Öz
Yapay sinir ağları birçok problemin çözümünde yaygın olarak kullanılmakta ve başarılı sonuçlar vermektedir. Özellikle tahmin problemlerinde sıkça karşılaşılan bu modeller, ulaştıkları yüksek doğruluk oranları ile araştırmacıların dikkatini çekmektedir. Biyolojik nöron içerisindeki dendritlerin yapay sinir ağı modeline eklenmesiyle oluşturulan dendritik nöron modeli yapay sinir ağı, zaman serisi analizinde kullanılan diğer yapay sinir ağı yöntemlerine göre daha iyi performans göstermesi ile dikkat çekmektedir. Bu çalışmada üstün performans özelliklerinden dolayı dendritik nöron modeli yapay sinir ağı tercih edilmiş olup, dendritik nöron modeli yapay sinir ağının eğitimi için parçacık sürü optimizasyon algoritması kullanılmıştır. Tercih edilen bu yapay sinir ağının öngörü performansını değerlendirmek için İstanbul Su ve Kanalizasyon İdaresi'ne ait İkitelli İçme Suyu Arıtma Tesisi içerisinde bulunan 1200 kWp gücündeki güneş enerjisi santraline ait günlük 15 dakikalık veriler kullanılmış ve literatürdeki birçok yapay sinir ağı modeli ile performans karşılaştırması yapılmıştır. Denenen bu yöntemin performansının diğer yöntemler arasında en iyi performansa sahip olduğu görülmüştür.
Anahtar Kelimeler
Kaynakça
- Almosova, A., Andresen, N. (2023). Nonlinear inflation forecasting with recurrent neural networks. Journal of Forecasting, 42(2), 240-259.
- Amemiya, A., Shlok, M., Miyoshi, T. (2023). Application of recurrent neural networks to model bias correction: Idealized experiments with the Lorenz‐96 model. Journal of Advances in Modeling Earth Systems, 15(2), e2022MS003164.
- Arif, U., Zhang, C., Chaudhary, M. W., Hussain, S. (2025). An Adaptive Dendritic Neural Model for Lung Cancer Prediction. Computer Methods in Biomechanics and Biomedical Engineering, 1-14.
- Arseven, B., Cinar, S. M. (2025). Solar radiation forecast with multivariate Ridge regression and multivariate Lasso regression methods supported by extraterrestrial radiation. Journal of The Faculty of Engineering and Archıtecture of Gazi University, 40(3).
- Bacanin, N., Jovanovic, L., Zivkovic, M., Kandasamy, V., Antonijevic, M., Deveci, M., Strumberger, I. (2023). Multivariate energy forecasting via metaheuristic tuned long-short term memory and gated recurrent unit neural networks. Information Sciences, 642, 119122.
- Cao, J., Zhao, D., Tian, C., Jin, T., Song, F. (2023). Adopting improved Adam optimizer to train dendritic neuron model for water quality prediction. Math Biosci Eng, 20(5), 9489-9510.
- Chen, X., Fan, H., Chen, W., Zhang, Y., Zhu, D., Song, S. (2024). Explaining a Logic Dendritic Neuron Model by Using the Morphology of Decision Trees. Electronics, 13(19), 3911.
- Chen, T., Todo, Y., Takano, R., Qiu, Z., Hua, Y., Tang, Z. (2024). A Learning Dendritic Neuron-Based Motion Direction Detective System and Its Application to Grayscale Images. Brain Sciences, 14(9), 864.
- Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078.
- Danish, M. U., Grolinger, K. (2025). Kolmogorov–Arnold recurrent network for short term load forecasting across diverse consumers. Energy Reports, 13, 713-727.
- Ding, Y., Yu, J., Gu, C., Gao, S., Zhang, C. (2024). A multi-in and multi-out dendritic neuron model and its optimization. Knowledge-Based Systems, 286, 111442.
- Egrioglu, E., Bas, E. (2024). A new deep neural network for forecasting: Deep dendritic artificial neural network. Artificial Intelligence Review, 57(7), 171.
- Elshewey, A. M., Abed, A. H., Khafaga, D. S., Alhussan, A. A., Eid, M. M., El-Kenawy, E. S. M. (2025). Enhancing heart disease classification based on greylag goose optimization algorithm and long short-term memory. Scientific Reports, 15(1), 1277.
- Feng, Z. K., Liu, W. J., Tang, Z. Y., Feng, B. F., Ji, G. L., Xu, Y. S., Niu, W. J. (2025). Integrated Runoff Forecasting Model with Mode Decomposition and Metaheuristic-optimized Bidirectional Gated Recurrent Unit. Water Resources Management, 39(6), 2763-2784.
- Geyikoğlu, A., Yağanoğlu, M. (2025). Makine Öğrenmesi Algoritmaları ile Elektrik Dağıtım Şebekeleri Arıza Tahmini. Karadeniz Fen Bilimleri Dergisi, 15(1), 73-98.
- Hochreiter, S., Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. Hu, M., Li, M., Chen, Y., Liu, H. (2025). Tourism forecasting by mixed-frequency machine learning. Tourism Management, 106, 105004.
- Huang, C., Karimi, H. R., Mei, P., Yang, D., Shi, Q. (2023). Evolving long short-term memory neural network for wind speed forecasting. Information Sciences, 632, 390-410.
- Ishimoto, Y., Kondo, M., Ubayashi, N., Kamei, Y. (2023). Pafl: Probabilistic automaton-based fault localization for recurrent neural networks. Information and Software Technology, 155, 107117.
- Işık, H., Bas, E., Egrioglu, E., Akkan, T. (2024). A new single multiplicative neuron model artificial neural network based on black hole optimization algorithm: forecasting the amounts of clean water given to metropolis. Stochastic Environmental Research and Risk Assessment, 38(11), 4259-4274.
- Jeong, S. G., Do, Q. V., Hwang, W. J. (2024). Short-term photovoltaic power forecasting based on hybrid quantum gated recurrent unit. ICT Express, 10(3), 608-613.
- Jia, D., Xu, W., Zhang, H., Kuang, Z., Zhao, S., Zhou, W., ... Yin, T. (2024). Atmospheric Ozone Prediction by Linear dendritic neuron model combining Seasonal-trend decomposition based on LOESS. Available at SSRN 4860963.
- Jin, T., Su, K., Gao, J., Xia, H., Dai, G., Gao, S. Fractional-order differential evolution for training dendritic neuron model. Available at SSRN 4929916.
- Joseph, L. P., Deo, R. C., Casillas-Pérez, D., Prasad, R., Raj, N., Salcedo-Sanz, S. (2024). Short-term wind speed forecasting using an optimized three-phase convolutional neural network fused with bidirectional long short-term memory network model. Applied Energy, 359, 122624.
- Karbasi, M., Ali, M., Bateni, S. M., Jun, C., Jamei, M., Yaseen, Z. M. (2024). Boruta extra tree-bidirectional long short-term memory model development for Pan evaporation forecasting: Investigation of arid climate condition. Alexandria Engineering Journal, 86, 425-442.
- Karahasan, O., Bas, E., Egrioglu, E. (2025). A hybrid deep recurrent artificial neural network with a simple exponential smoothing feedback mechanism. Information Sciences, 686, 121356.
- Khennour, M. E., Bouchachia, A., Kherfi, M. L., Bouanane, K. (2023). Randomising the Simple Recurrent Network: a lightweight, energy-efficient RNN model with application to forecasting problems. Neural Computing and Applications, 35(27), 19707-19718.
- Kocak, C., Bas, E., Egrioglu, E. Trimmed Mean Dendritic Neuron Model Artificial Neural Network for Time Series Forecasting in Case of Outliers. Available at SSRN 4937461.
- Kolemen, E., Egrioglu, E., Bas, E., Turkmen, M. (2024). A new deep recurrent hybrid artificial neural network of gated recurrent units and simple seasonal exponential smoothing. Granular Computing, 9(1), 7.
