Determining critical factors for the success of machine learning libraries considering fuzzy interrelationships
Öz
Advances in Machine Learning have led to groundbreaking developments across various fields. A key driver of this progress is the growing capabilities of machine learning libraries. However, these libraries still face certain limitations, which can hinder their application in some areas. In particular, developers often need to integrate their solutions across different libraries, languages, and platforms, which can reduce the effectiveness of machine learning applications. This study examines the direct and indirect impacts of various factors on the success of machine learning libraries, leveraging expert evaluations. Focusing on critical factors that shape library development based on user experiences is crucial. This approach ensures strategic advancement and optimizes energy and resource use. Given that many of these factors involve human perception-related uncertainties, the methodology incorporates a fuzzy linguistic approach with z-numbers to address the inherent vagueness. The findings reveal that considering the interrelationships among factors significantly alters their importance, as it accounts for both direct and indirect influences. Moreover, these interrelationships highlight which factors should be strategically prioritized, as improvements in one factor can drive improvements in others. The results obtained can support guiding the community developing artificial intelligence libraries toward the right objectives and formulating effective strategies to ensure the sustainability of artificial intelligence transformation.
Anahtar Kelimeler
Artificial intelligence Fuzzy logic Linguistic term set Machine learning libraries Z-number
Kaynakça
- [1] Wang Z, Liu K, Li J, Zhu Y, Zhang Y. “Various frameworks and libraries of machine learning and deep learning: a survey”. Archives of Computational Methods in Engineering, 1-24, 2019.
- [2] Al-Bdour G, Al-Qurran R, Al-Ayyoub M, Shatnawi A. “A detailed comparative study of open source deep learning frameworks”. ArXiv Preprint, arXiv:1903.00102, 2019.
- [3] Han J, Deng S, Lo D, Zhi C, Yin J, Xia X. “An empirical study of the dependency networks of deep learning libraries”. 2020 IEEE International Conference on Software Maintenance and Evolution (ICSME), 2020.
- [4] Wei A, Deng Y, Yang C, Zhang L. “Free lunch for testing: Fuzzing deep-learning libraries from open source”. Proceedings of the 44th International Conference on Software Engineering, 2022.
- [5] Bahrampour S, Ramakrishnan N, Schott L, Shah M. “Comparative study of deep learning software frameworks”. ArXiv Preprint, arXiv:1511.06435, 2015.
- [6] Nejadgholi M, Yang J. “A study of oracle approximations in testing deep learning libraries”. 2019 34th IEEE/ACM International Conference on Automated Software Engineering (ASE), 2019.
- [7] Wang S, Shrestha N, Subburaman AK, Wang J, Wei M, Nagappan N. “Automatic unit test generation for machine learning libraries: How far are we?”. 2021 IEEE/ACM 43rd International Conference on Software Engineering (ICSE), 2021.
- [8] Nguyen G, Dlugolinsky S, Bobák M, Tran V, García ÁL, Heredia I, Malík P, Hluchý L. “Machine learning and deep learning frameworks and libraries for large-scale data mining: a survey”. Artificial Intelligence Review, 52, 77-124, 2019.
- [9] Dai W, Berleant D. “Benchmarking contemporary deep learning hardware and frameworks: A survey of qualitative metrics”. 2019 IEEE First International Conference on Cognitive Machine Intelligence (CogMI), 2019.
- [10] Shatnawi A, Al-Bdour G, Al-Qurran R, Al-Ayyoub M. “A comparative study of open source deep learning frameworks”. 2018 9th international conference on information and communication systems (icics), 2018.
- [11] Al-Bdour G, Al-Qurran R, Al-Ayyoub M, Shatnawi A. “Benchmarking open source deep learning frameworks”. International Journal of Electrical & Computer Engineering, 10(5), 5479-5486, 2020.
- [12] Gevorkyan MN, Demidova AV, Demidova TS, Sobolev AA. “Review and comparative analysis of machine learning libraries for machine learning”. Discrete and Continuous Models and Applied Computational Science, 27(4), 305-315, 2019.
- [13] Erickson BJ, Korfiatis P, Akkus Z, Kline T, Philbrick K. “Toolkits and libraries for deep learning”. Journal of Digital Imaging, 30, 400-405, 2017.
- [14] Gheisari M, Ebrahimzadeh F, Rahimi M, Moazzamigodarzi M, Liu Y, Pramanik PKD, Heravi MA, Mehbodniya A, Ghaderzadeh M, Feylizadeh MR, Kosari S. “Deep learning: Applications, architectures, models, tools, and frameworks: A comprehensive survey”. CAAI Transactions on Intelligence Technology, 8, 581–606, 2023.
- [15] Alawi ZB. “A comparative survey of PyTorch vs TensorFlow for deep learning: Usability, performance, and deployment trade-offs”. ArXiv Preprint, arXiv:2508.04035, 2025.
- [16] Bafghi RA, Raissi M. “Comparing PINNs across frameworks: JAX, tensorflow, and pytorch”. ICLR 2024 Workshop on AI4DifferentialEquations in Science, 2024.
- [17] Bećirović M, Kurtović A, Smajlović N, Kapo M, Akagić A. “Performance comparison of medical image classification systems using TensorFlow Keras, PyTorch, and JAX”. ArXiv Preprint, arXiv:2507.14587, 2025.
- [18] Tchakoute RN, Tadonki C, Dokladal P, Mesri Y. “Benchmark-based Study of CPU/GPU Power-Related Features through JAX and TensorFlow”. ArXiv Preprint, arXiv:2505.03398, 2025.
- [19] Ratul IJ, Zhou Y, Yang K. “Accelerating deep learning inference: A comparative analysis of modern acceleration frameworks”. Electronics, 14(15), 2977, 2025.
- [20] Jovic A, Brkic K, Bogunovic N. “An overview of free software tools for general data mining”. 37th international convention on information and communication technology, electronics and microelectronics (MIPRO), Opatija, Croatia, 2014.
- [21] Rajagopalan G. “Data visualization with python libraries”. Editors: Rajagopalan G. A Python Data Analyst’s Toolkit: Learn Python and Python-based Libraries with Applications in Data Analysis and Statistics, 243-278, 2021.
- [22] Sial AH, Rashdi SYS, Khan AH. “Comparative analysis of data visualization libraries Matplotlib and Seaborn in Python”. International Journal of Advanced Trends in Computer Science and Engineering, 1(10), 277-281, Ocak 2021.
- [23] Rubashkin M. “Getting started with deep learning”. 2017. http://www.kdnuggets.com/2017/03/getting-started-deep-learning.html (25.10.2022).
- [24] Google Open Source. “TensorFlow”. n.d.. https://opensource.google/projects/tensorflow (15.09.2023).
- [25] Meta Open Source. “PyTorch”. n.d.. https://opensource.fb.com/projects/pytorch/ (09.10.2023).
