Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı

Aslıhan Sağıroğlu; Alev Taşkın

doi:10.31466/kfbd.1533972

EN TR

Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı

Öz

Günümüzde enerji kullanımında verimlilik hem maliyetlerin yükselmesi hem de çevresel kirliliğin önlenmesi açısından çok önemli bir konumda bulunmaktadır. Enerji kullanımının önemli bir kısmı binalarda gerçekleştiği için binalarda enerji verimliliği ayrıca bir çalışma konusu olmuş, yeşil bina gibi kavramlarla birlikte binalar için enerji sınıfları oluşturulmuştur. Bu enerji sınıfları oluşturulurken dikkate alınan enerji tüketim türlerinden iki çeşidi; ısıtma yükü ve soğutma yüküdür. Binalarda aydınlanma ve havalandırma amaçlı enerji tüketimine kıyasla, ısıtma ve soğutma yükleri enerji tüketimi açısından daha fazla göze çarpmaktadır. Bu çalışmada ısıtma ve soğutma yükleri üzerinden binalarda enerji kullanım tahminleri makine öğrenmesi yöntemleriyle gerçekleştirilmiş, öncesinde yapılan kümeleme analizi ile tahminleme performansının iyileştirilmesi sağlanmaya çalışılmıştır. Analizler sırasında SPSS programı ve Python programlama dili kullanılmıştır.

Anahtar Kelimeler

Kümeleme, Tahminleme, Enerji verimliliği, Makine öğrenmesi

Kaynakça

Abbasimehr, H., Paki, R., & Bahrini, A. (2023). A novel XGBoost-based featurization approach to forecast renewable energy consumption with deep learning models. Sustainable Computing: Informatics and Systems, 38, 100863. https://doi.org/10.1016/j.suscom.2023.100863
Ahmad, T., Chen, H., Huang, R., Yabin, G., Wang, J., Shair, J., Azeem Akram, H. M., Hassnain Mohsan, S. A., & Kazim, M. (2018). Supervised based machine learning models for short, medium and long-term energy prediction in distinct building environment. Energy, 158, 17-32. https://doi.org/10.1016/j.energy.2018.05.169
Albayrak, Y. doç dr ali S., & Yilmaz, Ö. gör şebnem K. (2009). VERİ MADENCİLİĞİ: KARAR AĞACI ALGORİTMALARI VE İMKB VERİLERİ ÜZERİNE BİR UYGULAMA. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), Article 1.
AlMahamid, F., & Grolinger, K. (2022). Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering. 2022 IEEE Canadian Conference on Electrical and Computer Engineering (CCECE), 241-247. https://doi.org/10.1109/CCECE49351.2022.9918481
Al-Rakhami, M., Gumaei, A., Alsanad, A., Alamri, A., & Hassan, M. M. (2019). An Ensemble Learning Approach for Accurate Energy Load Prediction in Residential Buildings. IEEE Access, 7, 48328-48338. https://doi.org/10.1109/ACCESS.2019.2909470
An Introduction to Kernel and Nearest-Neighbor Nonparametric Regression. (2024).
Aqlan, F., Ahmed, A., Srihari, K., & Khasawneh, M. (2014). Integrating Artificial Neural Networks and Cluster Analysis to Assess Energy Efficiency of Buildings. İçinde IIE Annual Conference and Expo 2014.
Aurangzeb, K. (2024). DBSCAN-based energy users clustering for performance enhancement of deep learning model. Journal of Intelligent & Fuzzy Systems, 46(3), 5555-5573. https://doi.org/10.3233/JIFS-235873
Bakkelund, D. (2022). Order preserving hierarchical agglomerative clustering. Machine Learning, 111(5), 1851-1901. https://doi.org/10.1007/s10994-021-06125-0
Bektas Ekici, B., & Aksoy, U. T. (2011). Prediction of building energy needs in early stage of design by using ANFIS. Expert Systems with Applications, 38(5), 5352-5358. https://doi.org/10.1016/j.eswa.2010.10.021