- Kölemen, E. (2024). Forecasting of Turkey's Hazelnut Export Amounts According to Seasons with Dendritic Neuron Model Artificial Neural Network. Turkish Journal of Forecasting, 8(2), 1-7.
- Liu, F., Dong, T., Liu, Q., Liu, Y., Li, S. (2024). Combining fuzzy clustering and improved long short-term memory neural networks for short-term load forecasting. Electric Power Systems Research, 226, 109967.
- Luo, X., Ye, L., Liu, X., Wen, X., Zhou, M., Zhang, Q. (2023). Interpretability diversity for decision-tree-initialized dendritic neuron model ensemble. IEEE Transactions on Neural Networks and Learning Systems, 35(11), 15896-15909.
- Olmez, E., Egrioglu, E., Bas, E. (2023). Bootstrapped dendritic neuron model artificial neural network for forecasting. Granular Computing, 8(6), 1689-1699.
- Qays, M. O., Ahmad, I., Habibi, D., Masoum, M. A. (2025). System strength forecasting using hedge feedforward feedback-based gated recurrent unit algorithm with drift detection analysis. CSEE Journal of Power and Energy Systems.
- Qiao, W., Ma, Q., Yang, Y., Xi, H., Huang, N., Yang, X., Zhang, L. (2025). Natural gas consumption forecasting using a novel two-stage model based on improved sparrow search algorithm. Journal of Pipeline Science and Engineering, 5(1), 100220.
- Qin, Z., Yang, S., Zhong, Y. (2023). Hierarchically gated recurrent neural network for sequence modeling. Advances in Neural Information Processing Systems, 36, 33202-33221.
- Pavlov-Kagadejev, M., Jovanovic, L., Bacanin, N., Deveci, M., Zivkovic, M., Tuba, M., ... Pedrycz, W. (2024). Optimizing long-short-term memory models via metaheuristics for decomposition aided wind energy generation forecasting. Artificial Intelligence Review, 57(3), 45.
- Riasi, A., Delrobaei, M., Salari, M. (2024). A decision support system based on recurrent neural networks to predict medication dosage for patients with Parkinson's disease. Scientific Reports, 14(1), 8424.
- Rumelhart, D. E., McClelland, J. L., PDP Research Group. (1986). Parallel distributed processing, volume 1: Explorations in the microstructure of cognition: Foundations. The MIT press.
- Rohini, G., Singh, N., Patil, V. R. (2025). Autonomous forecasting of traffic in cellular networks based on long-short term memory recurrent neural network. Cybernetics and Systems.
- Samantaray, S., Sahoo, A., Yaseen, Z. M., Al-Suwaiyan, M. S. (2025). River discharge prediction based multivariate climatological variables using hybridized long short-term memory with nature inspired algorithm. Journal of Hydrology, 649, 132453.
- Selmi, K., Khalfallah, S., Bouallegue, K. (2025, March). Modeling Electrical Potential in Multi-Dendritic Neurons Using Bessel Functions. In Medical Sciences Forum (Vol. 28, No. 1, p. 2). MDPI.
- Shin, Y., Ghosh, J. (1991, July). The pi-sigma network: An efficient higher-order neural network for pattern classification and function approximation. In IJCNN-91-Seattle international joint conference on neural networks (Vol. 1, pp. 13-18). IEEE.
- Sivadasan, E. T., Sundaram, N. M., Santhosh, R. (2025). Deep Learning for Energy Forecasting Using Gated Recurrent Units and Long Short-Term Memory. Journal of Intelligent Systems & Internet of Things, 14(1).
- Toharudin, T., Pontoh, R. S., Caraka, R. E., Zahroh, S., Lee, Y., Chen, R. C. (2023). Employing long short-term memory and Facebook prophet model in air temperature forecasting. Communications in Statistics-Simulation and Computation, 52(2), 279-290.
- Taib, S. A. T., Abu, N., Senawi, A., Go, C. K. (2025). The Implementation of Long-Short Term Memory for Tourism Industry in Malaysia. Journal of Advanced Research in Applied Sciences and Engineering Technology, 46(2), 90-97.
- Tang, C., Ji, J., Todo, Y., Shimada, A., Ding, W., Hirata, A. (2024). Dendritic neural network: a novel extension of dendritic neuron model. IEEE Transactions on Emerging Topics in Computational Intelligence, 8(3), 2228-2239.
- Tang, C., Todo, Y., Kodera, S., Sun, R., Shimada, A., Hirata, A. (2024). A novel multivariate time series forecasting dendritic neuron model for COVID-19 pandemic transmission tendency. Neural Networks, 179, 106527.
- Tao, L., Nan, Y., Cui, Z., Wang, L., Yang, D. (2025). An explainable Bayesian gated recurrent unit model for multi-step streamflow forecasting. Journal of Hydrology: Regional Studies, 57, 102141.
- Wang, D., Ren, Y., Yang, Y., Guo, H. (2024). Hybridized gated recurrent unit with variational mode decomposition and an error compensation mechanism for multi-step-ahead monthly rainfall forecasting. Environmental Science and Pollution Research, 31(1), 1177-1194.
- Wang, Y., Wang, Z., Huang, H. (2023). Stochastic adaptive CL-BFGS algorithms for fully complex-valued dendritic neuron model. Knowledge-Based Systems, 277, 110788.
- Wen, X., Zhou, M., Albeshri, A., Huang, L., Luo, X., Ning, D. (2024). Improving classification performance in dendritic neuron models through practical initialization strategies. Sensors, 24(6), 1729.
- Wu, J., Wang, Z., Hu, Y., Tao, S., Dong, J. (2023). Runoff forecasting using convolutional neural networks and optimized bi-directional long short-term memory. Water Resources Management, 37(2), 937-953.
- Xavier, I., Veiga, E., Ribeiro, A. M. N., de Paula Monteiro, R., Oliveira, M., Amaro, R., Pinheiro, D. (2024, November). Towards the Identification of Money Laundering in Bank Transactions using Recurrent Neural Networks. In 2024 IEEE Latin American Conference on Computational Intelligence (LA-CCI) (pp. 1-5). IEEE.
- Xu, W., Liu, Y., Fan, X., Shen, Z., Wu, Q. (2024). Short-term wind power forecasting based on dual attention mechanism and gated recurrent unit neural network. Frontiers in Energy Research, 12, 1346000.
- Yadav, R. N., Kalra, P. K., John, J. (2007). Time series prediction with single multiplicative neuron model. Applied soft computing, 7(4), 1157-1163.
- Yang, F., Fu, X., Yang, Q., Chu, Z. (2024). Decomposition strategy and attention-based long short-term memory network for multi-step ultra-short-term agricultural power load forecasting. Expert Systems with Applications, 238, 122226.
- Yang, H., Yang, Y., Zhang, Y., Tang, C., Hashimoto, K., Nagata, Y. (2024, June). Chaotic map-coded evolutionary algorithms for dendritic neuron model optimization. In 2024 IEEE Congress on Evolutionary Computation (CEC) (pp. 1-8). IEEE.
- Yıldız, A., Elevli, S., Odabas, M. S. (2025). Atık Su Miktarının ARIMA ve Yapay Sinir Ağları ile Tahmini. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 25(2), 359-368.
- Zhang, F., Wang, M., Zhang, W., Wang, H. (2025). THATSN: Temporal hierarchical aggregation tree structure network for long-term time-series forecasting. Information Sciences, 692, 121659.
- URL-1: https://data.ibb.gov.tr/tr/dataset/ikitelli-gunes-enerjisi-santrali-elektrik-uretim-miktarlari/resource/52afa9a3-2ea1-420b-a783-505cfe635ece, (Date Accessed: 25 April 2025).