- [26] Shi S, Wang Q, Xu P, Chu X. “Benchmarking state-of-the-art deep learning software tools”. 7th International Conference on Cloud Computing and Big Data (CCBD), 2016.
- [27] Preston-Werner T, Wanstrath C, Hyett PJ, Chacon S. “GitHub”. 8 Şubat 2008. https://github.com/ (25.09.2023).
- [28] Zhou L, Pan S, Wang J, Vasilakos AV. “Machine learning on big data: Opportunities and challenges”. Neurocomputing, 350-361, 10 Mayıs 2017.
- [29] Kim T, Zhou X, Pendyala RM. “Computational graph-based framework for integrating econometric models and machine learning algorithms in emerging data-driven analytical environments”. Transportmetrica A: Transport Science, 3(18), 1346-1375, 2 Aralık 2022.
- [30] ProjectPro. “15 popular machine learning frameworks for model training”. 2023. https://www.projectpro.io/article/machine-learning-frameworks/509 (12.08.2023).
- [31] May M. “An overview of python deep learning frameworks”. 2017. https://www.kdnuggets.com/2017/02/python-deep-learning-frameworks-overview.html (15.05.2023).
- [32] Hegde V, Usmani S. Parallel and distributed deep learning. Stanford University, 2016.
- [33] Nutt PC. “Comparing methods for weighting decision criteria”. Omega, 8(2), 163-172, 1980.
- [34] Odu GO. “Weighting methods for multi-criteria decision making technique”. Journal of Applied Sciences and Environmental Management, 23(8), 1449-1457, 2019.
- [35] Roszkowska E. “Rank ordering criteria weighting methods–a comparative overview”. Optimum. Studia Ekonomiczne, 5(65), 14-33, 2013.
- [36] De Feo G, De Gisi S. “Using an innovative criteria weighting tool for stakeholders involvement to rank MSW facility sites with the AHP”. Waste Management, 30(11), 2370-2382, 2010.
- [37] Mardani A, Nilashi M, Zakuan N, Loganathan N, Soheilirad S, Saman MZM, Ibrahim O. “A systematic review and meta-Analysis of SWARA and WASPAS methods: Theory and applications with recent fuzzy developments”. Applied Soft Computing, 57, 265-292, 2017.
- [38] Saeidi P, Mardani A, Mishra AR, Cajas VEC, Carvajal MG. “Evaluate sustainable human resource management in the manufacturing companies using an extended Pythagorean fuzzy SWARA-TOPSIS method”. Journal of Cleaner Production, 370, 133380, 2022.
- [39] İlbahar E, Çolak M, Karaşan A, Kaya İ. “A combined methodology based on Z-fuzzy numbers for sustainability assessment of hydrogen energy storage systems”. International Journal of Hydrogen Energy, 47(34), 15528-15546, 2022.
- [40] Karaşan A, Kaya İ, Erdoğan M, Çolak M. “A multicriteria decision making methodology based on two-dimensional uncertainty by hesitant Z-fuzzy linguistic terms with an application for blockchain risk evaluation”. Applied Soft Computing, 113, 108014, 2021.
- [41] Kaya İ, Işık G, Karaşan A, Kutlu Gündoğdu F, Baraçlı H. “Evaluation of Potential Locations for Hydropower Plants by Using a Fuzzy Based Methodology Consists of Two-Dimensional Uncertain Linguistic Variables”. Journal of Information Science & Engineering, 38(5), 1-13, 2022.
- [42] Zadeh LA. “Fuzzy sets”. Information and Control, 3(8), 338-353, 1965.
- [43] Torra V. “Hesitant fuzzy sets”. International Journal of Intelligent Systems, 529-539, 2010.
- [44] Atanassov KT. “Intuitionistic Fuzzy Sets”. VII ITKR Session, Sofya, 1983.
- [45] Zadeh LA. “A note on Z-numbers”. Information Sciences, 181(14), 2923-2932, 2011.
Makine öğrenmesi kütüphanelerinin başarısı için kritik faktörlerin bulanık karşılıklı ilişkiler göz önünde bulundurularak belirlenmesi
Öz
Makine öğrenmesindeki ilerlemeler, çeşitli alanlarda çığır açan gelişmelere yol açmıştır. Bu ilerlemenin temel itici güçlerinden biri, makine öğrenmesi kütüphanelerinin artan yetenekleridir. Ancak, bu kütüphaneler hâlâ bazı sınırlamalara sahiptir ve bu durum, bazı alanlardaki uygulamalarını engelleyebilmektedir. Özellikle geliştiriciler, çözümlerini farklı kütüphaneler, diller ve platformlar arasında entegre etmek zorunda kaldıklarında, makine öğrenmesi uygulamalarının etkinliği azalabilmektedir. Bu çalışma, uzman değerlendirmelerine dayanarak, çeşitli faktörlerin makine öğrenmesi kütüphanelerinin başarısı üzerindeki doğrudan ve dolaylı etkilerini incelemektedir. Zira kullanıcı deneyimlerine dayalı olarak kütüphane geliştirimini şekillendiren kritik faktörlere odaklanmak, stratejik ilerleme sağlamak ve enerji ile kaynak kullanımını optimize etmek açısından büyük önem taşımaktadır. Bu faktörlerin çoğu insan algısına bağlı belirsizlikler içerdiğinden, yöntem olarak z-sayılarla birlikte bulanık dilsel bir yaklaşım benimsenmiştir. Bulgular, faktörler arasındaki karşılıklı ilişkilerin dikkate alınmasının, onların önem derecelerini önemli ölçüde değiştirdiğini ortaya koymuştur; zira bu yaklaşım hem doğrudan hem de dolaylı etkileri hesaba katmaktadır. Ayrıca bu ilişkiler, hangi faktörlerin stratejik olarak önceliklendirilmesi gerektiğini de vurgulamaktadır; çünkü bir faktördeki iyileşme, diğerlerinde de gelişmeleri tetikleyebilir. Elde edilen sonuçlar, yapay zekâ kütüphanelerini geliştiren topluluğun doğru hedeflere yönelmesine ve yapay zekâ dönüşümünün sürdürülebilirliğini sağlamak için etkili stratejiler formüle etmesine katkı sağlayabilir.
Anahtar Kelimeler
Yapay zekâ Bulanık mantık Dilsel terim kümesi Makine öğrenmesi kütüphaneleri Z-sayısı
Kaynakça
- [1] Wang Z, Liu K, Li J, Zhu Y, Zhang Y. “Various frameworks and libraries of machine learning and deep learning: a survey”. Archives of Computational Methods in Engineering, 1-24, 2019.
- [2] Al-Bdour G, Al-Qurran R, Al-Ayyoub M, Shatnawi A. “A detailed comparative study of open source deep learning frameworks”. ArXiv Preprint, arXiv:1903.00102, 2019.