BİNALARDA ENERJİ PERFORMANSI YÖNETMELİĞİ. (t.y.).
Birkes, D., & Dodge, D. Y. (2011). Alternative Methods of Regression. John Wiley & Sons.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Canbay, P., & Taş, H. (2022). Yapıların Isıtma ve Soğutma Yükünün Yapay Zeka ile Tahmini. International Journal of Pure and Applied Sciences, 8(2), 478-489. https://doi.org/10.29132/ijpas.1166227
cevreselgostergeler.csb.gov.tr. (t.y.). - Çevresel Göstergeler. Geliş tarihi 18 Mart 2024, gönderen https://cevreselgostergeler.csb.gov.tr/sektorlere-gore-nihai-enerji-tuketimi-i-85804
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. https://doi.org/10.1145/2939672.2939785
Cheng, L. K., Selamat, A., Zabil, M. H. M., Selamat, M. H., Alias, R. A., Puteh, F., Mohamed, F., & Krejcar, O. (2019). Comparing the Accuracy of Hierarchical Agglomerative and K-means Clustering on Mobile Augmented Reality Usability Metrics. 2019 IEEE Conference on Big Data and Analytics (ICBDA), 34-40. https://doi.org/10.1109/ICBDA47563.2019.8987044
Cheng, M.-Y., & Cao, M.-T. (2014). Accurately predicting building energy performance using evolutionary multivariate adaptive regression splines. Applied Soft Computing, 22, 178-188. https://doi.org/10.1016/j.asoc.2014.05.015
Chou, J.-S., & Bui, D.-K. (2014). Modeling heating and cooling loads by artificial intelligence for energy-efficient building design. Energy and Buildings, 82, 437-446. https://doi.org/10.1016/j.enbuild.2014.07.036
Cook, R. D. (2015). Linear Hypothesis: Regression (Graphics). İçinde J. D. Wright (Ed.), International Encyclopedia of the Social & Behavioral Sciences (Second Edition) (Second Edition, ss. 157-161). Elsevier. https://doi.org/10.1016/B978-0-08-097086-8.42141-0
Coşkun, E., Gündoğan, E., Kaya, M., & Alhajj, R. (2021). Veri madenciliği yöntemleri kullanarak yoğun bakım ünitesindeki hastaların sınıflandırması. Computer Science. https://doi.org/10.53070/bbd.990718
Di̇Lber, B., & Özdemi̇R, A. F. (2022). Estimating Heating and Cooling Loads of Energy Efficient Buildings with Tidy Models. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 1091-1106. https://doi.org/10.29130/dubited.939933
Doğan, M., & Seçme, D. (2018). Çevre Dostu Binalar ve Yeşil Bina Sertifika Sistemleri.
Dong, G., Jin, Y., Wang, S., Li, W., Tao, Z., & Guo, S. (2019). DB-Kmeans:An Intrusion Detection Algorithm Based on DBSCAN and K-means. 2019 20th Asia-Pacific Network Operations and Management Symposium (APNOMS), 1-4. https://doi.org/10.23919/APNOMS.2019.8892910
Duarte, G. R., Capriles, P., & Lemonge, A. (t.y.). Prediction of energy load of buildings using machine learning methods.
Economopoulou, E.-E., Vonitsanos, G., Mylonas, P., & Kanavos, A. (2024). Efficient Energy Disaggregation Using DBSCAN: A Novel Approach for Enhanced Energy Management. Içinde I. Maglogiannis, L. Iliadis, I. Karydis, A. Papaleonidas, & I. Chochliouros (Ed.), Artificial Intelligence Applications and Innovations. AIAI 2024 IFIP WG 12.5 International Workshops (ss. 236-249). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-63227-3_16
Enerji Verimliliği—T.C. Enerji ve Tabii Kaynaklar Bakanlığı. (t.y.). Geliş tarihi 18 Mart 2024, gönderen https://enerji.gov.tr/enerji-verimliligi
Ercan, U. (2022). Havayolu Taşımacılığında Müşteri Memnuniyetinin Makine Öğrenmesi Yöntemleri İle Belirlenmesi. Alanya Akademik Bakış. https://doi.org/10.29023/alanyaakademik.1095574
Erdede, S. B., Erdede, B., & Bektaş, S. (2014). SÜRDÜRÜLEBİLİR YEŞİL BİNALAR VE SERTİFİKA SİSTEMLERİNİN DEĞERLENDİRİLMESİ.
Fernández, A., & Gómez, S. (2008). Solving Non-Uniqueness in Agglomerative Hierarchical Clustering Using Multidendrograms. Journal of Classification, 25(1), 43-65. https://doi.org/10.1007/s00357-008-9004-x
Forman, G. (2003). An extensive empirical study of feature selection metrics for text classification [J]. Journal of Machine Learning Research - JMLR, 3.
Garikapati, P., Balamurugan, K., Latchoumi, T. P., & Malkapuram, R. (2021). A Cluster-Profile Comparative Study on Machining AlSi7/63% of SiC Hybrid Composite Using Agglomerative Hierarchical Clustering and K-Means. Silicon, 13(4), 961-972. https://doi.org/10.1007/s12633-020-00447-9
Guo, H., Liu, X., & Zhang, Q. (2024). Identifying daily water consumption patterns based on K-means Clustering, Agglomerative Hierarchical Clustering, and Spectral Clustering algorithms. AQUA-WATER INFRASTRUCTURE ECOSYSTEMS AND SOCIETY, 73(5), 870-887. https://doi.org/10.2166/aqua.2024.294
