Uluslararası dergilerde yayınlanmış çok sayıda makalesi ve kitapları makalesi bulunmaktadır, ayrıca Bilgisayar Ağları, Yapay Zekâ, Üretken Yapay Zekâ (GPT), Fuzzy Logic alanlarında araştırmalar yapmaktadır. Halen Gazi Üniversitesi Teknoloji Fakültesi Bilgisayar Mühendisliği Bölümünde Profesör olarak görev yapmaktadır.
Information Systems, Networking and Communications, Human-Computer Interaction, Fuzzy Computation, Artificial Intelligence (Other)
Alaattin Kaçal
Alaattin KAÇAL
Mechanical Engineering, Mechanical Engineering (Other), CAD/CAM Systems, Manufacturing Processes and Technologies (Excl. Textiles), Machining
İhsan Korkut
İhsan KORKUT
Finite Element Analysis , Industrial Product Design, Engineering, Control Theoryand Applications, Fracture Mechanics, Powder and Particle Technology, Control Engineering, Mechatronics and Robotics, Mechatronics Engineering, Mechanical Engineering, Solid Mechanics, Resource Technologies, Numerical Methods in Mechanical Engineering, Machine Design and Machine Equipment, Machine Theory and Dynamics, Material Design and Behaviors, Numerical Modelling and Mechanical Characterisation, Composite and Hybrid Materials, Mechanical Vibrations and Noise, Vehicle Technique and Dynamics, CAD/CAM Systems, Manufacturing Processes and Technologies (Excl. Textiles)
Default avatar
Mustafa GÜNAY
Finite Element Analysis , Mechanical Engineering, Optimization Techniques in Mechanical Engineering, Material Design and Behaviors, Composite and Hybrid Materials, CAD/CAM Systems, Manufacturing Processes and Technologies (Excl. Textiles), Additive Manufacturing
Default avatar
Sema BİLGE OCAK
Physical Sciences, Condensed Matter Physics
Bilge İmer
Bilge İMER
Material Physics, Materials Science and Technologies, Electronic, Optics and Magnetic Materials, Plating Technology, Nanotechnology, Nanomaterials
Hamza Çınar
Hamza ÇINAR
Interior Architecture , Industrial Product Design, Universal and Unobstructed Design, Design Management
Gültekin Uzun
Gültekin UZUN
CAD/CAM Systems
Rukiye Karakiş
Rukiye KARAKİŞ
Information Security Management, Image Processing, Deep Learning, Neural Networks, Machine Learning Algorithms, Biomedical Imaging
İsmail Şahin
İsmail ŞAHİN
Engineering, Mechanical Engineering
Default avatar
Yakup TURGUT
Mechanical Engineering, Manufacturing Processes and Technologies (Excl. Textiles), Manufacturing Management
Mesut Düzgün
Mesut DÜZGÜN
Hybrid and Electric Vehicles and Powertrains, Automotive Safety Engineering, Automotive Mechatronics and Autonomous Systems, Vehicle Technique and Dynamics
Default avatar
Tayfun MENLİK
Energy Systems Engineering, Energy, Solar Energy Systems
Mehmet Erdi Korkmaz
Mehmet Erdi KORKMAZ

Mehmet Erdi Korkmaz graduated from his Phd in 2018. He is currently working as Assoc. Prof. Dr. at Karabük University. He got his master degree in Mechanical Engineering from the same university. He also takes a Bachelor degree in mechanical engineering from Middle East Technical University. He had been studied as guest researcher at Ghent University, Belgium in 2017. His research areas are mechanical behaviour of materials, Constitutive material model parameters, Finite element modeling of machining process, tribology in machining and additive manufacturing. He has authored or co-authored over 100 publications, including scientific papers in high impact international journals and conference proceedings. His expertise and contributions in the field of machining have afforded him many collaborative works with important Institutions. He is a reviewer for many international Journals (for Elsevier, Springer, Sage, etc.).
Mechanical Engineering, Material Design and Behaviors, Numerical Modelling and Mechanical Characterisation, Tribology, Manufacturing Processes and Technologies (Excl. Textiles), Additive Manufacturing
Default avatar
Murat Tolga ÖZKAN
Modelling and Simulation, Finite Element Analysis , Engineering Instrumentation, Machine Design and Machine Equipment, Composite and Hybrid Materials
Şevki Demirbaş
Şevki DEMİRBAŞ
Electrical Engineering, Circuits and Systems, Electrical Machines and Drives, Photovoltaic Power Systems

Mizanpaj

Can Alican
Can ALİCAN
Energy
Yaren Güven
Yaren GÜVEN
Energy Systems Engineering
Oğuz Kaan Çinici
Oğuz Kaan ÇİNİCİ
Energy Systems Engineering, Solar Energy Systems, Thermal Power Systems, Renewable Energy Resources

                                TRINDEX     16167        16166    21432    logo.png

      

    e-ISSN:2147-9526