- [3] Han J, Deng S, Lo D, Zhi C, Yin J, Xia X. “An empirical study of the dependency networks of deep learning libraries”. 2020 IEEE International Conference on Software Maintenance and Evolution (ICSME), 2020.
- [4] Wei A, Deng Y, Yang C, Zhang L. “Free lunch for testing: Fuzzing deep-learning libraries from open source”. Proceedings of the 44th International Conference on Software Engineering, 2022.
- [5] Bahrampour S, Ramakrishnan N, Schott L, Shah M. “Comparative study of deep learning software frameworks”. ArXiv Preprint, arXiv:1511.06435, 2015.
- [6] Nejadgholi M, Yang J. “A study of oracle approximations in testing deep learning libraries”. 2019 34th IEEE/ACM International Conference on Automated Software Engineering (ASE), 2019.
- [7] Wang S, Shrestha N, Subburaman AK, Wang J, Wei M, Nagappan N. “Automatic unit test generation for machine learning libraries: How far are we?”. 2021 IEEE/ACM 43rd International Conference on Software Engineering (ICSE), 2021.
- [8] Nguyen G, Dlugolinsky S, Bobák M, Tran V, García ÁL, Heredia I, Malík P, Hluchý L. “Machine learning and deep learning frameworks and libraries for large-scale data mining: a survey”. Artificial Intelligence Review, 52, 77-124, 2019.
- [9] Dai W, Berleant D. “Benchmarking contemporary deep learning hardware and frameworks: A survey of qualitative metrics”. 2019 IEEE First International Conference on Cognitive Machine Intelligence (CogMI), 2019.
- [10] Shatnawi A, Al-Bdour G, Al-Qurran R, Al-Ayyoub M. “A comparative study of open source deep learning frameworks”. 2018 9th international conference on information and communication systems (icics), 2018.
- [11] Al-Bdour G, Al-Qurran R, Al-Ayyoub M, Shatnawi A. “Benchmarking open source deep learning frameworks”. International Journal of Electrical & Computer Engineering, 10(5), 5479-5486, 2020.
- [12] Gevorkyan MN, Demidova AV, Demidova TS, Sobolev AA. “Review and comparative analysis of machine learning libraries for machine learning”. Discrete and Continuous Models and Applied Computational Science, 27(4), 305-315, 2019.
- [13] Erickson BJ, Korfiatis P, Akkus Z, Kline T, Philbrick K. “Toolkits and libraries for deep learning”. Journal of Digital Imaging, 30, 400-405, 2017.
- [14] Gheisari M, Ebrahimzadeh F, Rahimi M, Moazzamigodarzi M, Liu Y, Pramanik PKD, Heravi MA, Mehbodniya A, Ghaderzadeh M, Feylizadeh MR, Kosari S. “Deep learning: Applications, architectures, models, tools, and frameworks: A comprehensive survey”. CAAI Transactions on Intelligence Technology, 8, 581–606, 2023.
- [15] Alawi ZB. “A comparative survey of PyTorch vs TensorFlow for deep learning: Usability, performance, and deployment trade-offs”. ArXiv Preprint, arXiv:2508.04035, 2025.
- [16] Bafghi RA, Raissi M. “Comparing PINNs across frameworks: JAX, tensorflow, and pytorch”. ICLR 2024 Workshop on AI4DifferentialEquations in Science, 2024.
- [17] Bećirović M, Kurtović A, Smajlović N, Kapo M, Akagić A. “Performance comparison of medical image classification systems using TensorFlow Keras, PyTorch, and JAX”. ArXiv Preprint, arXiv:2507.14587, 2025.
- [18] Tchakoute RN, Tadonki C, Dokladal P, Mesri Y. “Benchmark-based Study of CPU/GPU Power-Related Features through JAX and TensorFlow”. ArXiv Preprint, arXiv:2505.03398, 2025.
- [19] Ratul IJ, Zhou Y, Yang K. “Accelerating deep learning inference: A comparative analysis of modern acceleration frameworks”. Electronics, 14(15), 2977, 2025.
- [20] Jovic A, Brkic K, Bogunovic N. “An overview of free software tools for general data mining”. 37th international convention on information and communication technology, electronics and microelectronics (MIPRO), Opatija, Croatia, 2014.
- [21] Rajagopalan G. “Data visualization with python libraries”. Editors: Rajagopalan G. A Python Data Analyst’s Toolkit: Learn Python and Python-based Libraries with Applications in Data Analysis and Statistics, 243-278, 2021.
- [22] Sial AH, Rashdi SYS, Khan AH. “Comparative analysis of data visualization libraries Matplotlib and Seaborn in Python”. International Journal of Advanced Trends in Computer Science and Engineering, 1(10), 277-281, Ocak 2021.
- [23] Rubashkin M. “Getting started with deep learning”. 2017. http://www.kdnuggets.com/2017/03/getting-started-deep-learning.html (25.10.2022).
- [24] Google Open Source. “TensorFlow”. n.d.. https://opensource.google/projects/tensorflow (15.09.2023).
- [25] Meta Open Source. “PyTorch”. n.d.. https://opensource.fb.com/projects/pytorch/ (09.10.2023).
- [26] Shi S, Wang Q, Xu P, Chu X. “Benchmarking state-of-the-art deep learning software tools”. 7th International Conference on Cloud Computing and Big Data (CCBD), 2016.
- [27] Preston-Werner T, Wanstrath C, Hyett PJ, Chacon S. “GitHub”. 8 Şubat 2008. https://github.com/ (25.09.2023).
- [28] Zhou L, Pan S, Wang J, Vasilakos AV. “Machine learning on big data: Opportunities and challenges”. Neurocomputing, 350-361, 10 Mayıs 2017.
- [29] Kim T, Zhou X, Pendyala RM. “Computational graph-based framework for integrating econometric models and machine learning algorithms in emerging data-driven analytical environments”. Transportmetrica A: Transport Science, 3(18), 1346-1375, 2 Aralık 2022.
- [30] ProjectPro. “15 popular machine learning frameworks for model training”. 2023. https://www.projectpro.io/article/machine-learning-frameworks/509 (12.08.2023).
- [31] May M. “An overview of python deep learning frameworks”. 2017. https://www.kdnuggets.com/2017/02/python-deep-learning-frameworks-overview.html (15.05.2023).
- [32] Hegde V, Usmani S. Parallel and distributed deep learning. Stanford University, 2016.
- [33] Nutt PC. “Comparing methods for weighting decision criteria”. Omega, 8(2), 163-172, 1980.
- [34] Odu GO. “Weighting methods for multi-criteria decision making technique”. Journal of Applied Sciences and Environmental Management, 23(8), 1449-1457, 2019.
- [35] Roszkowska E. “Rank ordering criteria weighting methods–a comparative overview”. Optimum. Studia Ekonomiczne, 5(65), 14-33, 2013.
