Araştırma Makalesi
BibTex RIS Kaynak Göster

RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi

Yıl 2026, Cilt: 29 Sayı: 4 , 1 - 9 , 21.04.2026

İsmihan Gül Özeloğlu , Eda Akman Aydın , Necaattin Barışçı

https://doi.org/10.2339/politeknik.1601441
https://izlik.org/JA86CW27AN

Öz

Aktivasyon fonksiyonu derin sinir ağlarının performansı üzerinde kritik etkisi olan bir bileşendir. Bu çalışmada, derin sinir ağlarında, yüksek sınıflandırma doğruluğu ve düşük kayıp elde etmek için yeni bir aktivasyon fonksiyonu önerilmektedir. Önerilen RLSE (ReLu-LIP-Sigmoid-ELU kombinasyonu) aktivasyon fonksiyonu ile, kaybolan gradyan sorunu ve ölmekte olan ReLU probleminin üstesinden gelinmesi hedeflemektedir. RLSE aktivayon fonksiyonunun performansı MNIST ve Fashion-MNIST veri kümeleri üzerinde değerlendirilmiş ve literatürde bulunan yeni geliştirilmiş aktivasyon fonksiyonlarıyla karşılaştırılmıştır. RLSE aktivasyon fonksiyonunun kullanılması ile, bu çalışmada tasarlanan Evrişimsel Sinir Ağı (ESA) mimarisinde MNIST veri kümesi için %99,04 ve Fashion MNIST veri kümesi için %90,40 doğruluk oranları elde edilmiştir. Sonuçlar, RLSE aktivasyon foksiyonunun diğer aktivasyon fonksiyonlarından daha iyi performans gösterdiğini ortaya koymaktadır.

Anahtar Kelimeler

Aktivasyon fonksiyonu Derin sinir ağları Evrişimsel sinir ağı

Kaynakça

  • [1] Sengupta, S., Basak, S., Saikia, P., Paul, S., Tsalavoutis, V., Atiah, F., & Peters, A., “A review of deep learning with special emphasis on architectures, applications and recent trends”, Knowledge-Based Systems, 194: 105596, (2020).
  • [2] Sarker, I. H., “Machine learning: Algorithms, real-world applications and research directions”, SN computer science, 2(3): 160, (2021).
  • [3] Cong, S., & Zhou, Y., “A review of convolutional neural network architectures and their optimizations”, Artificial Intelligence Review, 56(3): 1905-1969, (2023).
  • [4] Zheng, Y., Gao, Z., Wang, Y., & Fu, Q., “MOOC dropout prediction using FWTS-CNN model based on fused feature weighting and time series”, IEEE Access, 8: 225324-225335, (2020).
  • [5] Dubey, S. R., Singh, S. K., & Chaudhuri, B. B., “Activation functions in deep learning: A comprehensive survey and benchmark”, Neurocomputing, 503: 92-108, (2022).
  • [6] Krichen, M., “Convolutional neural networks: A survey”, Computers, 12(8): 151, (2023).
  • [7] V. Nair, G.E. Hinton, Rectified linear units improve restricted boltzmann machines, in: Proc. International Conference on Machine Learning, Haifa, Israel, 807–814, (2010).
  • [8] X. Glorot, A. Bordes, Y. Bengio, Deep sparse rectifier neural networks, in: Proc. International Conference on Artificial Intelligence and Statistics Conference, Ft. Lauderdale, FL, USA, (2011).
  • [9] Apicella A., Donnarumma F., Isgrò F., Prevete R., “A survey on modern trainable activation functions”, Neural Netw., 138: 14-32, (2021).
  • [10] Clevert D.-A., Unterthiner T., Hochreiter S., “Fast and accurate deep network learning by exponential linear units (ELUs)”, arXiv [cs.LG], (2015).
  • [11] Klambauer G., Unterthiner T., Mayr A., Hochreiter S., “Self-normalizing neural networks”, arXiv [cs.LG], (2017).
  • [12] Ramachandran, P., Zoph, B., & Le, Q. V., “Swish: a self-gated activation function”, arXiv preprint arXiv:1710.05941, 7(1): 5, (2017).
  • [13] Hendrycks, D., & Gimpel, K., “Gaussian error linear units (gelus)”, arXiv preprint arXiv:1606.08415, (2016).
  • [14] Lu, Lu, et al. "Dying relu and initialization: Theory and numerical examples." arXiv preprint arXiv:1903.06733, (2019).
  • [15] Elfwing, Stefan, Eiji Uchibe, and Kenji Doya., "Sigmoid-weighted linear units for neural network function approximation in reinforcement learning", Neural networks, 107: 3-11, (2018).
  • [16] Venkatappareddy, P., Culli, J., Srivastava, S., & Lall, B., “A Legendre polynomial based activation function: An aid for modeling of max pooling”, Digital Signal Processing, 115: 103093, (2021).
  • [17] Carini, Alberto, et al., "Legendre nonlinear filters", Signal Processing, 109: 84-94, (2015).
  • [18] Jahan, Israt, et al., "Self-gated rectified linear unit for performance improvement of deep neural networks", ICT Express, 9(3): 320-325, (2023).
  • [19] Kiliçarslan, S., & Celik, M., “RSigELU: A nonlinear activation function for deep neural networks”, Expert Systems with Applications, 174: 114805, (2021).
  • [20] LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P., “Gradient-based learning applied to document recognition”, Proceedings of the IEEE, 86(11): 2278-2324, (1998).
  • [21] Xiao, H., Rasul, K., & Vollgraf, R., “Fashion-mnist: a novel image dataset for benchmarking machine learning algorithms”, arXiv preprint arXiv:1708.07747, (2017).
  • [22] Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M., “A review of convolutional neural networks in computer vision”, Artificial Intelligence Review, 57(4): 99, (2024).
  • [23] Fan, C. L., “Multiscale Feature Extraction by Using Convolutional Neural Network: Extraction of Objects from Multiresolution Images of Urban Areas”, ISPRS International Journal of Geo-Information, 13(1): 5, (2023).
  • [24] Taye, M. M., “Theoretical understanding of convolutional neural network: Concepts, architectures, applications, future directions”, Computation, 11(3): 52, (2023).
  • [25] Zhao, L., & Zhang, Z., “A improved pooling method for convolutional neural networks”, Scientific Reports, 14(1): 1589, (2024).
  • [26] Elizar, E., Zulkifley, M. A., Muharar, R., Zaman, M. H. M., & Mustaza, S. M., “A review on multiscale-deep-learning applications”, Sensors, 22(19): 7384, (2022).
  • [27] Dubey, S. R., Singh, S. K., & Chaudhuri, B. B., “Activation functions in deep learning: A comprehensive survey and benchmark”, Neurocomputing, 503: 92-108, (2022).
  • [28] Özdemir, C., “Avg-topk: A new pooling method for convolutional neural networks”, Expert Systems with Applications, 223: 119892, (2023).
  • [29] Zafar, A., Aamir, M., Mohd Nawi, N., Arshad, A., Riaz, S., Alruban, A., ... & Almotairi, S., “A comparison of pooling methods for convolutional neural networks”, Applied Sciences, 12(17): 8643, (2022).
  • [30] Jeczmionek, E., & Kowalski, P. A., “Flattening layer pruning in convolutional neural networks”, Symmetry, 13(7): 1147, (2021).
  • [31] Ullah, U., Jurado, A. G. O., Gonzalez, I. D., & Garcia-Zapirain, B., “A fully connected quantum convolutional neural network for classifying ischemic cardiopathy”, IEEE Access, 10: 134592-134605, (2022).

The Impact of RLSE Activation Function Design on the Performance of Deep Neural Networks

Yıl 2026, Cilt: 29 Sayı: 4 , 1 - 9 , 21.04.2026

İsmihan Gül Özeloğlu , Eda Akman Aydın , Necaattin Barışçı

https://doi.org/10.2339/politeknik.1601441
https://izlik.org/JA86CW27AN

Öz

The activation function is a critical component that significantly impacts the performance of deep neural networks. In this study, a novel activation function, RLSE (a combination of ReLU-LIP-Sigmoid-ELU), is proposed to achieve high classification accuracy and low loss in deep neural networks. The RLSE activation function aims to address the vanishing gradient problem and the dying ReLU issue. The performance of the RLSE activation function has been evaluated on the MNIST and Fashion-MNIST datasets and compared with recently developed activation functions in the literature. Using the RLSE activation function, the Convolutional Neural Network (CNN) architecture designed in this study achieved accuracy rates of 99.04% for the MNIST dataset and 90.40% for the Fashion-MNIST dataset. The results demonstrate that the RLSE activation function outperforms other activation functions.

Anahtar Kelimeler

Activation function Deep neural networks Convolutional neural network

Kaynakça

  • [1] Sengupta, S., Basak, S., Saikia, P., Paul, S., Tsalavoutis, V., Atiah, F., & Peters, A., “A review of deep learning with special emphasis on architectures, applications and recent trends”, Knowledge-Based Systems, 194: 105596, (2020).
  • [2] Sarker, I. H., “Machine learning: Algorithms, real-world applications and research directions”, SN computer science, 2(3): 160, (2021).
  • [3] Cong, S., & Zhou, Y., “A review of convolutional neural network architectures and their optimizations”, Artificial Intelligence Review, 56(3): 1905-1969, (2023).
  • [4] Zheng, Y., Gao, Z., Wang, Y., & Fu, Q., “MOOC dropout prediction using FWTS-CNN model based on fused feature weighting and time series”, IEEE Access, 8: 225324-225335, (2020).
  • [5] Dubey, S. R., Singh, S. K., & Chaudhuri, B. B., “Activation functions in deep learning: A comprehensive survey and benchmark”, Neurocomputing, 503: 92-108, (2022).
  • [6] Krichen, M., “Convolutional neural networks: A survey”, Computers, 12(8): 151, (2023).
  • [7] V. Nair, G.E. Hinton, Rectified linear units improve restricted boltzmann machines, in: Proc. International Conference on Machine Learning, Haifa, Israel, 807–814, (2010).
  • [8] X. Glorot, A. Bordes, Y. Bengio, Deep sparse rectifier neural networks, in: Proc. International Conference on Artificial Intelligence and Statistics Conference, Ft. Lauderdale, FL, USA, (2011).
  • [9] Apicella A., Donnarumma F., Isgrò F., Prevete R., “A survey on modern trainable activation functions”, Neural Netw., 138: 14-32, (2021).
  • [10] Clevert D.-A., Unterthiner T., Hochreiter S., “Fast and accurate deep network learning by exponential linear units (ELUs)”, arXiv [cs.LG], (2015).
  • [11] Klambauer G., Unterthiner T., Mayr A., Hochreiter S., “Self-normalizing neural networks”, arXiv [cs.LG], (2017).
  • [12] Ramachandran, P., Zoph, B., & Le, Q. V., “Swish: a self-gated activation function”, arXiv preprint arXiv:1710.05941, 7(1): 5, (2017).
  • [13] Hendrycks, D., & Gimpel, K., “Gaussian error linear units (gelus)”, arXiv preprint arXiv:1606.08415, (2016).
  • [14] Lu, Lu, et al. "Dying relu and initialization: Theory and numerical examples." arXiv preprint arXiv:1903.06733, (2019).
  • [15] Elfwing, Stefan, Eiji Uchibe, and Kenji Doya., "Sigmoid-weighted linear units for neural network function approximation in reinforcement learning", Neural networks, 107: 3-11, (2018).
  • [16] Venkatappareddy, P., Culli, J., Srivastava, S., & Lall, B., “A Legendre polynomial based activation function: An aid for modeling of max pooling”, Digital Signal Processing, 115: 103093, (2021).
  • [17] Carini, Alberto, et al., "Legendre nonlinear filters", Signal Processing, 109: 84-94, (2015).
  • [18] Jahan, Israt, et al., "Self-gated rectified linear unit for performance improvement of deep neural networks", ICT Express, 9(3): 320-325, (2023).
  • [19] Kiliçarslan, S., & Celik, M., “RSigELU: A nonlinear activation function for deep neural networks”, Expert Systems with Applications, 174: 114805, (2021).
  • [20] LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P., “Gradient-based learning applied to document recognition”, Proceedings of the IEEE, 86(11): 2278-2324, (1998).
  • [21] Xiao, H., Rasul, K., & Vollgraf, R., “Fashion-mnist: a novel image dataset for benchmarking machine learning algorithms”, arXiv preprint arXiv:1708.07747, (2017).
  • [22] Zhao, X., Wang, L., Zhang, Y., Han, X., Deveci, M., & Parmar, M., “A review of convolutional neural networks in computer vision”, Artificial Intelligence Review, 57(4): 99, (2024).
  • [23] Fan, C. L., “Multiscale Feature Extraction by Using Convolutional Neural Network: Extraction of Objects from Multiresolution Images of Urban Areas”, ISPRS International Journal of Geo-Information, 13(1): 5, (2023).
  • [24] Taye, M. M., “Theoretical understanding of convolutional neural network: Concepts, architectures, applications, future directions”, Computation, 11(3): 52, (2023).
  • [25] Zhao, L., & Zhang, Z., “A improved pooling method for convolutional neural networks”, Scientific Reports, 14(1): 1589, (2024).
  • [26] Elizar, E., Zulkifley, M. A., Muharar, R., Zaman, M. H. M., & Mustaza, S. M., “A review on multiscale-deep-learning applications”, Sensors, 22(19): 7384, (2022).
  • [27] Dubey, S. R., Singh, S. K., & Chaudhuri, B. B., “Activation functions in deep learning: A comprehensive survey and benchmark”, Neurocomputing, 503: 92-108, (2022).
  • [28] Özdemir, C., “Avg-topk: A new pooling method for convolutional neural networks”, Expert Systems with Applications, 223: 119892, (2023).
  • [29] Zafar, A., Aamir, M., Mohd Nawi, N., Arshad, A., Riaz, S., Alruban, A., ... & Almotairi, S., “A comparison of pooling methods for convolutional neural networks”, Applied Sciences, 12(17): 8643, (2022).
  • [30] Jeczmionek, E., & Kowalski, P. A., “Flattening layer pruning in convolutional neural networks”, Symmetry, 13(7): 1147, (2021).
  • [31] Ullah, U., Jurado, A. G. O., Gonzalez, I. D., & Garcia-Zapirain, B., “A fully connected quantum convolutional neural network for classifying ischemic cardiopathy”, IEEE Access, 10: 134592-134605, (2022).
Toplam 31 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Derin Öğrenme, Yapay Zeka (Diğer)
Bölüm Araştırma Makalesi
Yazarlar

İsmihan Gül Özeloğlu 0000-0001-9469-9550

Eda Akman Aydın 0000-0002-9887-3808

Necaattin Barışçı 0000-0002-8762-5091

Gönderilme Tarihi 1 Ocak 2025
Kabul Tarihi 26 Eylül 2025
Erken Görünüm Tarihi 23 Kasım 2025
Yayımlanma Tarihi 21 Nisan 2026
DOI https://doi.org/10.2339/politeknik.1601441
IZ https://izlik.org/JA86CW27AN
Yayımlandığı Sayı Yıl 2026 Cilt: 29 Sayı: 4

Kaynak Göster

APA Özeloğlu, İ. G., Akman Aydın, E., & Barışçı, N. (2026). RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi. Politeknik Dergisi, 29(4), 1-9. https://doi.org/10.2339/politeknik.1601441
AMA 1.Özeloğlu İG, Akman Aydın E, Barışçı N. RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi. Politeknik Dergisi. 2026;29(4):1-9. doi:10.2339/politeknik.1601441
Chicago Özeloğlu, İsmihan Gül, Eda Akman Aydın, ve Necaattin Barışçı. 2026. “RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi”. Politeknik Dergisi 29 (4): 1-9. https://doi.org/10.2339/politeknik.1601441.
EndNote Özeloğlu İG, Akman Aydın E, Barışçı N (01 Nisan 2026) RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi. Politeknik Dergisi 29 4 1–9.
IEEE [1]İ. G. Özeloğlu, E. Akman Aydın, ve N. Barışçı, “RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi”, Politeknik Dergisi, c. 29, sy 4, ss. 1–9, Nis. 2026, doi: 10.2339/politeknik.1601441.
ISNAD Özeloğlu, İsmihan Gül - Akman Aydın, Eda - Barışçı, Necaattin. “RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi”. Politeknik Dergisi 29/4 (01 Nisan 2026): 1-9. https://doi.org/10.2339/politeknik.1601441.
JAMA 1.Özeloğlu İG, Akman Aydın E, Barışçı N. RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi. Politeknik Dergisi. 2026;29:1–9.
MLA Özeloğlu, İsmihan Gül, vd. “RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi”. Politeknik Dergisi, c. 29, sy 4, Nisan 2026, ss. 1-9, doi:10.2339/politeknik.1601441.
Vancouver 1.İsmihan Gül Özeloğlu, Eda Akman Aydın, Necaattin Barışçı. RLSE Aktivasyon Fonksiyonu Tasarımının Derin Sinir Ağlarının Performansındaki Etkisi. Politeknik Dergisi. 01 Nisan 2026;29(4):1-9. doi:10.2339/politeknik.1601441

Amaç ve Kapsam

 Temel mühendislik alanlarındaki hem deneysel hem de kuramsal çalışmaların yer aldığı dergimiz, mühendisliğin hızla gelişen alanlarına ilişkin makalelerin yayınına öncelik tanır ve disiplinlerarası yöntem ve teknolojiler üzerine yoğunlaşmayı,mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergiye gönderilen bilimsel çalışmaların yayımlanmış veya sözlü veya poster sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.


“Politeknik Dergisi" temel mühendislik konularını kapsayan bir dergidir. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.

Dergimize makale gönderen ve/veya dergimizde hakemlik yapan /yapacak olan tüm kullanıcıların kurumsal e-posta hesapları ile sisteme kayıt olmaları gerekmektedir (yahoo.com, hotmail.com, gmail.com vb. uzantılı e-posta hesapları kullanılmamalıdır).

Dergimize ait herhangi bir ŞABLON formatı  bulunmamaktadır. İlk gönderi için makalelerin aşağıdaki kurallara göre hazırlanması gerekmektedir. 

Gazi Üniversitesi Politeknik Dergisi, Fen ve Mühendislik alanlarında çalışan bilim insanları arasındaki bilimsel iletişimi oluşturmak amacıyla, bilimsel özgün makaleleri Türkçe veya İngilizce olarak kabul etmektedir.

Araştırma Makalesi: Orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan çalışmalar,

Tarama Makalesi: Yeterli sayıda bilimsel makaleyi tarayıp, konuyu günümüzün bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bu bulguları karşılaştırarak yorumlayan yazılar,

Teknik Not: Yapılan bir araştırmanın önemli bulgularını açıklayan yeni bir yöntem veya teknik tanımlayan yazılar. 

Bütün yazıların Telif Hakkı Devir Formu, makalenin bütün yazarları tarafından doldurulup editörlüğe iletilmelidir. Telif Hakkı Devir Formu göndermeyen yazarların yayınları işleme konulmaz. Yayınlanmasına karar verilen makaleler üzerine yazarlar tarafından sonradan hiçbir eklenti yapılamaz.

Her makale en az iki hakeme gönderilerek şekil ve içerik bakımından incelenir. Dergide yayınlanabilecek nitelikteki olduğu belirlenen makalelerin dizgisi yapılarak yayına hazır hale getirilir.

SUNUŞ

İlk gönderi esnasında, makalenin yazar(lar)ı tarafından benzerlik taraması yapılarak benzerlik oranını gösteren raporun makale ile birlikte yüklenmesi gerekmektedir. Detaylı bilgi için tıklayınız.

Her makalede yapılan çalışmanın özetlendiği bir Özet Sayfası bulunmalıdır. (Bu sayfa makalenin ilk sayfası olacak şekilde makalenizi tek dosya halinde gönderiniz). Özet sayfasına ait şablon dosyaya ulaşmak için tıklayınız.

1. METİN : Times New Roman yazı karakterinde ve 12 pt olacak şekilde yazılmalı, kaynaklar ve şekiller dahil tarama yazıları dışında 20 sayfayı geçmemelidir. Yazarlar makalelerinin ne türde bir yazı olduğunu belirtmelidirler.

2. BAŞLIK : Eserin başlığı, ilk harfleri büyük olacak şekilde Türkçe ve İngilizce olarak yazılmalı, başlık metne uygun, kısa ve açık olmalıdır.

Metin içerisindeki 1. derece başlıkların tamamı büyük harfle, 2. derece başlıkların tüm kelimelerinin ilk harfleri büyük harfle ve 3. ve daha alt başlıklar için başlığın yalnızca ilk kelimesi büyük harfle olacak şekilde yazılmalıdır (Metin içerisinde kullanılan başlıkların ve alt başlıkların tümünün İngilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmalıdır)

3. ÖZET : 200 kelimeyi geçmeyecek şekilde Türkçe ve İngilizce yazılmalıdır. İngilizce özetin başına eserin başlığı da ingilizce olarak yazılmalıdır.

4. ANAHTAR KELİMELER : En az 3 en fazla 5 adet Türkçe/ İngilizce olarak verilmelidir.

5. METİN : Genel olarak giriş, yöntem, bulgular, sonuç ve tartışmaya ilişkin kısımları kapsar.

6. KAYNAKLAR : Metinde parantez içerisindeki [1], [2] vb. rakamlarla numaralandırılmalı ve metin sonunda da eser içinde veriliş sırasına göre yazılmalıdır.

Kaynak bir makale ise: Yazarın soyadı adının baş harfi, tırnak içerisinde makalenin tam başlığı, derginin adı (varsa uluslararası kısaltmaları), cilt no: makalenin başlangıç ve bitiş sayfa no, (yıl)

Örnek: Sözen A., Özbaş E., Menlik T., Çakır M. T., Gürü M. and Boran K., ''Improving the thermal performance of diffusion absorption refrigeration system with alumina nanofluids'', International Journal of Refrigeration, 44: 73-80, (2014)

Kaynak bir kitap ise: Yazarın soyadı adının başharfi, tırnak içerisinde kitabın adı, cilt no, varsa editörü, yayınevinin adı, yayın no, yayınlandığı yer, (yıl).

Kaynak kitaptan bir bölüm ise: Bölüm yazarının soyadı adının başharfi, tırnak içerisinde bölümün adı, bölümün alındığı kitabın adı, yayınevinin adı, yayınlandığı yer, (yıl).

Kaynak basılmış tez ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tezin adı, cinsi (yüksek lisans, doktora), sunulduğu üniversite ve enstitüsü, (yıl).

Kaynak kongreden alınmış tebliğ ise: Yazarın soyadı adının baş harfi, tırnak içerisinde tebliğin adı, kongrenin adı, yapıldığı yer, tebliğin başlangıç ve bitiş sayfa no, (yıl).

Kaynak bir standart ise: Standardın numarası, tırnak içerisinde standardın adı, (yıl).

7. ÇİZELGE VE ŞEKİLLER: Çizelge içermeyen bütün görüntüler (fotoğraf, çizim, diyagram, grafik, harita vs.) şekil olarak isimlendirilmelidir. Her bir çizelge ve şekil, metin içinde gireceği yere yerleştirilmelidir. Bütün şekiller metin içinde ardışık olarak numaralandırılmalıdır (Metin içerisinde kullanılan Çizelge ve Şekillerin tümünün ingilizceleri parantez içerisinde belirtilmelidir. Yazım dili İngilizce olan makalelerde, parantez içerisinde herhangi bir şey belirtilmemelidir. Tüm metin İngilizce olmaldır).

8. FORMÜLLER VE BİRİMLER: Metin içerisindeki tüm formüller equation formatında yazılmalıdır. Formüllere (1), (2) şeklinde sıra numarası verilmelidir. Tüm birimler SI birim sisteminde olmalıdır.

9. SİMGELER VE KISALTMALAR : Metin sonunda kaynaklardan önce verilebilir.

10. TEŞEKKÜR : Eğer kişi veya kurumlara teşekkür yapılacaksa bu kısımda yazılmalı ve kaynaklardan önce verilmelidir.

11. ETİK BEYANI : Dergimizde yayımlanacak makalelerde etik kurul izini ve/veya yasal/özel izin alınmasının gerekip gerekmediği belirtilmiş olmalıdır. Eğer bu izinlerin alınması gerekli ise, izinin hangi kurumdan, hangi tarihte ve hangi karar veya sayı numarası ile alındığı açıkça sunulmalıdır. Ayrıca çalışma insan ve hayvan deneklerinin kullanımını gerektiriyor ise çalışmanın uluslararası deklarasyon, kılavuz vb. uygun gerçekleştirildiği beyan edilmelidir. İzin alınmasının gerekmediği durumlar için TEŞEKKÜR bölümünden sonra aşağıdaki metin eklenmelidir.  

        Türkçe dilindeki makaleler için:
        ETİK STANDARTLARIN BEYANI
        Bu makalenin yazar(lar)ı çalışmalarında kullandıkları materyal ve yöntemlerin etik kurul izni ve/veya yasal-özel bir izin gerektirmediğini beyan ederler.


        İngilizce dilindeki makaleler için:
        DECLARATION OF ETHICAL STANDARDS
        The author(s) of this article declare that the materials and methods used in this study do not require ethical committee permission and/or legal-special permission.

12. YAZAR KATKILARININ BEYANI: Bu bölümde makalede adı geçen her bir araştırmacının makaleye olan katkısı belirtilmelidir.

13. ÇIKAR ÇATIŞMASININ BEYANI: Makale yazarları arasındaki çıkar çatışması durumu belirtilmelidir. Herhangi bir çıkar çatışması yoksa "Bu çalışmada herhangi bir çıkar çatışması yoktur" ibaresi yazılmalıdır.

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

Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.
Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.
Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.
Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.
Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

DERGİ POLİTİKASI
Makale Değerlendirme Süreci
Hakem Davetinin Geçerlilik Süresi : 30 gün
Hakem Daveti İçin Verilen Ekstra Süre : 15 gün
Hakemin Makaleyi Değerlendirme Süresi : 21 gün
Yazarın Düzeltmelerini Gerçekleştirmesi İçin Verilen Süre : 30 gün
Makale Değerlendirmesi İçin Hakeme Verilen Ekstra Süre : 7 gün

Ücret Politikası
Dergimize gönderilen makalelerin değerlendirilmesi/basılması gibi süreçlerde yazarlardan herhangi bir ücret talep edilmemektedir. 

Makale Geri Çekme Süreci
Yayımlanmış bir makalenin geri çekilmesi işlemi ilgili makalenin tüm yazarlarının ortak talebine istinaden yapılmaktadır. Geri çekilen makaleye ait bilgiler yazar(lar)ın editörlüğümüze başvurduğu tarihten sonra yayımlanacak ilk sayımızda GERİ ÇEKME(RETRACTION) başlığı altında bildirilir. 

Politeknik Dergisi makale gönderimi veya basım aşamasında herhangi bir ücret talep etmemektedir.

Atıf Dizinleri

Google Scholar
TR Dizin
Emerging Sources Citation Index (ESCI)
Thomson Reuters / Clarivate Analytics
EBSCO
SOBIAD

Genel Yayın Yönetmeni

Musa ATAR

Baş Editör

Adnan Sözen
Adnan SÖZEN

  
Enerji Sistemleri Mühendisliği, Enerji

Editörler

Murat Tolga ÖZKAN
Serhat KARYEYEN

Editör Yardımcıları

Fatih Emre BORAN
Volkan YILMAZ

Editör Asistanı

Erdem ÇİFTÇİ

Editörler Kurulu

Hülya DURMUŞ
Hüseyin PEKER
İhsan TOKTAŞ
Zafer AYAZ
Nihat OZTURK
O. Ayhan ERDEM
Figen BALO
Mustafa ÖZER
Orhan KAPLAN
Mustafa Bahadır ÖZDEMİR
Hacı Bayram KARADAĞ
İsmail AYDIN
İhsan KORKUT
Halil DEMİR
Melih OKUR
Ahmet GÜRAL
Kasım SERBEST
Murat YÜCEL
Emine Özge KARACA
Cemil ÇETİNKAYA
Volkan YILMAZ
Fatih Emre BORAN

Yayın Danışma Kurulu

Mehmet ESEN
İlker USTA
Ulvi ŞEKER
Murat HOŞÖZ
Hüseyin Rıza BÖRKLÜ
Mustafa AKTAŞ
Mehmet DEMİRTAŞ
Günnur KOCAR
Engin ÖZDEMİR
Ayhan ÖZÇİFÇİ
H. Serdar YÜCESU
Tayfun MENLİK
Metin GÜRÜ
Sare SAHİL
Erol KURT
Ramazan BAYINDIR
Ebru AKPINAR
Ramazan YILMAZ
Prof. Dr. Yasin VAROL
Nadire Şule ATILGAN
Ramazan KÖSE
Erol ARCAKLIOĞLU
Metin İPEK
Dilek KUMLUTAŞ
İshak KARAKAYA
Jamal KHATİB
Musa ATAR

Teknik Sorumlu

Şulenur ASAL
İrem KARAASLAN
Coşkun YÜKSEL

Yayın Etiği Kurulu

Murat Tolga ÖZKAN
Erdem ÇİFTÇİ
Serhat KARYEYEN
 
TARANDIĞIMIZ DİZİNLER (ABSTRACTING / INDEXING)
181341319013191 13189 13187 13188 18016 

download Bu eser Creative Commons Atıf-AynıLisanslaPaylaş 4.0 Uluslararası ile lisanslanmıştır.