Öz
Artificial neural networks are widely used in solving many problems and provide successful results. These models, which are frequently encountered especially in estimation problems, attract the attention of researchers with the high accuracy rates they achieve. The dendritic neuron model artificial neural network, which is formed by adding the dendrites in the biological neuron to the artificial neural network model, draws attention with its better performance compared to other artificial neural network methods used in time series analysis. In this study, the dendritic neuron model artificial neural network was preferred due to its superior performance characteristics, and the particle swarm optimization algorithm was used for training the dendritic neuron model artificial neural network. To evaluate the forecasting performance of this preferred artificial neural network, 15-minute daily data belonging to the 1200 kWp solar power plant located in the İkitelli Drinking Water Treatment Plant of the Istanbul Water and Sewerage Administration was used and performance comparisons were made with many artificial neural network models in the literature. It was observed that the performance of this tested method had the best performance among the other methods.
Anahtar Kelimeler
Dendritic neuron model artificial neural network Solar power Forecasting
Etik Beyan
The author declares that this study complies with Research and Publication Ethics.
Kaynakça
- Almosova, A., Andresen, N. (2023). Nonlinear inflation forecasting with recurrent neural networks. Journal of Forecasting, 42(2), 240-259.
- Amemiya, A., Shlok, M., Miyoshi, T. (2023). Application of recurrent neural networks to model bias correction: Idealized experiments with the Lorenz‐96 model. Journal of Advances in Modeling Earth Systems, 15(2), e2022MS003164.
- Arif, U., Zhang, C., Chaudhary, M. W., Hussain, S. (2025). An Adaptive Dendritic Neural Model for Lung Cancer Prediction. Computer Methods in Biomechanics and Biomedical Engineering, 1-14.
- Arseven, B., Cinar, S. M. (2025). Solar radiation forecast with multivariate Ridge regression and multivariate Lasso regression methods supported by extraterrestrial radiation. Journal of The Faculty of Engineering and Archıtecture of Gazi University, 40(3).
- Bacanin, N., Jovanovic, L., Zivkovic, M., Kandasamy, V., Antonijevic, M., Deveci, M., Strumberger, I. (2023). Multivariate energy forecasting via metaheuristic tuned long-short term memory and gated recurrent unit neural networks. Information Sciences, 642, 119122.
- Cao, J., Zhao, D., Tian, C., Jin, T., Song, F. (2023). Adopting improved Adam optimizer to train dendritic neuron model for water quality prediction. Math Biosci Eng, 20(5), 9489-9510.
- Chen, X., Fan, H., Chen, W., Zhang, Y., Zhu, D., Song, S. (2024). Explaining a Logic Dendritic Neuron Model by Using the Morphology of Decision Trees. Electronics, 13(19), 3911.
- Chen, T., Todo, Y., Takano, R., Qiu, Z., Hua, Y., Tang, Z. (2024). A Learning Dendritic Neuron-Based Motion Direction Detective System and Its Application to Grayscale Images. Brain Sciences, 14(9), 864.
- Cho, K., Van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., Bengio, Y. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. arXiv preprint arXiv:1406.1078.
- Danish, M. U., Grolinger, K. (2025). Kolmogorov–Arnold recurrent network for short term load forecasting across diverse consumers. Energy Reports, 13, 713-727.
- Ding, Y., Yu, J., Gu, C., Gao, S., Zhang, C. (2024). A multi-in and multi-out dendritic neuron model and its optimization. Knowledge-Based Systems, 286, 111442.
- Egrioglu, E., Bas, E. (2024). A new deep neural network for forecasting: Deep dendritic artificial neural network. Artificial Intelligence Review, 57(7), 171.
- Elshewey, A. M., Abed, A. H., Khafaga, D. S., Alhussan, A. A., Eid, M. M., El-Kenawy, E. S. M. (2025). Enhancing heart disease classification based on greylag goose optimization algorithm and long short-term memory. Scientific Reports, 15(1), 1277.
- Feng, Z. K., Liu, W. J., Tang, Z. Y., Feng, B. F., Ji, G. L., Xu, Y. S., Niu, W. J. (2025). Integrated Runoff Forecasting Model with Mode Decomposition and Metaheuristic-optimized Bidirectional Gated Recurrent Unit. Water Resources Management, 39(6), 2763-2784.
- Geyikoğlu, A., Yağanoğlu, M. (2025). Makine Öğrenmesi Algoritmaları ile Elektrik Dağıtım Şebekeleri Arıza Tahmini. Karadeniz Fen Bilimleri Dergisi, 15(1), 73-98.
- Hochreiter, S., Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. Hu, M., Li, M., Chen, Y., Liu, H. (2025). Tourism forecasting by mixed-frequency machine learning. Tourism Management, 106, 105004.
- Huang, C., Karimi, H. R., Mei, P., Yang, D., Shi, Q. (2023). Evolving long short-term memory neural network for wind speed forecasting. Information Sciences, 632, 390-410.
- Ishimoto, Y., Kondo, M., Ubayashi, N., Kamei, Y. (2023). Pafl: Probabilistic automaton-based fault localization for recurrent neural networks. Information and Software Technology, 155, 107117.
- Işık, H., Bas, E., Egrioglu, E., Akkan, T. (2024). A new single multiplicative neuron model artificial neural network based on black hole optimization algorithm: forecasting the amounts of clean water given to metropolis. Stochastic Environmental Research and Risk Assessment, 38(11), 4259-4274.
- Jeong, S. G., Do, Q. V., Hwang, W. J. (2024). Short-term photovoltaic power forecasting based on hybrid quantum gated recurrent unit. ICT Express, 10(3), 608-613.
- Jia, D., Xu, W., Zhang, H., Kuang, Z., Zhao, S., Zhou, W., ... Yin, T. (2024). Atmospheric Ozone Prediction by Linear dendritic neuron model combining Seasonal-trend decomposition based on LOESS. Available at SSRN 4860963.
- Jin, T., Su, K., Gao, J., Xia, H., Dai, G., Gao, S. Fractional-order differential evolution for training dendritic neuron model. Available at SSRN 4929916.
- Joseph, L. P., Deo, R. C., Casillas-Pérez, D., Prasad, R., Raj, N., Salcedo-Sanz, S. (2024). Short-term wind speed forecasting using an optimized three-phase convolutional neural network fused with bidirectional long short-term memory network model. Applied Energy, 359, 122624.
- Karbasi, M., Ali, M., Bateni, S. M., Jun, C., Jamei, M., Yaseen, Z. M. (2024). Boruta extra tree-bidirectional long short-term memory model development for Pan evaporation forecasting: Investigation of arid climate condition. Alexandria Engineering Journal, 86, 425-442.
- Karahasan, O., Bas, E., Egrioglu, E. (2025). A hybrid deep recurrent artificial neural network with a simple exponential smoothing feedback mechanism. Information Sciences, 686, 121356.
- Khennour, M. E., Bouchachia, A., Kherfi, M. L., Bouanane, K. (2023). Randomising the Simple Recurrent Network: a lightweight, energy-efficient RNN model with application to forecasting problems. Neural Computing and Applications, 35(27), 19707-19718.
- Kocak, C., Bas, E., Egrioglu, E. Trimmed Mean Dendritic Neuron Model Artificial Neural Network for Time Series Forecasting in Case of Outliers. Available at SSRN 4937461.
- Kolemen, E., Egrioglu, E., Bas, E., Turkmen, M. (2024). A new deep recurrent hybrid artificial neural network of gated recurrent units and simple seasonal exponential smoothing. Granular Computing, 9(1), 7.
- Kölemen, E. (2024). Forecasting of Turkey's Hazelnut Export Amounts According to Seasons with Dendritic Neuron Model Artificial Neural Network. Turkish Journal of Forecasting, 8(2), 1-7.
- Liu, F., Dong, T., Liu, Q., Liu, Y., Li, S. (2024). Combining fuzzy clustering and improved long short-term memory neural networks for short-term load forecasting. Electric Power Systems Research, 226, 109967.
- Luo, X., Ye, L., Liu, X., Wen, X., Zhou, M., Zhang, Q. (2023). Interpretability diversity for decision-tree-initialized dendritic neuron model ensemble. IEEE Transactions on Neural Networks and Learning Systems, 35(11), 15896-15909.
- Olmez, E., Egrioglu, E., Bas, E. (2023). Bootstrapped dendritic neuron model artificial neural network for forecasting. Granular Computing, 8(6), 1689-1699.
- Qays, M. O., Ahmad, I., Habibi, D., Masoum, M. A. (2025). System strength forecasting using hedge feedforward feedback-based gated recurrent unit algorithm with drift detection analysis. CSEE Journal of Power and Energy Systems.
- Qiao, W., Ma, Q., Yang, Y., Xi, H., Huang, N., Yang, X., Zhang, L. (2025). Natural gas consumption forecasting using a novel two-stage model based on improved sparrow search algorithm. Journal of Pipeline Science and Engineering, 5(1), 100220.
- Qin, Z., Yang, S., Zhong, Y. (2023). Hierarchically gated recurrent neural network for sequence modeling. Advances in Neural Information Processing Systems, 36, 33202-33221.
- Pavlov-Kagadejev, M., Jovanovic, L., Bacanin, N., Deveci, M., Zivkovic, M., Tuba, M., ... Pedrycz, W. (2024). Optimizing long-short-term memory models via metaheuristics for decomposition aided wind energy generation forecasting. Artificial Intelligence Review, 57(3), 45.
- Riasi, A., Delrobaei, M., Salari, M. (2024). A decision support system based on recurrent neural networks to predict medication dosage for patients with Parkinson's disease. Scientific Reports, 14(1), 8424.
- Rumelhart, D. E., McClelland, J. L., PDP Research Group. (1986). Parallel distributed processing, volume 1: Explorations in the microstructure of cognition: Foundations. The MIT press.
- Rohini, G., Singh, N., Patil, V. R. (2025). Autonomous forecasting of traffic in cellular networks based on long-short term memory recurrent neural network. Cybernetics and Systems.
- Samantaray, S., Sahoo, A., Yaseen, Z. M., Al-Suwaiyan, M. S. (2025). River discharge prediction based multivariate climatological variables using hybridized long short-term memory with nature inspired algorithm. Journal of Hydrology, 649, 132453.
- Selmi, K., Khalfallah, S., Bouallegue, K. (2025, March). Modeling Electrical Potential in Multi-Dendritic Neurons Using Bessel Functions. In Medical Sciences Forum (Vol. 28, No. 1, p. 2). MDPI.
- Shin, Y., Ghosh, J. (1991, July). The pi-sigma network: An efficient higher-order neural network for pattern classification and function approximation. In IJCNN-91-Seattle international joint conference on neural networks (Vol. 1, pp. 13-18). IEEE.
- Sivadasan, E. T., Sundaram, N. M., Santhosh, R. (2025). Deep Learning for Energy Forecasting Using Gated Recurrent Units and Long Short-Term Memory. Journal of Intelligent Systems & Internet of Things, 14(1).
- Toharudin, T., Pontoh, R. S., Caraka, R. E., Zahroh, S., Lee, Y., Chen, R. C. (2023). Employing long short-term memory and Facebook prophet model in air temperature forecasting. Communications in Statistics-Simulation and Computation, 52(2), 279-290.
- Taib, S. A. T., Abu, N., Senawi, A., Go, C. K. (2025). The Implementation of Long-Short Term Memory for Tourism Industry in Malaysia. Journal of Advanced Research in Applied Sciences and Engineering Technology, 46(2), 90-97.
- Tang, C., Ji, J., Todo, Y., Shimada, A., Ding, W., Hirata, A. (2024). Dendritic neural network: a novel extension of dendritic neuron model. IEEE Transactions on Emerging Topics in Computational Intelligence, 8(3), 2228-2239.
- Tang, C., Todo, Y., Kodera, S., Sun, R., Shimada, A., Hirata, A. (2024). A novel multivariate time series forecasting dendritic neuron model for COVID-19 pandemic transmission tendency. Neural Networks, 179, 106527.
- Tao, L., Nan, Y., Cui, Z., Wang, L., Yang, D. (2025). An explainable Bayesian gated recurrent unit model for multi-step streamflow forecasting. Journal of Hydrology: Regional Studies, 57, 102141.
- Wang, D., Ren, Y., Yang, Y., Guo, H. (2024). Hybridized gated recurrent unit with variational mode decomposition and an error compensation mechanism for multi-step-ahead monthly rainfall forecasting. Environmental Science and Pollution Research, 31(1), 1177-1194.
- Wang, Y., Wang, Z., Huang, H. (2023). Stochastic adaptive CL-BFGS algorithms for fully complex-valued dendritic neuron model. Knowledge-Based Systems, 277, 110788.
- Wen, X., Zhou, M., Albeshri, A., Huang, L., Luo, X., Ning, D. (2024). Improving classification performance in dendritic neuron models through practical initialization strategies. Sensors, 24(6), 1729.
- Wu, J., Wang, Z., Hu, Y., Tao, S., Dong, J. (2023). Runoff forecasting using convolutional neural networks and optimized bi-directional long short-term memory. Water Resources Management, 37(2), 937-953.
- Xavier, I., Veiga, E., Ribeiro, A. M. N., de Paula Monteiro, R., Oliveira, M., Amaro, R., Pinheiro, D. (2024, November). Towards the Identification of Money Laundering in Bank Transactions using Recurrent Neural Networks. In 2024 IEEE Latin American Conference on Computational Intelligence (LA-CCI) (pp. 1-5). IEEE.
- Xu, W., Liu, Y., Fan, X., Shen, Z., Wu, Q. (2024). Short-term wind power forecasting based on dual attention mechanism and gated recurrent unit neural network. Frontiers in Energy Research, 12, 1346000.
- Yadav, R. N., Kalra, P. K., John, J. (2007). Time series prediction with single multiplicative neuron model. Applied soft computing, 7(4), 1157-1163.
- Yang, F., Fu, X., Yang, Q., Chu, Z. (2024). Decomposition strategy and attention-based long short-term memory network for multi-step ultra-short-term agricultural power load forecasting. Expert Systems with Applications, 238, 122226.
- Yang, H., Yang, Y., Zhang, Y., Tang, C., Hashimoto, K., Nagata, Y. (2024, June). Chaotic map-coded evolutionary algorithms for dendritic neuron model optimization. In 2024 IEEE Congress on Evolutionary Computation (CEC) (pp. 1-8). IEEE.
- Yıldız, A., Elevli, S., Odabas, M. S. (2025). Atık Su Miktarının ARIMA ve Yapay Sinir Ağları ile Tahmini. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 25(2), 359-368.
- Zhang, F., Wang, M., Zhang, W., Wang, H. (2025). THATSN: Temporal hierarchical aggregation tree structure network for long-term time-series forecasting. Information Sciences, 692, 121659.
- URL-1: https://data.ibb.gov.tr/tr/dataset/ikitelli-gunes-enerjisi-santrali-elektrik-uretim-miktarlari/resource/52afa9a3-2ea1-420b-a783-505cfe635ece, (Date Accessed: 25 April 2025).
Ayrıntılar
| Birincil Dil | İngilizce |
|---|---|
| Konular | Yazılım Mühendisliği (Diğer) |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 2 Mayıs 2025 |
| Kabul Tarihi | 31 Ekim 2025 |
| Yayımlanma Tarihi | 4 Mart 2026 |
| DOI | https://doi.org/10.31466/kfbd.1689378 |
| IZ | https://izlik.org/JA87CL25XG |
| Yayımlandığı Sayı | Yıl 2026 Cilt: 16 Sayı: 1 |
Amaç ve Kapsam
Karadeniz Fen Bilimleri Dergisi, Giresun Üniversitesi tarafından yılda dört kez (15 Mart, 15 Haziran, 15 Eylül ve 15 Aralık) yayın yapan bilimsel hakemli bir dergidir.
Yayın hayatına 2010 yılında başlamıştır. Fen, Mühendislik, ve Teknoloji alanlarından gelen eserleri kabul etmektedir.
Gönderilecek eserlerde; alanında bir boşluğu dolduracak özgün bir araştırma makalesi olması şartı aranır.
Dergimizde aşağıdaki alanlarda üretilen akademik makaleler yayınlanır.
Mühendislik
Elektrik Elektronik Mühendisliği, Makina Mühendisliği, Bilgisayar Bilimleri ve Bilişim, İnşaat Mühendisliği, Mekatronik Mühendisliği, Enerji Sistemleri Mühendisliği, Çevre Mühendisliği, Gıda Mühendisliği, Harita ve Kadastro Mühendisliği, Endüstri Mühendisliği, Jeofizik Mühendisliği, Jeoloji Mühendisliği, Genetik ve Biyomühendislik, Tekstil Mühendisliği, Fizik Mühendisliği, Kimya Mühendisliği, Malzeme Bilimleri ve diğer mühendislikler
Temel Bilimler
Fizik, Kimya, Matematik ve İstatistik
Yazım Kuralları
Makale şablonu için TIKLAYINIZ.
İngilizce makale şablonu için tıklayınız.
Teklif Hakkı Devir Formu'na erişmek için lütfen buraya tıklayınız.
Etik kurul izni gerektiren, tüm bilim dallarında yapılan araştırmalar ile insan ve hayvanlar üzerinde yapılan klinik ve deneysel çalışmalar için etik kurul onayı alınmış olmalı ve bu onay makalede belirtilmeli ve belgelendirilmelidir.
Makale Başlığı
Türkçe makaleler için hem Türkçe hem de İngilizce olarak makale konusuna uygun, amacı ve sonucu anlatan kısa ve yalın bir başlık olmalıdır. Makale başlığı koyu, ilk harfleri büyük ve ortalanarak 14 punto Times New Roman fontu ile yazılmalıdır. Türkçe makalelerde İngilizce başlık, İngilizce özetten önce verilmelidir.
Yazar İsimleri ve Adresleri
İsimler kısaltılmadan soy isimler büyük harfle başlığın altına yan yana ortalanarak yazılır. Adreslerde kısaltma kullanılmamalıdır. Farklı adreslere sahip yazarlar için rakamlı üst indis kullanılmalıdır. İsimler Times New Roman 12 punto, düz; adresler ise Times New Roman 10 punto, düz olmalıdır. İsimlerden önce Ünvan yazılmamalıdır. Ayrıca sorumlu yazarın telefon ve e-posta adresi 10 punto Times New Roman fontunda Sorumlu Yazar kısmına yazılmalıdır.
Özet
Bu Microsoft Word belgesi Giresun Üniversitesi Fen Bilimleri Enstitüsü tarafından yönetilen Karadeniz Fen Bilimleri Dergisi’ne gönderilecek olan makaleler için örnek olması amacıyla hazırlanmıştır. Dergimize gönderilmek üzere hazırlanan makalelerin bu şablona bağlı olarak hazırlanması makalenin düzenlenme, değerlendirilme ve yayımlanma aşamalarını hızlandıracaktır. Özet kısmında çalışmanın yenilikleri ve temel bulguları vurgulanmalıdır. Türkçe ve İngilizce özet kısımları Times New Roman yazı tipi ile yazılmalıdır ve 10 punto büyüklüğü seçilmelidir. Özet kısmının yazımında tek satır aralığı seçilmelidir. Makale özetinin en fazla 200 kelime olmasına dikkat edilmelidir. Türkçe ve İngilizce özetlerin 1 (bir) sayfayı geçmemesi önerilmektedir. Anahtar kelime sayısı en az 3 en fazla 6 olmalıdır.
İngilizce Başlık
Makale başlığı koyu, ilk harfleri büyük ve ortalanarak 14 punto Times New Roman fontu ile yazılmalıdır.
Abstract
Bu Microsoft Word belgesi Giresun Üniversitesi Fen Bilimleri Enstitüsü tarafından yönetilen Karadeniz Fen Bilimleri Dergisine gönderilecek makaleler için örnek olması amacıyla hazırlanmıştır. Dergimize gönderilmek üzere hazırlanan makalelerin bu şablona bağlı olarak hazırlanması makalenin düzenlenme, değerlendirilme ve yayımlanma aşamalarını hızlandıracaktır. Özet kısmında çalışmanın yenilikleri ve temel bulguları vurgulanmalıdır. Türkçe ve İngilizce özet kısımları Times New Roman yazı tipi ile yazılmalıdır ve 10 punto büyüklüğü seçilmelidir. Özet kısmının yazımında tek satır aralığı seçilmelidir. Makale özetinin en fazla 200 kelime civarında olmasına dikkat edilmelidir. Türkçe ve İngilizce özetlerin 1 (bir) sayfayı geçmemesi önerilmektedir. Anahtar kelime sayısı en az 3 en fazla 6 olmalıdır.
1. Giriş
Karadeniz Fen Bilimleri Dergisi Giresun Üniversitesi Fen Bilimleri Enstitüsü tarafından 6 ayda bir (yılda iki kez) yayınlanan ulusal hakemli bir dergidir. Dergi, Fen Bilimleri sahasında ulusal ve uluslararası düzeyde yapılan bilimsel çalışmaları bilim adamlarına, uzmanlara ve kamuoyuna duyurmayı amaçlar.
Ana metin, A4 kağıt boyutuna 2 cm kenar boşlukları ile 12 punto yazı büyüklüğünde Times New Roman yazı tipi ile 1,5 satır aralığı ve her iki yana yaslı şekilde yazılmalıdır. Ana bölüm başlıkları numaralandırılmalı, kelimelerin ilk harfleri büyük olmalı ve koyu (bold) karakterde yazılmalıdır. Ana bölüm başlığından sonra 1,5 satır aralıklı bir satır boşluk bırakılarak metne geçilmelidir. Başlıkla üst metin arasında da bir satır boşluk bırakılmalıdır. Paragraflar 1 cm içerden başlamalıdır. Paragraflar arasında boşluk bırakılmamalıdır.
Bu bölümde çalışmayla ilgili yeterli literatür taraması verilmeli, çalışmanın amaçları ve literatürdeki yeri vurgulanmalıdır. Detaylı literatür incelemesinden ve sonuçların özetinin verilmesinden kaçınılmalıdır.
2. Materyal ve Metot
Bu bölümde çalışmada kullanılan materyal ve metotlar detaylı ve açık bir şekilde anlatılmalıdır.
2.1. Alt Başlık
Ana başlıklar alt başlıklar içerebilir.
2.2. Şekiller, Tablolar ve Denklemler
Şekiller grafik, diyagram fotoğraf, resim, harita olabilir. Şekil yazısı şeklin alt kısmına yazılmalıdır. Hem şekil hem de şekil yazısı sayfaya ortalanmalıdır. Şekil yazılar okunaklı olmalıdır. Şekil ile üst metin arasında 1 satır boşluk bırakılmalıdır. Şekil yazısı ile alt metin arasında da 1 satır boşluk bırakılmalıdır. Şekil yazısı 11 punto olarak yazılmalıdır. Şekil yazılarına atıfta bulunulmalıdır.
Tablolar açık çerçeveli tercih edilebilir. Tablo yazısı tablonun üst kısmına yazılmalıdır. Hem tablo hem de tablo yazısı sayfanın soluna hizalanmalıdır. Tablo yazısı ile üst metin arasında 1 satır boşluk bırakılmalıdır. Tablo ile alt metin arasında 1 satır boşluk bırakılmalıdır. Tablo yazıları tercihen 11 punto ile ya da 10 punto ile yazılmalıdır ve tek satır aralığı seçilmelidir. Tablo yazılarına atıfta bulunulmalıdır.
Denklem ekleme ihtiyacı duyulduğunda denklemler sırasıyla 1’den başlanarak numaralandırılmalıdır. Denklem paragraftan başlanarak yazılır. Denklem numarası sağ kenara yerleştirilmelidir. Denklem ile metin arasında üstten ve alttan bir satır boşluk bırakılır. Denklemler resim formatında olmamalıdır. Word denklem düzenleyicisi tercih edilebilir.
3. Bulgular ve Tartışma
Bu bölümde çalışma sonucunda elde edilen bulgular verilmelidir. Elde edilen bulgular ile ilgili literatür çalışmaları yapılarak karşılaştırmalar yapılabilir.
4. Sonuçlar ve Öneriler
Bu bölümde çalışmadan elde edilen sonuçlar verilmelidir. Okuyucular için öneriler ve görüşler belirtilebilir.
Teşekkür
Bu kısımda çalışmada yardımları ya da destekleri bulunan kişi veya kişilere ya da kurumlara teşekkür edilebilir.
Kaynaklar
Kaynaklar yazar soyadına göre dizini hazırlanmalıdır ve sayfanın sol kenar boşluğu hizasından başlanarak yazılmalıdır. Metin içindeki literatür açıklamaları soyadı ve tarih verilmek suretiyle (Soyadı, 2017), (Soyadı ve Soyadı, 2017) şeklinde düzenlenmelidir. İkiden fazla yazar olması durumunda birinci yazardan sonra “ark.” kısaltılması yapılmalıdır (Soyadı ve ark., 2017). Birden fazla kaynak belirtilmek istendiğinde bunlar noktalı virgül ile ayrılmalıdır (Soyadı, 2017; Soyadı ve Soyadı, 2017). Kaynaklar APA formatından esinlenerek hazırlanmıştır. Aşağıda örnek olabilecek kaynaklar verilmiştir.
Periyodik yayınlar:
Soyadı, A., Soyadı, B. B., ve Soyadı, C., (2017). Yayınlanan Makalenin Adı. Makalenin Yayınlandığı Dergi Adı, 7(1), 1-12.
Harlow, H. F. (1983). Fundamentals for preparing psychology journal articles. Journal of Comparative and Physiological Psychology, 55, 893-896.
Kernis, M. H., Cornell, D. P., Sun, C. R., Berry, A., Harlow, T., and Bach, J. S. (1993). There's more to self-esteem than whether it is high or low: The importance of stability of self-esteem. Journal of Personality and Social Psychology, 65, 1190-1204.
Scruton, R. (1996). The eclipse of listening. The New Criterion, 15(3), 5-13.
Henry, W. A., III. (1990, April 9). Making the grade in today's schools. Time, 135, 28-31.
Schultz, S. (2005, December 28). Calls made to strengthen state energy policies. The Country Today, pp. 1A, 2A.
Moller, G. (2002, August). Ripples versus rumbles [Letter to the editor]. Scientific American, 287(2), 12.
Baumeister, R. F. (1993). Exposing the self-knowledge myth [Review of the book The self-knower: A hero under control, by R. A. Wicklund and M. Eckert]. Contemporary Psychology, 38, 466-467.
Brownlie, D. (2007). Toward effective poster presentations: An annotated bibliography. European Journal of Marketing, 41, 1245-1283. doi:10.1108/03090560710821161
Wooldridge, M.B., and Shapka, J. (2012). Playing with technology: Mother-toddler interaction scores lower during play with electronic toys. Journal of Applied Developmental Psychology, 33(5), 211-218. http://dx.doi.org/10.1016/j.appdev.2012.05.005
Kenneth, I. A. (2000). A Buddhist response to the nature of human rights. Journal of Buddhist Ethics, 8. Retrieved from http://www.cac.psu.edu/jbe/twocont.html
Smyth, A. M., Parker, A. L., and Pease, D. L. (2002). A study of enjoyment of peas. Journal of Abnormal Eating, 8(3), 120-125. Retrieved from
http://www.articlehomepage.com/full/url/
Kitaplar:
Soyadı, A. A., (2017). Kitap adı. Kitabın basıldığı yer: Yayınevi.
Mayer, D. (2010). Essential evidence-based medicine (2nd ed.). Cambridge, England: Cambridge University Press.
Glasgow, N. A., McNary, S. J., and Hicks, C. D. (2006). What successful teachers do in diverse classrooms. Thousand Oaks, CA: Corwin Press.
Calfee, R. C., and Valencia, R. R. (1991). APA guide to preparing manuscripts for journal publication. Washington, DC: American Psychological Association.
Duncan, G. J., and Brooks-Gunn, J. (Eds.). (1997). Consequences of growing up poor. New York, NY: Russell Sage Foundation.
Plath, S. (2000). The unabridged journals. K. V. Kukil (Ed.). New York, NY: Anchor.
Laplace, P. S. (1951). A philosophical essay on probabilities. (F. W. Truscott and F. L. Emory, Trans.). New York, NY: Dover. (Original work published 1814)
Helfer, M. E., Kempe, R. S., and Krugman, R. D. (1997). The battered child (5th ed.). Chicago, IL: University of Chicago Press.
O'Neil, J. M., and Egan, J. (1992). Men's and women's gender role journeys: A metaphor for healing, transition, and transformation. In B. R. Wainrib (Ed.), Gender issues across the life cycle (pp. 107-123). New York, NY: Springer.
Wiener, P. (Ed.). (1973). Dictionary of the history of ideas (Vols. 1-4). New York, NY: Scribner's.
Sempozyum, Kongre, Bildiri:
Soyadı, A., Soyadı, B. B., ve Soyadı, C., (2017, Ay). Yayınlanan Bildirinin Adı. Bildirinin Yayınlandığı Sempozyum, Kongre, Toplantı ya da Konferans Adı (s. 1-12). Şehir: Varsa Üniversite veya Kuruluş.
Schnase, J. L., and Cunnius, E. L. (Eds.). (1995). Proceedings from CSCL '95: The First International Conference on Computer Support for Collaborative Learning. Mahwah, NJ: Erlbaum.
Armstrong, D. B., Fogarty, G. J., and Dingsdag, D. (2007). Scales measuring characteristics of small business information systems. In W-G. Tan (Ed.), Proceedings of Research, Relevance and Rigour: Coming of age: 18th Australasian Conference on Information Systems (pp. 163-171). Toowoomba, Australia: University of Southern Queensland.
Green, D. B. and DeSilva, A. (2015, June). The toxicity levels of household chemicals. Paper presented at the National Symposium on Air Pollution, University of Southern California, California.
Taylor, J. A. (2006, November). Assessment: a tool for development and engagement in the first year of university study. Paper presented at the Engaging Students: 9th Pacific Rim in Higher Education (FYHE) Conference, Griffith, Australia. Retrieved from http://www.fyhe.com.au/past_papers/2006/Papers/Taylor.pdf
Tez:
Soyadı, A. A., (2017). Yüksek Lisans veya Doktora Tezinin Adı. Yüksek Lisans Tezi, Giresun Üniversitesi, Fen Bilimleri Enstitüsü, Giresun.
Yoshida, Y. (2001). Essays in urban transportation. Dissertation Abstracts International, 62, 7741A.
Considine, M. (1986). Australian insurance politics in the 1970s: Two case studies. (Unpublished doctoral dissertation). University of Melbourne, Melbourne, Australia.
Kassover,A. (1987). Treatment of abusive males: Voluntary vs. court-mandated referrals (Unpublished doctoral dissertation). Nova University, Fort Lauderdale, FL.
Biswas, S. (2008). Dopamine D3 receptor: A neuroprotective treatment target in Parkinson's disease. Retrieved from ProQuest Digital Dissertations. (AAT 3295214)
Cooley, T. (2009). Design, development, and implementation of a Wireless Local Area Network (WLAN): The Hartford Job Corps Academy case study (Doctoral dissertation). Available from ProQuest Dissertations and Theses database. (UMI No. 3344745)
Adams, R. J. (1973). Building a foundation for evaluation of instruction in higher education and continuing education (Doctoral dissertation). Retrieved from http://www.ohiolink.edu/etd/
Diğer Kaynaklar:
Bergmann, P. G. (1993). Relativity. In The New Encyclopedia Britannica. (Vol. 26, pp. 501-508). Chicago, IL: Encyclopedia Britannica.
Bernstein, M. (2002). 10 tips on writing the living Web. A List Apart: For People Who Make Websites, 149. Retrieved from http://www.alistapart.com/articles/writeliving
Hallam, A. Duality in consumer theory [PDF document]. Retrieved from Lecture Notes Online Web site: http://www.econ.iastate.edu/classes/econ501/Hallam/index.html
URL-1: http://www.giresun.edu.tr, (Erişim Tarihi: 22 Mart 2017).
Yazarlar makalelerini dergimizin makale yazım kurallarına uygun olarak hazırlamalıdır.
Makale şablonu için TIKLAYINIZ.
İngilizce makale şablonu için tıklayınız.
Teklif Hakkı Devir Formu'na erişmek için lütfen buraya tıklayınız.
Etik İlkeler ve Yayın Politikası
Karadeniz Fen Bilimleri Dergisi Mart, Haziran, Eylül ve Aralık aylarında olmak üzere yılda dört kez yayımlanan hakemli akademik bir dergidir.
Karadeniz Fen Bilimleri Dergisi (KFBD), Committee on Publication Ethics (COPE) kılavuz ve politikalarına göre belirlenen etik görev ve sorumluluklar çerçevesinde temel bilim, mühendislik ve teknolojinin tüm yönleriyle ilgili özgün araştırmaları değerlendirir ve yayınlar. Gönderilecek eserlerde; alanında bir boşluğu dolduracak özgün bir araştırma makalesi olması şartı aranır.
Dergimizde hakemlerin ve yazarların birbirlerine karşı kimliklerinin gizli tutulduğu çift taraflı kör hakem sistemi kullanılır. Yazarlar ve hakemler, kimliklerinin gizli kalması için gayret göstermelidir. Bu amaçla sisteme dosya gönderen yazar, editör, hakem gibi kişilerin metin ve dosyaları sisteme yüklerken dikkat etmeleri gerekir.
Yayın Kurulu, dergiye gönderilen eserlerin öncelikle yayın ilkeleri ile dergi kapsamı, bilimsel içerik ve şekil açısından inceler. Ön incelemeden geçen eserler değerlendirilmesi amacıyla en az 2 hakeme gönderilir. Eserin dergiye kabul edilebilmesi için 2 hakemden de olumlu değerlendirme alması gerekir. Gerektiği durumlarda 3. hakemden de değerlendirme sürecine katkı sağlaması istenebilir. Son karar editöre aittir.
Dergimiz araştırma etiğinde en yüksek standartları gözetir ve uluslararası araştırma etiği ilkelerini benimser. Makalelerin etik kurallara uygunluğu yazarların sorumluluğundadır. Gönderilen makalenin her yazarı, yayın etiğine uygun etik sorumlulukları eşit olarak paylaşır. Yayınlanmak üzere gönderilen makaleler ayrıca intihal tespitinde kullanılan özel bir program aracılığıyla makalelerin daha önce yayımlanmamış olduğu ve intihal içermediği teyit edilir.
Kabul edilen eserin yayınlanma süreci, eserin alındığı tarihten itibaren 2-12 ay sürmektedir.
Dergiye makale gönderimi ücretsizdir. Yayına kabul edilen makaleden de hiç bir ücret talep edilmez.
KFBD, ücretsiz erişimi destekleyen Budapeşte Açık Erişim Girişimi'ne (BOAI) imza attı ve bu girişimde açıklanan Açık Erişim İlkelerini benimsedi.
Karadeniz Fen Bilimleri Dergisi, hakemli ve açık erişim politikasını benimsemiş bir dergidir. Bu bağlamda, Budapeşte Açık Erişim Hareketine (BOAI) taraftır. BOAI'ye göre Açık Erişim, “hakem değerlendirmesinden geçmiş bilimsel literatürün, internet aracılığıyla; finansal, yasal ve teknik engeller olmaksızın, serbestçe erişilebilir, okunabilir, indirilebilir, kopyalanabilir, dağıtılabilir, basılabilir, taranabilir, tam metinlere bağlantı verilebilir, dizinlenebilir, yazılıma veri olarak aktarılabilir ve her türlü yasal amaç için kullanılabilir olması”dır.
Dergimize gönderilen akademik çalışmalardaki intihalleri tespit etmek amacıyla İntihal Tespit Programları kullanılır. Dergimize makale gönderen yazarlar etik ihlal yapmadıklarını beyan etmiş sayılırlar. İntihal yaptığı tespit edilen yazarların eserlerine dergimizde yer verilmez. Bu konuyla ilgili rapor yazara gönderilir.
Karadeniz Fen Bilimleri Dergisi yazarlardan makale değerlendirme ve yayın süreci için herhangi bir ücret talep etmemektedir.
Bu dergi, iştirak eden kütüphanelerin dağıtılan arşivleme sistemi yaratması amaçlı, kütüphanelerin koruma ve restorasyon amaçlı kalıcı arşivler yaratmasına izin vermek için LOCKSS sistemi kullanmaktadır.
Bu dergide makalelerini yayımlayan yazarlar aşağıdaki şartları kabul etmiş bulunmaktadır:
Yazar makale telif hakkını elinde tutar ve ilk yayımlama hakkını dergiye verir. Makale, yazarının belirtilmesi ve ilk yayımının bu dergide yapılması koşuluyla diğerleri tarafından paylaşılmasına olanak veren Creative Commons Attribution lisansı altında lisanslanır.
Yazar, makalenin dergide yayımlanmış versiyonunun tam yetki vermeden dağıtımı (örneğin, kurumsal bir veri bankasına gönderilmesi ya da bir kitapta yayımlanması) için ayrı sözleşme düzenlemeleri yapabilir.
Yazarların makalelerini dergiye göndermeden önce ya da gönderi süreci devam ederken internet üzerinden (örneğin, kurumsal veri tabanında ya da kendi web sitelerinde) paylaşmaları teşvik edilir; bu, hem verimli fikir alışverişlerine hem de makalenin daha erken ve daha çok atıf almasına yol açabilir (bakınız Açık Erişimin Etkisi).
EDİTÖRLERİN VE YAYIN KURULUNUN SORUMLULUKLARI
Karadeniz Fen Bilimleri Dergisi'nin tüm editörleri, dergideki değerlendirmelerinde ve kararlarında bağımsızdır. Hiçbir dış ve/veya iç faktör kararlarını etkileyemez. Editörlerin olumlu ve/veya olumsuz herhangi bir kısıtlamaya maruz kalması halinde, kısıtlamaya karışanlar hakkında yasal işlem başlatma hakları saklıdır. Öte yandan, editörler dergideki kararlarından sorumludur. Derginin içeriğinden ve zamanında yayınlanmasından sorumlu tek kişi baş editördür.
Dergi editörleri ve Yayın Kurulu üyelerinin, gönderilen materyalleri bölüm editörleri, istatistik editörleri, dil editörleri, kopya editörleri, tasarım editörleri ve gerektiğinde hakemler dışındaki üçüncü kişilerle paylaşması ve gönderilen materyalleri kendilerinin kullanması yasaktır. Bir editör ile yazar veya yazarın kurumu arasında işbirliği veya rekabet açısından çıkar çatışması olması durumunda, değerlendirme sürecini yönetmek üzere Yayın Kurulu'nun başka bir üyesi görevlendirilir.
Editörler, alanında uzman en az iki hakem atayarak gönderilen makalelerin hakem değerlendirmesini sağlar. Makalelerin araştırmacılar ve okuyucular için önemi, hakem raporları, intihal ve telif hakkı ihlali gibi hukuki sorunlar göz önünde bulundurularak yayın kararından sorumlu yazı işleri müdürü sorumludur. Baş editör, kararını diğer editörler ve hakemlerle tartışabilir.
HAKEMLERİN SORUMLULUKLARI
Dergiye gönderilen bir makalenin bilimsel içeriğinin, bilimsel düzeninin ve uygunluğunun dergi ilkelerine göre kontrol edilmesi ve uygun olmayan yazı içeriği için hakem görüşünün uygunluğun sağlanmasıdır. Hakemlik süreci, hakemlerin makaleler hakkındaki değerlendirmelerini editörlere iletmelerini sağlamakla kalmaz, aynı zamanda onlara makalelerin içeriğini iyileştirme fırsatı da verir.
Bir makaleyi değerlendirmekle görevlendirilen hakem, makalenin içeriği dışında bir bilim dalında uzmansa, makalenin konusuna uzaksa, değerlendirme için yeterli süre yoksa veya çıkar çatışması varsa, atanan editörü bilgilendirin ve geri çekilmesini isteyin. Makalenin içeriği hakemin uzmanlık alanına uygunsa değerlendirmeyi tamamlamalı ve en kısa sürede raporu editöre göndermelidir.
Makaleleri değerlendirmekle görevlendirilen hakemler, makalelerin gizli belge olduğunu peşinen onaylar ve bu belgelere ilişkin bilgileri, değerlendirmeye katılan editörler dışında üçüncü kişilerle paylaşmaz. Hakemler, makaleler yayınlanmak üzere kabul edildikten veya reddedildikten sonra bile bilgi paylaşmamaya devam eder. Değerlendirme için hakeme izinsiz olarak gönderilen makalede bir fikrin kullanıldığından şüpheleniliyorsa, COPE akış şeması “Bir hakemin bir yazarın fikirlerini veya verilerini sahiplendiğinden şüpheleniyorsanız ne yapmalısınız?” takip edilir.
Hakemler, eleştirilerini bilimsel bir zemin üzerine inşa etmeli ve açıklamalarında bilimsel kanıtlara yer vermelidir. Hakemler tarafından makaleleri geliştirmek için yapılan tüm yorumlar açık ve doğrudan olmalı ve rahatsız edici yazar duygularından uzak bir şekilde yazılmalıdır. Hakaret ve aşağılayıcı ifadelerden kaçınılmalıdır.
Hakemler kaynak gösterilmeden kullanılan makalelerdeki alıntıları belirlemelidir. Yayımlanan makalelerdeki ifadeler, gözlemler, sonuçlar veya kanıtlar, ilgili kaynak gösterilerek alıntılanmalıdır. Hakemler ayrıca alıntı yapılan referans(lar)da alıntıların var olduğundan emin olmalıdır.
Hakem, yazar(lar) ile bir veya daha fazla ilgi alanına giren bir durumda ise, bunu editöre bildirerek, hakemin makaleden çekilmesini istemelidir.
YAZARLARIN SORUMLULUKLARI
Orijinal araştırma makalelerinin yazarları, sonuçları uygun bir şekilde sunmalı ve üzerinde tartışmalıdır. Makalelerin metodolojik içeriklerinin tekrarlanabilir olması gerektiğinden, yazarlar açıklamalarında açık olmalı ve kasıtlı olarak yanlış veya eksik verileri bildirmemelidir.
Yazarlardan ihtiyaç duyulduğunda (etik durumlar vb.) Ham verilerini sunmaları istenebilir. Bu nedenle, yazıların ham verileri gerektiğinde sunulmak üzere güvenli bir yerde saklanmalıdır. Yayın sonrası ham verilerin saklanma süresi en az 10 yıl olmalıdır.
Gönderilen makalelerin yazarları, makalelerinin orijinal olduğundan veya alıntılar için alıntı yapılan referansları içerdiğinden emin olmalıdır.
Aynı araştırmaya ilişkin birden fazla yayın raporlaması yapılması onaylanmış bir yöntem değildir. Yazarlar bu tür durumlara dikkat etmeli ve aynı makaleyi aynı anda farklı dergilere göndermemelidir.
Makalelerde sorumlu yazar olarak yalnızca aşağıdaki kişiler yer almalıdır:
1) Bir çalışmada kavram, tasarım, uygulama, veri toplama ve/veya analize büyük katkı sağlayan araştırmacılar,
2) Makalelerin hazırlanmasında veya kritik revizyonunda yer alan araştırmacılar,
3 ) Araştırmacılar, makalelerin en son sürümünü onayladılar ve sunumunu kabul ettiler.
Yukarıdaki liste dışında katkıda bulunanlar (teknik yardım, yazım ve editörlükte yardımcılar, genel katkılar vb.) yazar listesinde yer almamalıdır, ancak teşekkür bölümünde listelenebilir. Makalelerin ilgili yazarları, yazar olarak katkıda bulunanların ve teşekkür bölümünde yer alacakların ayrı bir listesini sağlamalıdır.
Yazarlar makalelerinde her türlü çıkar çatışmasını açıkça beyan etmelidir. Makalelerin konusu ile ilgili herhangi bir çıkar çatışması bulunmadığı da beyan edilmelidir. En yaygın çıkar çatışması türleri, mali destekler, eğitim veya diğer fon türleri, kişisel veya kurumsal ilişkiler ve bağlılıklardır. Çalışmaların tüm mali destek kaynakları (hibeleri veya diğer referans numaraları ile birlikte) beyan edilmelidir.
Yazarlar, kişisel olarak elde ettikleri bilgileri (konuşmalar, yazışmalar veya görgü tanıklarıyla yapılan tartışmalar) kaynaklarının izni olmadıkça kullanmamalıdır. Özel belgelere veya hibe başvurularının hakemliğine ilişkin bilgiler, ilgili hizmeti sağlayan makamların izni olmadan kullanılmamalıdır.
Yazarlar, hakemlik sürecinde yer almakla yükümlüdür ve editörlerin ham verileri, etik onaylar için kanıtları, hasta onaylarını ve telif hakkı izin formu taleplerini ve açıklamalarını yanıtlayarak işbirliği yapmalıdır. Yazarlar, akran değerlendirmesi süreci tarafından üretilen revizyon önerilerine olumlu veya olumsuz bir şekilde yanıt vermelidir. Olumsuz yanıtlarına karşı görüşlerini de mutlaka eklemelidirler.
Yazarlar, yayınlanan makalelerinde önemli bir hata veya yanlışlık fark ettiklerinde, bir yazım hatası için dergi editörü veya yayıncı ile iletişime geçmelidir. Editör hatayı fark ederse, yayınlanan makalelerin düzeltilmesi veya geri çekilmesi ile ilgili süreci başlatır.
Ücret Politikası
Dergiye makale gönderimi ücretsizdir. Yayına kabul edilen makaleden de hiç bir ücret talep edilmez.
KFBD, ücretsiz erişimi destekleyen Budapeşte Açık Erişim Girişimi'ne (BOAI) imza attı ve bu girişimde açıklanan Açık Erişim İlkelerini benimsedi.
Dizinler
Dergi Kurulları
Baş Editör
Yayıncılık Müdürü
Editörler / Editors
Alan Editörleri
Kontrol Sistemleri, Yenilenebilir Enerji Kaynakları, Güç Elektroniği, Optimizasyon
Mizanpaj Editörleri / Manuscript Editors
Biographical notes: Arzu Aydın Uncumusaoğlu is an Associate Professor of Engineering Faculty at Giresun University, Giresun, Turkey. She received her BSc, MSc and PhD at Faculty of Fisheries at Ege University in 1999, 2002 and 2007, respectively. She has published many papers at various national and international journals and conferences. She is also a member of many journals and associations. Her current research focuses on water quality and pollution, sediment quality and pollution, hydrobiology, zooplankton, Hyperiidea, heavy metals, bioaccumulation, biomagnification, biological indices, statistical ecosystem evaluation, ecological ındices, biological ındices, statistical techniques.
Yazı İşleri Müdürü / Editorial Manager
Karadeniz Fen Bilimleri Dergisinde yayınlanan makaleler Creative Commons Attribution-NonCommercial 4.0 International
kapsamında lisanslanmıştır.