Su Dalga Enerjisi Üretimi ve Yapay Zekâ: Asya, Avrupa ve Türkiye’nin Potansiyeli

Selma Kaymaz; Tuğrul Bayraktar; Çağrı Sel

doi:10.53433/yyufbed.1445985

TR EN

Su Dalga Enerjisi Üretimi ve Yapay Zekâ: Asya, Avrupa ve Türkiye’nin Potansiyeli

Abstract

Son yıllarda, sürdürülebilir bir dünya için yenilenemeyen enerji kaynaklarının kullanımının azaltılması gerekliliği giderek daha belirgin hale gelmektedir. Fosil yakıt tüketiminden, daha temiz bir enerjiye geçiş döneminde, yenilenebilir enerji kaynakları hızla gelişme göstermektedir. Bu gelişmeler ışığında su enerjisi teknolojilerine odak artmaktadır. Enerji potansiyeli için gerekli şartlar karşılandığı sürece; su kaynaklı enerji üretim projelerinin uygulanması ülkelerin refahına katkı sağlama potansiyeli taşımaktadır. Yenilenebilir enerji üretiminde rekabete konu olan su kaynaklı enerji üretimi için; literatürde kıtalar arası enerjinin incelendiği, su potansiyelinin ölçüldüğü, santraller için uygun yer seçiminin yapıldığı, dalga – iklim ilişkisinin incelendiği, okyanus enerjisi teknolojileri konularını içeren çalışmalarda geleneksel teknikler yanı sıra yapay zekâ tekniklerine de yer verilmektedir. Deneysel modelleme saha ölçüm tekniklerinin yüksek maliyetli olduğu, sayısal yöntemlerin parametre ve girdi hazırlık sürecinin zahmetli olması sebebiyle çeşitli yapay zekâ yöntemleri, su kaynaklı enerji üretimi teknolojisinde yoğun şekilde kullanılmaktadır. Yapay sinir ağları da bu alanda karşılaşılan problemlerin çözümünde kullanılan tekniklerden birisi olarak yer almaktadır. Bu derlemede, Asya ve Avrupa kıtasında su kaynaklı enerji üretimi hakkında yapılmış mevcut çalışmalardan bahsedilmekte, Türkiye’nin su enerjisi potansiyelini, mevcut literatür incelenerek ortaya konulmaktadır. Ayrıca yapay zekâ tekniklerinden yapay sinir ağı metodunun su enerjisi teknolojilerinde ne şekilde ve hangi ölçüde kullanıldığı ve kullanılan yöntemlerle ilgili literatüre yer verilmiştir.

Keywords

Asya, Avrupa, Gelgit enerjisi, Su dalga enerjisi, Türkiye, Yapay sinir ağları

Wave Energy Production and Artificial Intelligence: The Potential of Asia, Europe and Türkiye

Abstract

In recent years, there has been a growing need to reduce our reliance on non-renewable energy sources for a more sustainable world. The use of renewable energy sources is increasing as we move towards cleaner energy options and away from fossil fuels. Wave energy technology is gaining particular attention for generating energy sustainably. Under optimal conditions, wave energy projects have the potential to contribute significantly to a country's well-being. In addition to traditional methods, artificial intelligence techniques are widely used in wave energy technology due to the high costs and labor-intensive nature of experimental field measurements and the preparation of parameters and inputs for numerical methods. One such technique involves artificial neural networks to solve problems in this field. This study examines existing research on water-based energy production in Asia and Europe, evaluates Türkiye’s wave energy potential based on the available literature, and discusses the application of artificial neural networks in wave energy technology and the methods employed in the literature.