Gümüşçü, A., Tenekeci, M. E., Beşli, N., İlkhan, M. A., Aslan, E., & Abamor, S. (2018). Yapılarda Isıtma ve Soğutma Yükü Sınıfların Makine Öğrenme Yöntemleri ile Belirlenmesi. Harran Üniversitesi Mühendislik Dergisi, 3(2), Article 2.
Güzelkokar, O. (2019). Mevcut Yapıların Sürdürülebilir Yeşil Binalara Dönüştürülmesi.
Jahan, I., & Sanam, T. F. (2024). A comprehensive framework for customer retention in E-commerce using machine learning based on churn prediction, customer segmentation, and recommendation. Electronic Commerce Research. https://doi.org/10.1007/s10660-024-09936-0
Kavaklioglu, K. (2018). Robust modeling of heating and cooling loads using partial least squares towards efficient residential building design. Journal of Building Engineering, 18, 467-475. https://doi.org/10.1016/j.jobe.2018.04.018
Khadka, S., Wagle, A., Dhakal, B., Gautam, R., Nepal, T., Shrestha, A., & Gonzalez-Longatt, F. (2024). Agglomerative Hierarchical Clustering Methodology to Restore Power System considering Reactive Power Balance and Stability Factor Analysis. International Transactions on Electrical Energy Systems, 2024(1), 8856625. https://doi.org/10.1155/2024/8856625
Khalil, A. J., Barhoom, A. M., Abu-Nasser, B. S., Musleh, M. M., & Abu-Naser, S. S. (2019). Energy Efficiency Prediction using Artificial Neural Network. 3(9).
Khan, A. M., & Osińska, M. (2023). Comparing forecasting accuracy of selected grey and time series models based on energy consumption in Brazil and India. Expert Systems with Applications, 212, 118840. https://doi.org/10.1016/j.eswa.2022.118840
Kumar, S., Pal, S. K., & Singh, R. P. (2018). Intra ELM variants ensemble based model to predict energy performance in residential buildings. Sustainable Energy, Grids and Networks, 16, 177-187. https://doi.org/10.1016/j.segan.2018.07.001
Likas, A., Vlassis, N., & J. Verbeek, J. (2003). The global k-means clustering algorithm. Pattern Recognition, 36(2), 451-461. https://doi.org/10.1016/S0031-3203(02)00060-2
Lu, C., Li, S., Reddy Penaka, S., & Olofsson, T. (2023). Automated machine learning-based framework of heating and cooling load prediction for quick residential building design. Energy, 274, 127334. https://doi.org/10.1016/j.energy.2023.127334
Mehmet; Subaşi, M. (2005). Bilimsel Çalışmalarda P-Değerinin Rapor Edilmesi (P<0.01?, P0.05?). Tarım Bilimleri Dergisi, 11(4), 1. https://doi.org/10.1501/Tarimbil_0000000565
Miraftabzadeh, S. M., Colombo, C. G., Longo, M., & Foiadelli, F. (2023). K-Means and Alternative Clustering Methods in Modern Power Systems. IEEE Access, 11, 119596-119633. https://doi.org/10.1109/ACCESS.2023.3327640
Moradzadeh, A., Mansour-Saatloo, A., Mohammadi-Ivatloo, B., & Anvari-Moghaddam, A. (2020). Performance Evaluation of Two Machine Learning Techniques in Heating and Cooling Loads Forecasting of Residential Buildings. Applied Sciences, 10(11), 3829. https://doi.org/10.3390/app10113829
Naji, S., Keivani, A., Shamshirband, S., Alengaram, U. J., Jumaat, M. Z., Mansor, Z., & Lee, M. (2016). Estimating building energy consumption using extreme learning machine method. Energy, 97, 506-516. https://doi.org/10.1016/j.energy.2015.11.037
Naji, S., Shamshirband, S., Basser, H., Keivani, A., Alengaram, U. J., Jumaat, M. Z., & Petković, D. (2016). Application of adaptive neuro-fuzzy methodology for estimating building energy consumption. Renewable and Sustainable Energy Reviews, 53, 1520-1528. https://doi.org/10.1016/j.rser.2015.09.062
Namli, E., & Yücel, M. (2018). YAPAY ZEKÂ MODELLERİ İLE BETONARME YAPILARA AİT ENERJİ PERFORMANS SINIFLARININ TAHMİNİ. Uludağ University Journal of The Faculty of Engineering, 22(3), 325-346. https://doi.org/10.17482/uumfd.332320
Nilashi, M., Dalvi-Esfahani, M., Ibrahim, O., Bagherifard, K., Mardani, A., & Zakuan, N. (2017). A soft computing method for the prediction of energy performance of residential buildings. Measurement, 109, 268-280. https://doi.org/10.1016/j.measurement.2017.05.048
Olu-Ajayi, R., Alaka, H., Sulaimon, I., Sunmola, F., & Ajayi, S. (2022). Machine learning for energy performance prediction at the design stage of buildings. Energy for Sustainable Development, 66, 12-25. https://doi.org/10.1016/j.esd.2021.11.002