- [36] De Feo G, De Gisi S. “Using an innovative criteria weighting tool for stakeholders involvement to rank MSW facility sites with the AHP”. Waste Management, 30(11), 2370-2382, 2010.
- [37] Mardani A, Nilashi M, Zakuan N, Loganathan N, Soheilirad S, Saman MZM, Ibrahim O. “A systematic review and meta-Analysis of SWARA and WASPAS methods: Theory and applications with recent fuzzy developments”. Applied Soft Computing, 57, 265-292, 2017.
- [38] Saeidi P, Mardani A, Mishra AR, Cajas VEC, Carvajal MG. “Evaluate sustainable human resource management in the manufacturing companies using an extended Pythagorean fuzzy SWARA-TOPSIS method”. Journal of Cleaner Production, 370, 133380, 2022.
- [39] İlbahar E, Çolak M, Karaşan A, Kaya İ. “A combined methodology based on Z-fuzzy numbers for sustainability assessment of hydrogen energy storage systems”. International Journal of Hydrogen Energy, 47(34), 15528-15546, 2022.
- [40] Karaşan A, Kaya İ, Erdoğan M, Çolak M. “A multicriteria decision making methodology based on two-dimensional uncertainty by hesitant Z-fuzzy linguistic terms with an application for blockchain risk evaluation”. Applied Soft Computing, 113, 108014, 2021.
- [41] Kaya İ, Işık G, Karaşan A, Kutlu Gündoğdu F, Baraçlı H. “Evaluation of Potential Locations for Hydropower Plants by Using a Fuzzy Based Methodology Consists of Two-Dimensional Uncertain Linguistic Variables”. Journal of Information Science & Engineering, 38(5), 1-13, 2022.
- [42] Zadeh LA. “Fuzzy sets”. Information and Control, 3(8), 338-353, 1965.
- [43] Torra V. “Hesitant fuzzy sets”. International Journal of Intelligent Systems, 529-539, 2010.
- [44] Atanassov KT. “Intuitionistic Fuzzy Sets”. VII ITKR Session, Sofya, 1983.
- [45] Zadeh LA. “A note on Z-numbers”. Information Sciences, 181(14), 2923-2932, 2011.
Ayrıntılar
| Birincil Dil | İngilizce |
|---|---|
| Konular | Endüstri Mühendisliği |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 31 Temmuz 2025 |
| Kabul Tarihi | 1 Aralık 2025 |
| Erken Görünüm Tarihi | 6 Ocak 2026 |
| Yayımlanma Tarihi | 6 Ocak 2026 |
| Yayımlandığı Sayı | Yıl 2026 Sayı: Advanced Online Publication |
Kaynak Göster
Amaç ve Kapsam
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi (PAJES), akademik ve endüstriyel topluluğa kuramsal ve uygulamaya yönelik özgün mühendislik çalışmalarını sunabilecekleri bir ortam sağlamayı amaç edinir.
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi (PAJES), kapsamını Bilgisayar Mühendisliği, Çevre Mühendisliği, Elektrik-Elektronik Mühendisliği, Endüstri Mühendisliği, Gıda Mühendisliği, İnşaat Mühendisliği, Jeoloji Mühendisliği, Kimya Mühendisliği, Makine Mühendisliği ve Tekstil Mühendisliği konularının oluşturduğu kuramsal ve uygulamaya yönelik özgün araştırma makalelerini ve derleme makalelerini yayınlar.
• Araştırma makalesi, Türkçe veya İngilizce dillerinde hazırlanmış olan ve yeni bulguların sunulduğu özgün çalışmayı ifade eder.
• Derleme makalesi, İngilizce dilinde hazırlanmış spesifik bir konudaki var olan bulguları kapsamlı ve karşılaştırmalı bir şekilde sunan ve yorumlayan çalışmayı ifade eder.
Yazım Kuralları
Yazarların dikkatine (MUTLAKA OKUNMALIDIR!)
1- Değerlendirmeye sundukları makalenin özgünlüğünden tamamen yazarlar sorumludur. Ayrıca yazarlar, değerlendirme sürecinde makalelerini başka dergiye/dergilere göndermediklerini ve göndermeyeceklerini kabul etmiş sayılırlar.
2- Ön değerlendirme neticesinde makaleler gerekli görülmesi durumunda editör/bölüm editörü tarafından gerekçesiyle birlikte yazarlara İADE edilebilir.
3- Makalelerin “hakemde” süreci bölüm editörlerince belirlenen alanında uzman akademisyenlere hakem davetiyelerinin gönderilmesiyle başlar. Davetiyelerin hakemler tarafından kabulü sonrası makaleler, hakemler tarafından değerlendirmeye alınmış olur. Statünün “hakemde” görünüyor olması değerlendirme sürecinin başladığı anlamına gelmez.
4- Yayın Kurulu, en az iki adet nitelikli hakem raporu doğrultusunda editör görüşünü de dikkate alarak makalelerin durumları hakkında kararını verir. Gerektiğinde başka hakemlere davetiye göndererek hakem değerlendirme sürecini devam ettirebilir. Makalelerin özgünlüğü, literatüre ve teknolojiye sundukları katkı, sunumu, anlatımı ve tutarlılık makalenin değerlendirme sürecinin devamı ve son karar aşamasında yayına kabulü için gerek şarttır.
5- 1 aylık süre sonunda hakem davetiyelerine cevap alınamamış makaleler, yazarların herhangi bir mağduriyet yaşamaması için Yayın Kurulu kararınca yazarlara geri İADE edilir. Dolayısıyla değerlendirilmek üzere makalelerini Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi’ne göndermeye karar veren yazarlar, yukarıda ifade edilen sebepten dolayı 1 aylık süre sonunda makalelerinin geri İADE edilebileceğini kabul etmiş sayılırlar.
6- Makale değerlendirme sürecinde yazarlar tarafından DergiPark sistemine yüklenen dokümanlarda (makalenin kendisi/düzeltilmiş halleri, hakemlere cevaplar, vd.) yazar(lar) ile ilgili herhangi bir bilgi (isim-soy isim, kurum) yer almamalıdır. Ayrıca sisteme yüklenen dosyaların alt bilgisinde (Word menüsündeki Dosya sekmesinin altında Bilgi sekmesi tıklandığında ekranın sağında yer alan İlgili Kişiler bölümünde Yazar kısmı) yazar(lar)a ait hiçbir bilgi yer almamalıdır.
7- Yazarların isim ve kurumlarının yer almadığı makalelerini sisteme yüklemeleri esnasında sisteme girdikleri bilgilerin (isim-soy isim, kurum bilgisi) makale yayımlandığındaki bilgilerle aynı olması gerekmektedir. Ayrıca yazarların DergiPark’a güncel bilgileriyle kayıtlı olmaları gerekir. Örneğin sisteme giriş yaparken “Cömert” veya “Ayşe” olarak girilen bir isim İngilizce uyumlu olması için kabul aşaması sonrasında makale üzerinde “Comert” veya “Ayse” olarak değiştirilmemelidir. Başlangıçta sisteme “Comert” veya “Ayse”olarak giriş yapılmalıdır. DergiPark sistemine girilen bilgiler esastır.
8- Araştırma makalelerinde yazım dili olarak Türkçe/İngilizce kabul edilmekte olup; toplam uzunluk 8000 kelimeyi aşmamalıdır. Derleme makalelerinde ise yazım dili olarak sadece İngilizce kullanılabilir. Derleme makalelerinde kelime miktarları kaynaklar/referanslar haricinde 7500 - 20000 alt ve üst sınırları arasında olmalıdır (Şekil ve Tablo içerikleri dâhil). Kaynak/referans sayısı ise en az 80 adet olmalı, kullanılan kaynakların en az %40’ını son yedi yıl (makalenin dergiye geliş tarihten itibaren) içerisindeki yayınlar oluşturmalıdır.
9- Makaleler için Benzerlik raporu dergimiz tarafından üretilip sisteme yüklenmekte olup; Araştırma makaleleri için benzerlik sınır değerleri, makalenin bütününde %20 ve cümle bazında (tekilde) ise %3 olarak uygulanmaktadır. Derleme makaleleri için benzerlik sınır değerleri, makalenin bütününde %30, cümle bazında (tekilde) ise %5 olarak uygulanmaktadır. Bu sınırlara uymayan makaleler, hakem sürecine sokulmadan yazarlara İADE edilir. Dolayısıyla yazarların makalelerini sisteme yüklemeden önce ilgili sınır değerlerini sağlayıp sağlamadıklarını kontrol etmeleri tavsiye olunur.
10- Yazar(lar) makalelerini değerlendirilmek üzere tek sütun biçiminde gönderebilirler. Değerlendirme süreci sonrasında KABUL EDİLEN makalenin yayınlanabilmesi için yazarlar, makalelerini dergi tarafından oluşturulan MAKALE_KALIBI_KABUL formatında düzenleyerek sisteme yüklemekle sorumludur.
İlk Gönderim TÜRKÇE Makale için DergiPark Sistemine Yüklenmesi Zorunlu olan belgeler (Yazım dili İNGİLİZCE olan makaleler için TIKLAYINIZ)
Yazar(lar)ın makale gönderim sistemine aşağıdaki belgeleri yüklemeleri gerekmektedir:
- Başlık Sayfası (word formatında .docx uzantılı)
- Yazar Beyanı (pdf formatında)
- MAKALE_KALIBI_ilk_gönderim (Yazar(lar)a ait hiçbir bilginin—ad, soyad, kurum—olmadığı word formatında .docx uzantılı)
Yazım dili Türkçe olan makaleler için yazım kuralları (Yazım dili İNGİLİZCE olan makaleler için TIKLAYINIZ)
1. sayfa
- Title of Article (Türkçesi ile uyumlu İngilizce başlık)
- Abstract: Context, Objective, Method, Results, Conclusion kısımlarından oluşacak şekilde Türkçesi ile uyumlu en az 350 en fazla 450 sözcük (kelime)
- Key Words—Türkçesi ile uyumlu en az 3 en fazla 6 anahtar kelime
- Graphical Abstract
En az 300 dpi çözünürlüğünde, makalenin içeriğini tek bakışta yansıtan bir grafiksel özet (Graphical Abstract) verilmelidir. Görsel içerisindeki yazılar (eğer varsa) Calibri yazı tipinde TÜRKÇE’si ile uyumlu İNGİLİZCE olmalıdır.
2. sayfa
- “Makale Başlığı” (İngilizcesi ile uyumlu Türkçe başlık)
- Öz (Türkçe Özet): Arka Plan, Amaç, Yöntem, Bulgular, Sonuç kısımlarından oluşacak şekilde İngilizcesi ile uyumlu en az 350 en fazla 450 sözcük (kelime)
- Anahtar Kelimeler—İngilizcesi ile uyumlu en az 3 en fazla 6 anahtar kelime
- Grafiksel Özet: En az 300 dpi çözünürlüğünde, makalenin içeriğini tek bakışta yansıtan bir grafiksel özet verilmelidir. Görsel içerisindeki yazılar (eğer varsa) Calibri yazı tipinde İNGİLİZCE’si ile uyumlu TÜRKÇE olmalıdır.
Diğer sayfalar
Makale metni aşağıda verilen Ana Başlıklar altında oluşturulabilir:
I. GİRİŞ (INTRODUCTION)
Makalenin arka planı, amacı ve katkısı akıcı bir şekilde sunulmalı ve güncel kaynaklarla desteklenmelidir.
II. YÖNTEM (METHOD)
Makalenin özünü oluşturan sorunu çözmek için kullanılan veya önerilen yöntem(ler) sunulmalıdır.
III. BULGULAR ve TARTIŞMA (RESULTS and DISCUSSION)
Bulgular sunulmalı, tartışılmalı ve mevcut yöntemlerle karşılaştırılmalıdır.
IV. SONUÇ (CONCLUSION)
Özet bölümünü tekrarlamadan, çözülmesi gereken sorunun kısa bir açıklaması, elde edilen sonuçların yorumlanması, sorunun çözümüne katkının açıklanması, yöntemin avantaj ve dezavantajlarının tartışılması ve gelecekteki araştırmalar için öneriler sunulmalıdır.
YAZAR BEYANI (AUTHOR STATEMENT)
İntihal Kontrolü—Makale iThenticate programı ile taranmış ve derginin intihal politikası ile uyumlu bulunmuştur.
Çıkar Çatışması—Makalede herhangi bir kişi/kurum ile çıkar çatışması bulunmamaktadır.
Etik Kurul Onayı—Eğer makale için geçerli değilse “Makalede etik kurul izni alınmasına gerek yoktur.” yazılmalıdır. Eğer makale için geçerli ise bu onayın ayrıntıları, makale yayınlanmak üzere kabul edildikten sonra makalede belirtilmelidir.
Yapay Zekâ Araçlarının Kullanımı—Makalenin hazırlanmasında İçerik üretme, Literatür oluşturma, Analiz, Değerlendirme vb. amacıyla yapay zekadan faydalanılamaz. Diğer taraftan, metin dilbilgisi ve yazım denetimleri amacıyla kullanılması durumunda faydalanılan yapay zekâ aracının belirtilmesi gerekmektedir.
Finansman ve Proje Desteği—Makale kabulünden sonra yazılmalıdır.
Veri Paylaşım Beyanı—Makale kabulünden sonra yazılmalıdır.
CRediT Yazar Katkı Beyanı—Makale kabul edildikten sonra belirtilmelidir. Makaleye katkıda bulunan yazarların rolleri, CRediT tanımlarına uygun olarak atanmalıdır.
Teşekkür—Makale kabul edildikten sonra belirtilmelidir.
Not: Yazar Beyanı’na ilişkin örnek yazımlar MAKALE_KALIBI_KABUL dosyasında bulunabilir.
KAYNAKLAR (REFERENCES)
Makalede kullanılacak referanslar, MAKALE_KALIBI_KABUL dosyasında sunulan formatta yazılmalıdır.
EK (APPENDIX)
Ek(ler) (varsa) Kaynakça bölümünden sonra verilmelidir.
Ana ve Ara Başlıklar
- Makale, en fazla üç başlık tipi kullanılarak yazılmalıdır.
- Makaledeki Türkçe Ana ve Ara başlıkların yanında parantez içerisinde İngilizceleri verilmelidir (bk. MAKALE_KALIBI_KABUL).
I. ANA BAŞLIK (MAIN HEADING)
Ana Başlıklar (I., II., gibi) altında en az bir satırdan oluşan bir paragraflık yazım sonrasında eğer varsa birincil ara başlıkların (A., B., C., gibi) verilmesi önerilmektedir.
A. Birincil ara başlık (Primary subheading)
Birincil ara başlıklar altında en az bir satırdan oluşan bir paragraflık anlatım sonrasında eğer varsa ikincil ara başlıkların (1., 2., gibi) verilerek anlatımın yapılması önerilmektedir.
1. İkincil ara başlık (Secondary subheading)
Denklemler ve Değişkenler
- Denklemler; denklem düzenleyicisinde (Equation editor) yazılmış değişkenler ve işlemcilerden oluşan matematiksel ifadeler içermelidir, CÜMLE YAPISI tanımlamalar veya sözcük(ler) denklem içerisinde yer almamalıdır.
- Metindeki denklem değişkenleri denklem düzenleyici kullanılarak yazılmalıdır.
- Denklemlere denklem numaralarıyla metin içinde atıfta bulunulmalıdır.
Şekiller ve Tablolar
- Şekiller, 300 dpi çözünürlüğünde oluşturulup resim dosyası olarak kaydedildikten sonra metin içerisine Word menüsündeki Ekle Resimler ile yerleştirilmelidir.
- Şekil içerisindeki yazılar okunabilmeli ve boyutları metin boyutunu aşmamalıdır.
- Grafik ve çizimlerin ekran görüntüsü olmamasına özen gösterilmelidir.
- Tablo içerisindeki denklem ve denklem değişkenleri denklem düzenleyicisinde yazılmalıdır. Algoritmalar Tablo formatında verilmelidir.
- Şekil ve Tablo etiket ve yazılarının Türkçelerinin altında İngilizceleri italik olarak verilmelidir.
Şekil 1. Şekil yazısı
Figure 1. Figure caption
Tablo 1. Tablo yazısı
Table 1. Table caption
-Bir kaynaktan alınan veya kaynaktan alınıp yeniden düzenlenmiş şekil/tablo için Şekil/Tablo yazısında ilgili kaynak alıntısı mutlaka yer almalıdır.
-Makalede sunulan Şekil ve Tablolara metin içerisinde mutlaka atıfta bulunulmalıdır. “Aşağıdaki şekilde/tabloda/denklemde” gibi belirsiz ifadeler kullanılmamalıdır.
Makale yazımında ek olarak aşağıdaki kurallara dikkat edilmelidir:
- % işareti ile sayı arasında boşluk olmamalıdır. Türkçe yazımlarda % sayıdan önce kullanılırken (ör. %23) İngilizce yazımlarda % sayıdan sonra (ör. 23%) kullanılır.
- Anlatım sırasında Şekil ve Tablo numaralarına gelen ekler küçük ünlü uyumuna göre yazılır (1’de, 2’de, 3’te, vb.).
- Küçük harflerle yapılan kısaltmalara getirilen eklerde kelimenin okunuşu esas alınır (cm’yi (santimetreyi), kg’dan (kilogramdan), mm’den (milimetreden)). Büyük harflerle yapılan kısaltmalara getirilen eklerde ise kısaltmanın son harfinin okunuşu esas alınır (BDT’ye, TDK’den, THY’de, TRT’den, vb.).
- Metin içerisindeki kısaltmalar TDK kısaltmalar dizinine göre yapılmalıdır: vb. (ve benzeri), vd. (ve diğerleri), vs. (vesaire), ör. (örnek), bk. (bakınız), dk. (dakika), g (gram), m (metre), sn (saniye).
- Şekil veya Tablonun kendisi ve başlığı farklı sayfalarda olmamalıdır.
Etik İlkeler ve Yayın Politikası
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi (PAJES), yayın sürecinde, bilginin nesnel ve saygılı bir şekilde geliştirilmesi ve yayılması fikrini benimser. Bu nedenle, yayın süreci içerinde yer alan tüm tarafların (yazarlar, okuyucular/araştırmacılar, yayıncı, hakemler ve editörler) etik ilkelere uyması son derece önemlidir. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, Yayın Etiği Komitesi (COPE) politikaları esas alınarak hazırlanmış olan etik sorumluluklara tüm tarafların sahip olmasını beklemektedir.
Etik İlkeler
Yazarlar,
• Dergiye göndereceği makalenin özgün olduğundan emin olmalıdır.
• Değerlendirme sürecindeki çalışmalarını başka dergi veya dergilere göndermemelidir.
• Bir araştırmanın sonuçlarını, o araştırmanın bütünlüğünü ve niteliğini bozmadan tek bir makale olarak yayımlamalıdır.
• Araştırma verilerini üzerinde herhangi bir manipülasyon yapmamalı, uydurma veya yanıltıcı bilgi sunmamalıdır.
• Çıkar çatışması bulunması durumunda bunu editörlüğe bildirmelidir.
• Makale hangi aşamada olursa olsun (değerlendirme, erken baskı, yayımlanmış) makale içinde bir hata gördüğünde, düzeltmek veya geri çekmek maksadıyla editörlüğe bilgi vermelidir.
• Makale içinde veri kullanım hakkı izni, araştırma izni, etik kurul izni, katılımcı onayı gerektiren durumların olması halinde bunlarla ilgili gerekli belgeleri ve beyanları sunmalıdır.
• Makalelerde çalışmaya dahil olmayan kişileri yazar olarak eklememeli, değerlendirme süreci ve yayım aşamasında yazar ekleme ve çıkarma ve de yazar sırası değiştirme gibi taleplerde bulunmamalıdır.
• Bilgi ve ham veri talep edildiğinde, bunları editörlüğe sağlamalıdır.
• Makale içinde faydalandığı kaynakları doğru bir şekilde atıf olarak vermeli ve bunu etik ilkeler çerçevesinde gerçekleştirmelidir.
• Etik kurul izninin gerekli olmadığı makalelerde, bu iznin gerekli olmadığını yazım kılavuzunda belirtildiği şekliyle makalenin ilgili kısmında beyan etmelidir.
• Makaleye olan katkılarını açıklayıcı bir biçimde yazım kılavuzunda belirtildiği şekliyle makalenin ilgili kısmında beyan etmelidir.
Editörler,
• Derginin daha iyi bir noktaya gelmesi ve yayımlanacak olan çalışmaların yüksek kalitede olması için çaba sarf eder.
• Makaleyi değerlendirecek hakemlerin seçimini uzmanlık alanlarına uygun olarak yapar ve sürecin şeffaflığını sağlar.
• Yazarların ve hakemlerin kimlik bilgilerini gizli tutar.
• Hatalı veya etik ihlali içeren makaleler için düzeltme veya geri çekme prosedürlerini uygular.
• Hakem ve yazar arasında çıkar çatışması olmaması için gereğini yapar.
• Nezakete sığmayan ve bilimselliği bulunmayan hakem değerlendirmelerine izin vermez.
• Makalelerin değerlendirilmesinde tarafsızlık ilkesine dayanan adil bir sürecin işletilmesini ve sürecin zamanında tamamlanmasını sağlar.
• Makalelerde insan ve hayvan deneylerinin yürütülmesi halinde insan ve hayvan haklarının korunmasını sağlar. Bu gibi çalışmalarda etik kurul izin belgelerinin temin edilip edilmediğini denetler ve gerekli izinlerin belgelendirilmemiş olması durumunda makaleyi reddeder.
• Makalelerin bağımsız ve tarafsız bir şekilde değerlendirilmesi için yayın kurulunu yönlendirir.
• Yayımlama kararını alırken makalelerin özgün değerini önemser ve ilgili okuyucu kitlesine katkıda bulunmasına dikkat eder. Okuyucu kitlesinin geri bildirimlerini dikkate alarak, uygun bir şekilde geri bildirimde bulunur.
• Olumlu veya olumsuz kararlarda özgün değer, ilgili alana olan katkı, yöntemin güvenilir ve geçerli olmasını dikkate alır, anlatımın net olması ve dergi amaç ve kapsamına uygun olmasını önemser. Yayın politikaları ve uluslararası standartlara uyumu gözetir.
• Yazarların fikri mülkiyet haklarını gözetir.
• Dergi kapsamına giren makaleleri önemli bir problem olmadıkça ön değerlendirmeye sokar.
• Hakemlerin ihtiyaç duyduğu bilgileri sağlar ve rehberlik eder.
• Yayın politikaları ve direktifler doğrultusunda süreçlerin devam etmesi hususunda tüm yayın kurulu üyelerini yönlendirir, yayın politikası hakkında bilgi verir ve gelişmeleri paylaşır.
• Dergi sorunları ve işleyişi ile ilgili olarak yayın kurulu üyeleriyle belirli zamanlarda toplantılar gerçekleştirir.
• Görevi kötüye kullanma ve suistimal gibi durumlara izin vermez. Böyle bir durumda gerekli kovuşturmayı yürütür.
Hakemler,
• Makalenin değerlendirilmesinde nezaket temelli yapıcı yorumlar getirmeli aşağılayıcı yorumlardan kaçınmalıdır.
• Nesnel bir değerlendirme gerçekleştirmeli, değerlendirmelerini kişisel görüşlerinden bağımsız, bilimsel kriterlere göre yapmalıdır ve çalışma kapsamının dışına çıkmamalıdır. Her ne kadar kör hakemlik gerçekleştiriliyor olsa da din, dil, ırk, siyasi görüş ve ticari kaygı gibi hususların değerlendirmeyi etkilemesine izin vermemelidir.
• Tarafsızlık ilkesi ve gizlilik temelinde makale değerlendirme sürecini tamamlamalıdır.
• Olası bir çıkar çatışmasını fark etmesi durumunda makale inceleme aşamasına geçmeden editörlüğe bilgi vermelidir.
• Makaleyi değerlendirdikten sonra, makale ile ilgili dokümanı imha etmelidir.
• Çalışma uzmanlık alanı dışında kalıyorsa değerlendirmeyi reddetmelidir.
• Değerlendirme davetini olumlu veya olumsuz olarak cevaplandırmalı, değerlendirmeyi kabul ettiği makaleyi zamanında sonuçlandırmalıdır.
Yayın Etiği
Yazarlar,
• Makalelerini Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi’ne göndererek çalışmalarının özgün olduğunu ve kendileri tarafından kaleme alındığını; daha önce yayınlanmamış veya değerlendirmeye sunulmamış olduğunu; diğer kaynaklardan (kendi kaynakları dahil) alınan orijinal fikirler, veriler, bulgular ve materyaller uygun şekilde belgelenmiş ve alıntılanmış olduğunu; çalışmalarının gizlilik hakları ve fikri mülkiyet hakları dahil olmak üzere başkalarının haklarını ihlal etmediğini; sağlanan verilerin kendi verileri olduğunu ve bu verilerin doğru olduğunu beyan eder.
• Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi’ne yayımlanması için değerlendirilmek üzere göndermiş oldukları makalenin daha önce yurtiçinde ve/veya yurtdışında, Türkçe veya başka bir dilde hiçbir yerde yayımlanmadığı, yayıma kabul edilmediği ve yayımlanmak üzere başka bir dergiye gönderilmediğini beyan ve taahhüt ederler.
• Uygun alıntı yapılmadan kısmen veya tamamen intihal dergi tarafından kabul edilemez. Dergiye gönderilen makaleler, intihal önleme yazılımı kullanılarak özgünlük açısından kontrol edilmektedir. Yayınlanmış diğer eserlerle kabul edilemez düzeyde benzerlik içerdiği tespit edilmesi durumunda makaleler yazarlara derhal iade edilir.
• Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi’ne değerlendirilmek üzere göndermiş oldukları makalelerinde yayınlanmış diğer eserlerle kabul edilemez düzeyde benzerlik tespit edilmesi durumunda makalelerinin iadesini kabul ederler.
Yayın Politikası,
Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi (PAJES), yayın etiğini en yüksek standartlarda uygulamayı ve Uluslararası Yayıncılık Etiği Kurulu (COPE) tarafından hazırlanan uygulama rehberini izlemeyi taahhüt eder. Bu doğrultuda Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi,
• Makalelerin değerlendirme sürecinde, hem yazar(lar)ın hem de hakemlerin kimliğinin gizli tutulduğu çift-kör değerlendirme ilkesini benimser ve uygular.
• Makalenin yayına kabulü için en az iki hakemin “olumlu” görüşünü dikkate alır. Hakem raporları doğrultusunda alan editörünün görüşü ile makale hakkındaki nihai karar editör tarafından verilir.
• Yayın etiğini en yüksek standartlarda uygulamayı ve uluslararası yayıncılık etiği kurulu (COPE) tarafından hazırlanan uygulama rehberini izlemeyi taahhüt eder. Yayın etiğine uygun olmayan ve suistimal içeren makaleleri, herhangi bir zamanda tespit ederse yayından kaldırma yetkisini kullanır.
• Bilgisayar Mühendisliği, Çevre Mühendisliği, Elektrik-Elektronik Mühendisliği, Endüstri Mühendisliği, Gıda Mühendisliği, İnşaat Mühendisliği, Jeoloji Mühendisliği, Kimya Mühendisliği, Makine Mühendisliği ve Tekstil Mühendisliği konularının oluşturduğu kuramsal ve uygulamaya yönelik özgün “araştırma makalelerini” Türkçe veya İngilizce dillerinde yayınlarken, sadece İngilizce dilinde hazırlanmış “Derleme makaleleri” yayınlar.
• Ocak-Şubat, Mart-Nisan, Mayıs-Haziran, Temmuz-Ağustos, Eylül-Ekim, Kasım ve Aralık dönemleri olmak üzere yılda 7 sayıdan oluşacak şekilde elektronik olarak yayımlanır. Diğer taraftan, özel sayı yayım kararı doğrultusunda Aralık ayında iki sayı olacak şekilde toplamda 8 sayı şeklinde yayımlanır.
• 2012 yılından beri Journalagent sistemi üzerinden makale değerlendirme sürecini gerçekleştirmiş olup; Ocak 2026 yılı itibariyle makale süreçleriyle ilgili tüm işlemleri Dergipark sistemi üzerinden yürütmektedir.
• Kabul edilmiş olan makalelerin yayımlama hakkına sahip olup; makalelerin telif hakkı yazar(lar)a aittir.
• Yayımlanan yazıların içerikleriyle ilgili her türlü yasal ve bilimsel sorumluluğun yazar(lar)a ait olduğunu beyan eder.
• Yayımlanan makaleler için telif ücreti ödemez.
• Yayımlamış olduğu makalelerin kullanıcılar tarafından okunmasına, indirilmesine, kopyalanmasına, dağıtılmasına, yazdırılmasına ve herhangi bir yasal amaçla kullanılmasına izin verir.
• Yayın ve araştırma etiğine aykırı olan her türlü davranışı reddeder ve değerlendirmeye almış olduğu tüm makaleleri intihal/benzerlik denetimine tabi tutar. Ocak 2015’den itibaren gönderilen makalelerin tümü IThenticate® intihal belirleme yazılımı kullanılarak kontrol edilmektedir. Yazılım tarafından üretilen benzerlik raporu doğrultusunda, editörler kurulu makalenin hakem değerlendirmesine alınmasına veya doğrudan reddedilmesine karar verir.
• Sorular, öneriler ve yorumlar için pajes@pau.edu.tr e-posta adresini kullanır.
Ücret Politikası
Hakem değerlendirme süreci tamamlanmış ve kabul edilmiş tüm makaleler herhangi bir makale gönderim ve/veya değerlendirme ücreti talep edilmeksizin çevrimiçi olarak yayımlanmaktadır.
Dizinler
Atıf Dizinleri
Diğer Dizinler
Dergi Kurulları
Baş Editör
Yardımcı Editörler
Dr. Öğr. Üyesi Mustafa TÜMBEK, Pamukkale Üniversitesi Mühendislik Fakültesi Elektrik-Elektronik Mühendisliği Bölümü’nde öğretim üyesi olarak görev yapmaktadır. Lisans eğitimini 2004-2009 yılları arasında Eskişehir Osmangazi Üniversitesi’nde Bilgisayar Mühendisliği ve Elektrik-Elektronik Mühendisliği alanlarında çift anadal programı ile tamamlamıştır. Ardından yüksek lisans ve doktora derecelerini 2010-2019 yılları arasında Pamukkale Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilim Dalı’nda almıştır. Doktora çalışmaları, elektrikli araçlarda enerji yönetimi ve elektrik makineleri tasarımı üzerine yoğunlaşmıştır.
Akademik kariyerine 2014 yılında Pamukkale Üniversitesi’nde araştırma görevlisi olarak başlayan TÜMBEK, 2020 yılından itibaren Dr. Öğretim Üyesi unvanıyla görevini sürdürmektedir. Araştırma alanları; elektrik makineleri ve sürücüleri, gömülü sistemler, enerji yönetim sistemleri, modelleme ve simülasyon, sayısal tasarım, güç elektroniği ve makine öğrenmesi konularını kapsamaktadır. Özellikle batarya-ultrakapasitör hibrit sistemleri, elektrikli araç motor tasarımı ve elektrikli araçlarda enerji optimizasyonu üzerine yaptığı çalışmalar, ulusal ve uluslararası düzeyde yayımlanmış makaleler ve bildiriler ile bilimsel literatüre katkı sağlamıştır. TÜMBEK, bu alanlarda yürüttüğü projelerle mühendislik uygulamalarında verimlilik ve sürdürülebilirlik odaklı çözümler geliştirmeyi hedeflemektedir.
Akademik görevleri kapsamında lisans ve lisansüstü düzeyde dersler vermekte, mühendislik öğrencilerinin pratik becerilerini geliştirmeye yönelik öğrenci projelerini yönlendirmekte ve endüstri ile iş birliği içinde araştırmalar yürütmektedir. Ayrıca, çeşitli bilimsel dergilerde hakemlik yapmakta ve konferanslarda bildiriler sunmaktadır. Ek olarak, PAJES dergisinde editör yardımcılığı görevini yürütmektedir.
Dergi Kurulu
Okan Minnetoğlu 1987 yılında Denizli'de doğdu. 2009 yılında Pamukkale Üniversitesi (PAÜ) Mühendislik Fakültesi Makine Mühendisliği Bölümünü bitirdi.
2010 yılında PAÜ Makine Mühendisliğinde Yüksek Lisans sınavını kazandı. 2012 yılında Araştırma görevliliği sınavını kazanarak yüksek lisans yaptığı bölüme atandı.
2013 yılında "Engelli Bir Alan İçinde Hedefine Otomatik Olarak Ulaşabilen Bir Mobil Robotun Kabiliyetinin Araştırılması" tezi ile yüksek lisansını tamamladı.
Aynı yıl içinde PAÜ Makine Mühendisliğinde Makine Teorisi ve Dinamiği Anabilim dalında Doktorasına başladı.
2022 yılında "Diferansiyel Sürüş Sistemli Mobil Robotların Çok Sayıda Sabit ve Hareketli Engeller Arasındaki Hareket Planlaması ve Hiper Gereğinden Çok Serbestlik Dereceli Robotların Üç Boyutlu Dar Ortamlarda Keskin Manevra Kabiliyetinin Arttırılması" tezi ile doktora eğitimini tamamladı.
PAÜ Makine Mühendisliği Bölümü Makine Teorisi ve Dinamiği Anabilim Dalında halen araştırma görevlisi olarak çalışmaktadır
Yayın Koordinatörleri
Sekreterya