Keywords

Artificial neural network, Asia, Europe, Tidal stream, Türkiye, Wave energy converter

References

Abdalla, S., & Özhan, E. (1999, Nisan). Wind and wave climate of the mediterranean and the black sea. Proceedings of the International MEDCOAST Conference, Antalya.
Ahmed, A. A. M., Jui, S. J. J., AL-Musaylh, M. S., Raj, N., Saha, R., Deo, R. C., & Saha, S. K. (2024). Hybrid deep learning model for wave height prediction in Australia's wave energy region. Applied Soft Computing, 150, 111003. https://doi.org/10.1016/j.asoc.2023.111003
Alday, M., & Lavidas, G. (2024). Assessing the Tidal Stream Resource for energy extraction in The Netherlands. Renewable Energy, 220, 119683. https://doi.org/10.1016/j.renene.2023.119683
Ali, M., Prasad, R., Xiang, Y., Sankaran, A., Deo, R. C., Xiao, F., & Zhu, S. (2021). Advanced extreme learning machines vs. deep learning models for peak wave energy period forecasting: A case study in Queensland, Australia. Renewable Energy, 177, 1031-1044. https://doi.org/10.1016/j.renene.2021.06.052
Alpay, Ö. (2020). LSTM mimarisi kullanarak USD/TRY fiyat tahmini. European Journal of Science and Technology, 452-456. https://doi.org/10.31590/ejosat.araconf59
Altaş, İ. H., & Şahin, E. (2019). Dünyada ve Türkiye’de dalga enerjisi. Elektrik Mühendisliği, 465, 43-53.
Asma, S., Sezer, A., & Ozdemir, O. (2012). MLR and ANN models of significant wave height on the west coast of India. Computers & Geosciences, 49, 231-237. https://doi.org/10.1016/j.cageo.2012.05.032
Astariz, S., & Iglesias, G. (2015). The economics of wave energy: A review. Renewable and Sustainable Energy Reviews, 45, 397-408. https://doi.org/10.1016/j.rser.2015.01.061
Avrupa Deniz Enerjisi Merkezi. (2024). Sektör raporları: EMEC. Avrupa Deniz Enerjisi Merkezi. Erişim tarihi: 16.01.2024. https://www.emec.org.uk/marine-energy/industry-reports/
Aydıner, İ. & Öztürk, D. (2021). Coğrafi bilgi sistemleri tabanlı analitik hiyerarşi yöntemi kullanılarak Ege Denizi’nde rüzgâr ve dalga enerji sistemleri için yer seçimi. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23(67), 217-232. https://doi.org/10.21205/deufmd.2021236719

Aylak, B. L. (2022). The impacts of the applications of artificial intelligence in maritime logistics. Avrupa Bilim ve Teknoloji Dergisi, 34, 217-225. https://doi.org/10.31590/ejosat.1079206
Babarit, A. (2017). Ocean Wave Energy Conversion: Resource, Technologies and Performance. Elsevier.
Bagheri, M., Farshforoush, N., Bagheri, K., & Shemirani, A. I. (2023). Applications of artificial intelligence technologies in water environments: From basic techniques to novel tiny machine learning systems. Process Safety and Environmental Protection, 180, 10-22. https://doi.org/10.1016/j.psep.2023.09.072
Bak, U. (2003). Dalga enerjisinden elektrik enerjisine dönüşüm sistemleri. (Doktora Tezi), İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
BAKKA. (2023). BAKKA Kütüphane. Erişim tarihi: 04.02.2024. https://bakkakutuphane.org/
Bao, X., Huang, G., Liu, M., Sun, H., & Iglesias, G. (2024). Turbine fault diagnosis of the oscillating water column wave energy converter based on multi-lead residual neural networks. Ocean Engineering, 291, 116429. https://doi.org/10.1016/j.oceaneng.2023.116429
Bento, P. M. R., Pombo, J. A. N., Mendes, R. P. G., Calado, M. R. A., & Mariano, S. J. P. S. (2021). Ocean wave energy forecasting using optimised deep learning neural networks. Ocean Engineering, 219, 108372. https://doi.org/10.1016/j.oceaneng.2020.108372
Bricker, J. D., Esteban, M., Takagi, H., & Roeber, V. (2017). Economic feasibility of tidal stream and wave power in post-Fukushima Japan. Renewable Energy, 114, 32-45. https://doi.org/10.1016/j.renene.2016.06.049
Cao, F., Han, M., Shi, H., Li, M., & Liu, Z. (2022). Comparative study on metaheuristic algorithms for optimising wave energy converters. Ocean Engineering, 247, 110461. https://doi.org/10.1016/j.oceaneng.2021.110461
Chen, J., Hlophe, T., Gunawan, D., Taylor, P. H., Milne, I. A., & Zhao, W. (2024). Phase-resolved wave prediction with varying buoy positions in the field using machine learning-based methods. Ocean Engineering, 307, 118107. https://doi.org/10.1016/j.oceaneng.2024.118107
Chen, Y. L., Lin, C. C., Chen, J. H., Lee, Y. H., & Tzang, S. Y. (2023). Characteristics of wave energy resources on coastal waters of northeast Taiwan. Renewable Energy, 202, 1-16. https://doi.org/10.1016/j.renene.2022.11.058
Chiu, Y.-H., Lee, J.-H., Lu, C.-C., Shyu, M.-K., & Luo, Z. (2012). The technology gap and efficiency measure in WEC countries: Application of the hybrid meta frontier model. Energy Policy, 51, 349-357. https://doi.org/10.1016/j.enpol.2012.08.026
Choupin, O., Del Río-Gamero, B., Schallenberg-Rodríguez, J., & Yánez-Rosales, P. (2022). Integration of assessment-methods for wave renewable energy: Resource and installation feasibility. Renewable Energy, 185, 455-482. https://doi.org/10.1016/j.renene.2021.12.035
Crown Estate Scotland. (2024). Wave and tidal. Erişim tarihi: 28.01.2024. https://www.crownestatescotland.com/scotlands-property/marine/wave-and-tidal
Çalışır, E., & Akpınar, A. (2020). ERA5 ve ERA-INTERİM rüzgarları ile çalıştırılan SWAN model sonuçlarının performans anali̇zi̇. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 25(1), 65-80. https://doi.org/10.17482/uumfd.688805
Çokan, M. (2004, Mayıs). Dalga enerjisi (dalga elektrik santralleri). V. Ulusal Temiz Enerji Sempozyumu, İstanbul.
Dai, P., Huang, Z., & Zhang, J. (2023). A modelling study of the tidal stream resource around Zhoushan Archipelago, China. Renewable Energy, 218, 119234. https://doi.org/10.1016/j.renene.2023.119234
de Mello, P. C., Carneiro, M. L., Tannuri, E. A., Kassab, F., Jr., Marques, R. P., Adamowski, J. C., & Nishimoto, K. (2013). A control and automation system for wave basins. Mechatronics, 23(1), 94-107. https://doi.org/10.1016/j.mechatronics.2012.11.004
Demirok, H. D., & Koçer, H. E. (2020). Generation of electrical energy from owc based wave motion. Avrupa Bilim ve Teknoloji Dergisi, 202-206. https://doi.org/10.31590/ejosat.804135
den Bieman, J. P., de Ridder, M. P., Irías Mata, M., & van Nieuwkoop, J. C. C. (2023). Hybrid modelling to improve operational wave forecasts by combining process-based and machine learning models. Applied Ocean Research, 136, 103583. https://doi.org/10.1016/j.apor.2023.103583
Doğan, F., & Türkoğlu, İ. (2019). Derin öğrenme modelleri ve uygulama alanlarına ilişkin bir derleme. DÜMF Mühendislik Dergisi, 10(2), 409-445. https://doi.org/10.24012/dumf.411130
Erselcan, İ. Ö., & Kükner, A. (2020). A parametric optimization study towards the preliminary design of point absorber type wave energy converters suitable for the Turkish coasts of the Black Sea. Ocean Engineering, 218, 108275. https://doi.org/10.1016/j.oceaneng.2020.108275
Es, H., Kalender, F. Y., & Hamzaçebi̇, C. (2014). Yapay sinir ağları ile Türkiye net enerji talep tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 29(3).
Foteinis, S., & Emmanuel Synolakis, C. (2023). Field based estimates of wave power at a nearshore Mediterranean locale for sustainable wave energy harnessing. Sustainable Energy Technologies and Assessments, 59, 103410. https://doi.org/10.1016/j.seta.2023.103410
Gonçalves, M., Martinho, P., & Guedes Soares, C. (2014). Assessment of wave energy in the Canary Islands. Renewable Energy, 68, 774-784. https://doi.org/10.1016/j.renene.2014.03.017
Greaves, D., Conley, D., Magagna, D., Aires, E., Chambel Leitão, J., Witt, M., … & Marina, D. (2016). Environmental impact assessment: Gathering experiences from wave energy test centres in Europe. International Journal of Marine Energy, 14, 68-79. https://doi.org/10.1016/j.ijome.2016.02.003
Gülçeli̇k, S., & Di̇ri̇, C. (2021). Alternative energy usage types in buildings and a proposal for a generator working with wave energy. Journal of Architectural Sciences and Applications, 6(1), 1-10. https://doi.org/10.30785/mbud.808924
Gunes-Durak, S., & Kapkin, S. (2024). Overview of hydrogen energy production in the Black Sea for the disposal of potentially hazardous hydrogen sulfide. International Journal of Hydrogen Energy, 50, 706-714. https://doi.org/10.1016/j.ijhydene.2023.11.141
Güngör, F. (2019). İç denizlere uygun dalga enerjisi üretim sistemi. (Yüksek Lisans Tezi). Ordu Üniversitesi, Fen Bilimleri Enstitüsü, Ordu, Türkiye.
Harameen, H. M. A., & Akman, G. (2023). A cluster analysis of renewable electricity generation policies in Asian Region countries using SPSS software. Uluslararası Yönetim Akademisi Dergisi, 6(2), 357-375. https://doi.org/10.33712/mana.1104853
Hassan, M. K., Youssef, H., Gaber, I. M., Shehata, A. S., Khairy, Y., & El-Bary, A. A. (2024). A predictive machine learning model for estimating wave energy based on wave conditions relevant to coastal regions. Results in Engineering, 21, 101734. https://doi.org/10.1016/j.rineng.2023.101734
Henriques, J. C. C., Gato, L. M. C., Falcão, A. F. O., Robles, E., & Faÿ, F. X. (2016). Latching control of a floating oscillating-water-column wave energy converter. Renewable Energy, 90, 229-241. https://doi.org/10.1016/j.renene.2015.12.065
Hepbaşlı, A., Özdamar, A., & Özalp, N. (2001). Present status and potential of renewable energy sources in Turkey. Energy Sources, 23, 631-648. https://doi.org/10.1080/00908310118259
IRENA. (2023). Global geothermal market and technology assessment. International Renewable Energy Agency, Abu Dhabi; International Geothermal Association, The Hague. https://www.irena.org/-/media/Files/IRENA/Agency/Publication/2023/Feb/IRENA_Global_geothermal_market_technology_assessment_2023.pdf
IRENA. (2015). Renewable power generation costs in 2014. https://www.irena.org/-/media/Files/IRENA/Agency/Publication/2015/IRENA_RE_Power_Costs_2014_report.pdf
IRENA and OEE (2023). Scaling up investments in ocean energy technologies. International Renewable Energy Agency, Abu Dhabi. https://www.irena.org/-/media/Files/IRENA/Agency/Publication/2023/Mar/IRENA_OEE_Scaling_up_investment_ocean_energy_2023.pdf
Jafalı, H. (2019). Karadeniz’de dalga gücü potansiyeli yüksek alanların dalga enerji içeriğinin uzun dönemli zamansal ve alansal analizi. (Yüksek Lisans Tezi), Bursa Uludağ Üniversitesi, Fen Bilimleri Enstitüsü, Bursa, Türkiye.
Jakimavičius, D., & Akstinas, V. (2023). Projections of wind climate and wave energy resources in Lithuanian territorial waters of the Baltic Sea in the 21st century. Oceanologia, 65(4), 534-547. https://doi.org/10.1016/j.oceano.2023.06.004
Kalogeri, C., Galanis, G., Spyrou, C., Diamantis, D., Baladima, F., Koukoula, M., & Kallos, G. (2017). Assessing the European offshore wind and wave energy resource for combined exploitation. Renewable Energy, 101, 244-264. https://doi.org/10.1016/j.renene.2016.08.010
Kamranzad, B., & Lin, P. (2020). Sustainability of wave energy resources in the South China Sea based on five decades of changing climate. Energy, 210, 118604. https://doi.org/10.1016/j.energy.2020.118604
Kamranzad, B., & Takara, K. (2020). A climate-dependent sustainability index for wave energy resources in Northeast Asia. Energy, 209, 118466. https://doi.org/10.1016/j.energy.2020.118466
Karaköse, P., & Koca, A. (2022). A novel rotor type wave energy converter design for maximum energy captured in low wave heights. Batman Üniversitesi Yaşam Bilimleri Dergisi, 12(2), 136-153. https://doi.org/10.55024/buyasambid.1131891
Kapluhan, E. (2014). Enerji̇ coğrafyası açısından bir inceleme: dalga enerji̇si̇nin dünyadaki̇ ve Türki̇ye’deki kullanım durumu. Uluslararası Avrasya Sosyal Bi̇li̇mler Dergisi, 5(17), 65-86.
Kıldıran, E. (2018). Antalya sahi̇li dalga enerji̇ potansi̇yeli̇nin beli̇rlenmesi. (Yüksek Lisans Tezi), Akdeniz Üniversitesi, Fen Bilimleri Enstitüsü, Antalya, Türkiye.
Kim, Y.-H., Cho, S., & Lee, P.-S. (2023). Wave height classification via deep learning using monoscopic ocean videos. Ocean Engineering, 288, 116002. https://doi.org/10.1016/j.oceaneng.2023.116002
Kocalar, A. C. (2022). The effects of the EU green deal harmonization policies in Turkey. Advanced Engineering Science, 2, 109-117.
Kükner, A. (2018). Study of the oscillating water coloumn (owc) which is one of the most used systems in converting wave energy into electrical energy. Turkish Journal of Engineering, 2(2), 88-93. https://doi.org/10.31127/tuje.329295
Lamy, J. V., & Azevedo, I. L. (2018). Do tidal stream energy projects offer more value than offshore wind farms? A case study in the United Kingdom. Energy Policy, 113, 28-40. https://doi.org/10.1016/j.enpol.2017.10.030
Lavidas, G., Venugopal, V., & Friedrich, D. (2017). Wave energy extraction in Scotland through an improved nearshore wave atlas. International Journal of Marine Energy, 17, 64-83. https://doi.org/10.1016/j.ijome.2017.01.008
López-Ruiz, A., Bergillos, R. J., & Ortega-Sánchez, M. (2016). The importance of wave climate forecasting on the decision-making process for nearshore wave energy exploitation. Applied Energy, 182, 191-203. https://doi.org/10.1016/j.apenergy.2016.08.088
Magagna, D., & Uihlein, A. (2015). Ocean energy development in Europe: Current status and future perspectives. International Journal of Marine Energy, 11, 84-104. https://doi.org/10.1016/j.ijome.2015.05.001
Mahdavi-Meymand, A., & Sulisz, W. (2023). Application of nested artificial neural network for the prediction of significant wave height. Renewable Energy, 209, 157-168. https://doi.org/10.1016/j.renene.2023.03.118
Mert, S. (2012). Dalga enerjisi dönüşüm sistemi tasarımı ve deneysel çalışması. (Yüksek Lisans Tezi), İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
Metin, K. (2023). Türkiye’nin dalga enerjisi potansiyeline coğrafi bir bakış: muhtemel sahaların değerlendirilmesi. (Yüksek Lisans Tezi), Karabük Üniversitesi, Coğrafya Anabilim Dalı, Karabük, Türkiye.
Molina, A., Jiménez-Portaz, M., Clavero, M., & Moñino, A. (2022). The effect of turbine characteristics on the thermodynamics and compression process of a simple OWC device. Renewable Energy, 190, 836-847. https://doi.org/10.1016/j.renene.2022.03.106
Neill, S. P. (2022). Introduction to ocean renewable energy. In T. M. Letcher (Ed.), Comprehensive renewable energy (2. ed, pp. 1-9). Oxford: Elsevier. https://doi.org/10.1016/B978-0-12-819727-1.00081-9
O'Hagan, A. M., Huertas, C., O'Callaghan, J., & Greaves, D. (2016). Wave energy in Europe: Views on experiences and progress to date. International Journal of Marine Energy, 14, 180-197. https://doi.org/10.1016/j.ijome.2015.09.001
Onenli, O., Ercan, H., Acikgoz, S., & Kat, B. (2023). Emission reduction pathways for satisfying Türkiye’s future electricity demand: A cross-country dynamic panel analysis with linear programming scenarios. Cleaner Energy Systems, 6, 100085. https://doi.org/10.1016/j.cles.2023.100085
Oztunali Ozbahceci, B., Turgut, A. R., Bozoklu, A., & Abdalla, S. (2020). Calibration and verification of century based wave climate data record along the Turkish coasts using satellite altimeter data. Advances in Space Research, 66(10), 2319-2337. https://doi.org/10.1016/j.asr.2020.02.021
Özbek, T., & Ergül, E. U. (2022, Mart). Çok kriterli karar verme ile dalga enerjisi santrali sahası ve dönüştürücü tipi seçimi. İnşaat Mühendisleri Enstitüsü Bildirileri.
Özdamar, G., Mut, M., Pekbey, Y., & Özdamar, A. (2016). Bir wells dalga türbininin hesaplamalı akışkanlar dinamiği analizi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 7(3), 569-576.
Özdemi̇r, D. (2019). Promethee yöntemi̇ ile türki̇ye’de yeni̇lenebi̇lir enerji̇ alternati̇fleri̇nin sıralanması. (Yüksek Lisans Tezi), Akdeni̇z Üni̇versi̇tesi, Sosyal Bilimler Enstitüsü, Antalya, Türkiye.
Pontes, M. T., Mollison, D., Cavaleri, L., Athanassoulis, G. A., & Nieto, J. C. (1993). Wave studies and development of resource evaluation methodology. Final Report.
Qiu, S., Liu, K., Wang, D., Ye, J., & Liang, F. (2019). A comprehensive review of ocean wave energy research and development in China. Renewable and Sustainable Energy Reviews, 113, 109271. https://doi.org/10.1016/j.rser.2019.109271
Renewable UK Marine Energy Database. (2024). eSpatial. Erişim Tarihi: 31.01.2024. https://maps.esp.tl/maps/pages/map.jsp?geoMapId=19671&TENANT_ID=115744
Rodriguez-Delgado, C., & Bergillos, R. J. (2021). Wave energy assessment under climate change through artificial intelligence. Science of The Total Environment, 760, 144039. https://doi.org/10.1016/j.scitotenv.2020.144039
Ross, D. (1995). Power from the waves. Oxford University Press.
Rusu, E., & Onea, F. (2016). Estimation of the wave energy conversion efficiency in the Atlantic Ocean close to the European islands. Renewable Energy, 85, 687-703. https://doi.org/10.1016/j.renene.2015.07.042
Rusu, E., & Onea, F. (2022). Evaluation of the adverse weather conditions associated to some significant European marine renewable energy projects. Energy Reports, 8(16), 185-193. https://doi.org/10.1016/j.egyr.2022.10.205
Rusu, E., & Rusu, L. (2021). An evaluation of the wave energy resources in the proximity of the wind farms operating in the North Sea. Energy Reports, 7(3), 19-27. https://doi.org/10.1016/j.egyr.2021.05.058
Sağlam, M., Sulukan, E., & Uyar, T. S. (2010). Wave energy and technical potential of Turkey. Journal of Naval Sciences and Engineering, 6(2), 34-50.
Sareen, K., Panigrahi, B. K., Shikhola, T., & Nagdeve, R. (2023). An integrated decomposition algorithm based bidirectional LSTM neural network approach for predicting ocean wave height and ocean wave energy. Ocean Engineering, 281, 114852. https://doi.org/10.1016/j.oceaneng.2023.114852
Shadmani, A., Nikoo, M. R., Gandomi, A. H., Wang, R.-Q., & Golparvar, B. (2023). A review of machine learning and deep learning applications in wave energy forecasting and WEC optimization. Energy Strategy Reviews, 49, 101180. https://doi.org/10.1016/j.esr.2023.101180
Simard, P. Y., Steinkraus, D., & Platt, J. C. (2003, September). Best practices for convolutional neural networks applied to visual document analysis. Seventh International Conference on Document Analysis and Recognition, 2003. Proceedings, 958-963. https://doi.org/10.1109/icdar.2003.1227801
Simões, C., Pintossi, D., Saakes, M., Borneman, Z., Brilman, W., & Nijmeijer, K. (2020). Electrode segmentation in reverse electrodialysis: Improved power and energy efficiency. Desalination, 492, 114604. https://doi.org/10.1016/j.desal.2020.114604
Spelta, A., & De Giuli, M. E. (2023). Does renewable energy affect fossil fuel price? A time-frequency analysis for the Europe. Physica A: Statistical Mechanics and its Applications, 626, 129098. https://doi.org/10.1016/j.physa.2023.129098
Tufa, R. A., Pawlowski, S., Veerman, J., Bouzek, K., Fontananova, E., di Profio, G., … & Curcio, E. (2018). Progress and prospects in reverse electrodialysis for salinity gradient energy conversion and storage. Applied Energy, 225, 290-331. https://doi.org/10.1016/j.apenergy.2018.04.111
Turkchem. (2022). Mavi enerji. Erişim Tarihi: 11.02.2024. https://www.turkchem.net/mavi-enerji.html
Türker, Y. Ö., & Aydin, A. (2022). How ready is the Turkish Legislation for the green deal? Energy and Climate Change, 3, 100084. https://doi.org/10.1016/j.egycc.2022.100084
Türköz, K. (2021). Türkiye’de sektörel enerji kullanımındaki değişimlerin itici güçleri: Ayrıştırma analizi. MANAS Sosyal Araştırmalar Dergisi, 10, 1038-1052. https://doi.org/10.33206/mjss.853348
Uygur, İ., Demi̇rci̇, R., Saruhan, H., Özkan, A., & Belenli̇, İ. (2006). Batı Karadeni̇z bölgesi̇ndeki dalga enerji̇si potansi̇yeli̇nin araştırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 12(1), 7-13.
Veerman, J. (2010). Reverse electrodialysis: Design and optimization by modeling and experimentation. (Thesis fully internal (DIV)), University of Groningen.
Wang, Y. (2020). Predicting absorbed power of a wave energy converter in a nonlinear mixed sea. Renewable Energy, 153, 362-374. https://doi.org/10.1016/j.renene.2020.02.031
Webb, A., Waseda, T., & Kiyomatsu, K. (2020). A high-resolution, long-term wave resource assessment of Japan with wave-current effects. Renewable Energy, 161, 1341-1358. https://doi.org/10.1016/j.renene.2020.05.030
Yeni Enerji. (2019). Gelgit enerjisi ve başarılı örnekleri. Erişim tarihi: 31.01.2024. https://www.yenienerji.com/mercek-alti/gelgit-enerjisi-ve-basarili-ornekleri
Yücel, U., Özdemi̇r, E., & Ayaz, M. (2021). Yenilenebilir enerji kaynaklarından üretilen elektrik enerjisi teşvik yöntemlerinin incelenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(2), 774-790. https://doi.org/10.29130/dubited.774963
Yüksel, F. Ş. (2023). Türkiye’nin havayolu taşıyıcı modellerine göre yolcu talebinin çoklu doğrusal regresyon, anfıs ve yapay sinir ağı teknikleri ile tahminlenmesi. (Doktora Tezi), Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Adana.
Zhang, J., Zhao, X., Greaves, D., & Jin, S. (2023). Modeling of a hinged-raft wave energy converter via deep operator learning and wave tank experiments. Applied Energy, 341, 121072. https://doi.org/10.1016/j.apenergy.2023.121072
Zheng, C.-w., Pan, J., & Li, J.-x. (2013). Assessing the China Sea wind energy and wave energy resources from 1988 to 2009. Ocean Engineering, 65, 39-48. https://doi.org/10.1016/j.oceaneng.2013.03.006
Zheng, J., Dai, P., & Zhang, J. (2015). Tidal stream energy in China. Procedia Engineering, 116, 880-887. https://doi.org/10.1016/j.proeng.2015.08.377
Zheng, Z., Ali, M., Jamei, M., Xiang, Y., Abdulla, S., Yaseen, Z. M., & Farooque, A. A. (2023). Multivariate data decomposition based deep learning approach to forecast one-day ahead significant wave height for ocean energy generation. Renewable and Sustainable Energy Reviews, 185, 113645. https://doi.org/10.1016/j.rser.2023.113645

Details

Primary Language

Turkish

Subjects

Ocean Engineering, Renewable Energy Resources

Journal Section

Review

Authors

Selma Kaymaz ^*
0009-0002-6342-871X
Türkiye

Tuğrul Bayraktar
0000-0001-5620-5804
Türkiye

Çağrı Sel
0000-0002-8657-2303
Türkiye

Publication Date

August 31, 2024

Submission Date

March 2, 2024

Acceptance Date

June 4, 2024

Published in Issue

Year 2024 Volume: 29 Number: 2

DOI

https://doi.org/10.53433/yyufbed.1445985

IZ

https://izlik.org/JA42WK93KS

APA

Kaymaz, S., Bayraktar, T., & Sel, Ç. (2024). Su Dalga Enerjisi Üretimi ve Yapay Zekâ: Asya, Avrupa ve Türkiye’nin Potansiyeli. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 29(2), 798-822. https://doi.org/10.53433/yyufbed.1445985

AMA

1.Kaymaz S, Bayraktar T, Sel Ç. Su Dalga Enerjisi Üretimi ve Yapay Zekâ: Asya, Avrupa ve Türkiye’nin Potansiyeli. YYU JINAS. 2024;29(2):798-822. doi:10.53433/yyufbed.1445985

Chicago

Kaymaz, Selma, Tuğrul Bayraktar, and Çağrı Sel. 2024. “Su Dalga Enerjisi Üretimi Ve Yapay Zekâ: Asya, Avrupa Ve Türkiye’nin Potansiyeli”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 29 (2): 798-822. https://doi.org/10.53433/yyufbed.1445985.

EndNote

Kaymaz S, Bayraktar T, Sel Ç (August 1, 2024) Su Dalga Enerjisi Üretimi ve Yapay Zekâ: Asya, Avrupa ve Türkiye’nin Potansiyeli. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 29 2 798–822.

IEEE

[1]S. Kaymaz, T. Bayraktar, and Ç. Sel, “Su Dalga Enerjisi Üretimi ve Yapay Zekâ: Asya, Avrupa ve Türkiye’nin Potansiyeli”, YYU JINAS, vol. 29, no. 2, pp. 798–822, Aug. 2024, doi: 10.53433/yyufbed.1445985.

ISNAD

Kaymaz, Selma - Bayraktar, Tuğrul - Sel, Çağrı. “Su Dalga Enerjisi Üretimi Ve Yapay Zekâ: Asya, Avrupa Ve Türkiye’nin Potansiyeli”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi 29/2 (August 1, 2024): 798-822. https://doi.org/10.53433/yyufbed.1445985.

JAMA

1.Kaymaz S, Bayraktar T, Sel Ç. Su Dalga Enerjisi Üretimi ve Yapay Zekâ: Asya, Avrupa ve Türkiye’nin Potansiyeli. YYU JINAS. 2024;29:798–822.

MLA

Kaymaz, Selma, et al. “Su Dalga Enerjisi Üretimi Ve Yapay Zekâ: Asya, Avrupa Ve Türkiye’nin Potansiyeli”. Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 29, no. 2, Aug. 2024, pp. 798-22, doi:10.53433/yyufbed.1445985.

Vancouver

1.Selma Kaymaz, Tuğrul Bayraktar, Çağrı Sel. Su Dalga Enerjisi Üretimi ve Yapay Zekâ: Asya, Avrupa ve Türkiye’nin Potansiyeli. YYU JINAS. 2024 Aug. 1;29(2):798-822. doi:10.53433/yyufbed.1445985

Cited By

Türkiye’nin yenilenebilir enerji potansiyeli ve sürdürülebilir pazarlama: Sektör örnekleri üzerinden bir değerlendirme

Business Economics and Management Research Journal

https://doi.org/10.58308/bemarej.1668836