Peker, M., Özkaraca, O., & Kesimal, B. (2017). Enerji Tasarruflu Bina Tasarımı İçin Isıtma ve Soğutma Yüklerini Regresyon Tabanlı Makine Öğrenmesi Algoritmaları İle Modelleme. Bilişim Teknolojileri Dergisi, 443-449. https://doi.org/10.17671/gazibtd.310154
Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. https://doi.org/10.1016/0377-0427(87)90125-7
Roy, S. S., Samui, P., Nagtode, I., Jain, H., Shivaramakrishnan, V., & Mohammadi-ivatloo, B. (2020). Forecasting heating and cooling loads of buildings: A comparative performance analysis. Journal of Ambient Intelligence and Humanized Computing, 11(3), 1253-1264. https://doi.org/10.1007/s12652-019-01317-y
Sajjad, M., Khan, S. U., Khan, N., Haq, I. U., Ullah, A., Lee, M. Y., & Baik, S. W. (2020). Towards Efficient Building Designing: Heating and Cooling Load Prediction via Multi-Output Model. Sensors, 20(22), 6419. https://doi.org/10.3390/s20226419
Sander, J., Ester, M., Kriegel, H.-P., & Xu, X. (1998). Density-Based Clustering in Spatial Databases: The Algorithm GDBSCAN and Its Applications. Data Mining and Knowledge Discovery, 2(2), 169-194. https://doi.org/10.1023/A:1009745219419
Sekhar Roy, S., Roy, R., & Balas, V. E. (2018). Estimating heating load in buildings using multivariate adaptive regression splines, extreme learning machine, a hybrid model of MARS and ELM. Renewable and Sustainable Energy Reviews, 82, 4256-4268. https://doi.org/10.1016/j.rser.2017.05.249
Seyedzadeh, S., Pour Rahimian, F., Rastogi, P., & Glesk, I. (2019). Tuning machine learning models for prediction of building energy loads. Sustainable Cities and Society, 47, 101484. https://doi.org/10.1016/j.scs.2019.101484
Sholahudin, Alam, A. G., Baek, C. I., & Han, H. (2016). Prediction and Analysis of Building Energy Efficiency Using Artificial Neural Network and Design of Experiments. Applied Mechanics and Materials, 819, 541-545. https://doi.org/10.4028/www.scientific.net/AMM.819.541
Sonmez, Y., Guvenc, U., Kahraman, H. T., & Yilmaz, C. (2015). A comperative study on novel machine learning algorithms for estimation of energy performance of residential buildings. 2015 3rd International Istanbul Smart Grid Congress and Fair (ICSG), 1-7. https://doi.org/10.1109/SGCF.2015.7354915
Şükür, F. Z. (t.y.). YILDIZ TEKNİK ÜNİVERSİTESİ İKLİM DEĞİŞİKLİĞİ EYLEM PLANI.
Tsanas, A., & Xifara, A. (2012). Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools. Energy and Buildings, 49, 560-567. https://doi.org/10.1016/j.enbuild.2012.03.003
Wang, D., Lu, X., & Rinaldo, A. (t.y.). DBSCAN: Optimal Rates For Density-Based Cluster Estimation.
Yang, F., Gao, P., & Lu, Y. (2016). Evolving Resilient Back-Propagation Algorithm for Energy Efficiency Problem. MATEC Web of Conferences, 77, 06016. https://doi.org/10.1051/matecconf/20167706016
Yildiz, M. E., Beyhan, F., & Uçar, M. K. (2021). Enerji Verimli Bina Tasarımı için Yapay Sinir Ağları ile Isıtma Soğutma Yükünün Belirlenmesi. Academic Perspective Procedia, 4(1), 91-100. https://doi.org/10.33793/acperpro.04.01.17
Yu, H., Zhong, F., Du, Y., Xie, X., Wang, Y., Zhang, X., & Huang, S. (2023). Short-term cooling and heating loads forecasting of building district energy system based on data-driven models. Energy and Buildings, 298, 113513. https://doi.org/10.1016/j.enbuild.2023.113513
Yüce, T., & Kabak, M. (t.y.). Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme.
Zekić-Sušac, M., Scitovski, R., & Has, A. (2018). Cluster analysis and artificial neural networks in predicting energy efficiency of public buildings as a cost-saving approach. Croatian Review of Economic, Business and Social Statistics, 4(2), 57-66. https://doi.org/10.2478/crebss-2018-0013
Zhang, C., Chen, X., Wang, S., Hu, J., Wang, C., & Liu, X. (2021). Using CatBoost algorithm to identify middle-aged and elderly depression, national health and nutrition examination survey 2011–2018. Psychiatry Research, 306, 114261. https://doi.org/10.1016/j.psychres.2021.114261
Zurini, M. (2013). Comparative Analysis of K-Means and Dbscan Algorithms. Içinde C. Boja, L. Batagan, M. Doinea, C. Ciurea, P. Pocatilu, A. Ion, R. Magos, L. Cotfas, A. Velicanu, C. Amancei, M. Andreica, & A. Zamfiroiu (Ed.), INTERNATIONAL CONFERENCE ON INFORMATICS IN ECONOMY (ss. 646-651). Bucharest Univ Economic Studies-Ase.

Ayrıntılar

Birincil Dil

Türkçe

Konular

Enerji Verimliliği

Bölüm

Araştırma Makalesi

Yazarlar

Aslıhan Sağıroğlu ^*
0000-0003-3611-7537
Türkiye

Alev Taşkın
0000-0003-1803-9408
Türkiye

Yayımlanma Tarihi

15 Aralık 2025

Gönderilme Tarihi

15 Ağustos 2024

Kabul Tarihi

25 Ağustos 2025

Yayımlandığı Sayı

Yıl 2025 Cilt: 15 Sayı: 4

DOI

https://doi.org/10.31466/kfbd.1533972

IZ

https://izlik.org/JA78SL25DP

APA

Sağıroğlu, A., & Taşkın, A. (2025). Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı. Karadeniz Fen Bilimleri Dergisi, 15(4), 1399-1425. https://doi.org/10.31466/kfbd.1533972

AMA

1.Sağıroğlu A, Taşkın A. Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı. KFBD. 2025;15(4):1399-1425. doi:10.31466/kfbd.1533972

Chicago

Sağıroğlu, Aslıhan, ve Alev Taşkın. 2025. “Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı”. Karadeniz Fen Bilimleri Dergisi 15 (4): 1399-1425. https://doi.org/10.31466/kfbd.1533972.

EndNote

Sağıroğlu A, Taşkın A (01 Aralık 2025) Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı. Karadeniz Fen Bilimleri Dergisi 15 4 1399–1425.

IEEE

[1]A. Sağıroğlu ve A. Taşkın, “Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı”, KFBD, c. 15, sy 4, ss. 1399–1425, Ara. 2025, doi: 10.31466/kfbd.1533972.

ISNAD

Sağıroğlu, Aslıhan - Taşkın, Alev. “Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı”. Karadeniz Fen Bilimleri Dergisi 15/4 (01 Aralık 2025): 1399-1425. https://doi.org/10.31466/kfbd.1533972.

JAMA

1.Sağıroğlu A, Taşkın A. Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı. KFBD. 2025;15:1399–1425.

MLA

Sağıroğlu, Aslıhan, ve Alev Taşkın. “Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı”. Karadeniz Fen Bilimleri Dergisi, c. 15, sy 4, Aralık 2025, ss. 1399-25, doi:10.31466/kfbd.1533972.

Vancouver

1.Aslıhan Sağıroğlu, Alev Taşkın. Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı. KFBD. 01 Aralık 2025;15(4):1399-425. doi:10.31466/kfbd.1533972

Karadeniz Fen Bilimleri Dergisinde yayınlanan makaleler Creative Commons Attribution-NonCommercial 4.0 International kapsamında lisanslanmıştır.

Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı

A Machine Learning Based Hybrid Clustering and Prediction Approach to Energy Efficiency in Buildings

Öz

Anahtar Kelimeler

Binalarda Enerji Verimliliğine Makine Öğrenmesi Temelli Hibrit Bir Kümeleme ve Tahminleme Yaklaşımı

Öz

Anahtar Kelimeler

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster