Caudal epidural anaesthesia is usually the most well-known technique in obstetrics to deal with chronic back pain. Due to variations in the shape and size of the sacral hiatus (SH), its classification is a crucial and challenging task. Clinically, it is required in trauma, where surgeons must make fast and correct selections. Past studies have focused on morphometric and statistical analysis to classify it. Therefore, it is vital to automatically and accurately classify SH types through deep learning methods. To this end, we proposed the Multi-Task Process (MTP), a novel classification approach to classify the SH MTP that initially uses a small medical tabular data set obtained by manual feature extraction on computed tomography scans of the sacrums. Second, it augments the data set synthetically through a Generative Adversarial Network (GAN). In addition, it adapts a two-dimensional (2D) embedding algorithm to convert tabular features into images. Finally, it feeds images into Convolutional Neural Networks (CNNs). The application of MTP to six CNN models achieved remarkable classification success rates of approximately 90 % to 93 %. The proposed MTP approach eliminates the small medical tabular data problem that results in bone classification on deep models.

Bu çalışmada, Hibrit Yenilenebilr Enerji Siatemleri optimizasyonunda kullanılmak üzere bu alanda en sık kullanılan HOMER programının olumsuz yönlerini bertaraf eden metasezgisel Parçacık Sürü Optimizasyonu tabanlı optimizasyon aracı tasarımı yapılmıştır. Güvenilirliğinin ortaya konması nedeniyle aynı yükü beslemek için gerekli hibrit sistem, hem geliştirilen araç ile hemde HOMER optimizasyon yazılımı ile optimize edilerek sonuçlar karşılaştırılmıştır. İşlem hızı bakımından yapılan karşılaştırmada aynı sistemi optimize etmede, HOMER yazılımının 936 saniyede elde etmiş olduğu sonucu 17 saniyede elde ederek tasarlanan sistemin daha hızlı sonuca ulaştığı görülmüştür. Ekonomik yönden yapılan karşılaştırmada ise iki ayrı aracın yapmış olduğu optimizasyon sonucunda; Enerji maliyetinde 1.737 % , Toplam Net Bugün ki Maliyette 0.85 % ve Başlangıç Sermayesinde ise 1.895 % lik fark bulunmakta olup sonuçlar arasında önemli bir farkın bulunmadığı gözlenmiştir. Elektriksel sonuçların kıyasında ise Beslenen yüklerde 0.031 %, Beslenemeyen yüklerde 1.071 % lik fark çıkmış olup elektriksel anlamda da sonuçların güvenilirliği ortaya konmuştur. Sonuçlar bu alandaki detaylı optimizasyon çalışmaları için umut vericidir. Ayrıca HOMER yazılımının sunmakta olduğu, ekonomik ve elektriksel detaylar, gerçeği temsil eden özgün bir sevk stratejisi sayesinde tasarlanan araç ile de kullanıcıya sunulmaktadır. Güvenilirlik parametresi olarak HOMER yazılımının içerdiği fakat daha önce metasezgisel algoritmalarla yapılan optimizasyon süreçlerinde hiç kullanılmamış olan kapasite eksikliği parametresi kullanılmaktadır. Kapasite eksikliği parametresi ilk defa metasezgisel algoritma ile yenilenebilir enerji kaynaklarının optimizasyonunda kullanılmıştır. Maliyet fonksiyonu olarak Enerji Maliyeti kullanılmıştır. Kısacası HOMER programına alternatif çok daha hızlı sonuca ulaşabilen ve HOMER programındaki hassasiyet, hantallık ve zorlu arama uzayı oluşturma süreçlerini bertaraf eden özgün, güvenilir bir optimizasyon aracı tasarlanmıştır. Bu araç sayesinde ayrıca, vekil modelleri, makine öğrenmesi veya derin öğrenme tabanlı optimizasyon sistemlerini eğitmek için gerekli optimizasyon çıktıları çok hızlı bir şekilde elde edilerek fazla sayıda veri üretilmesi kolaylaşacaktır.

Internet of things and Drones are two new promising innovative technologies which is inevitable in the internet era. These technologies provide modern solutions for many fields. One of these fields is agriculture. Agriculture plays pivot role for humankind, because more than half of the World’s population depends on agriculture. In this study internet of things technology is applied to a drone which is capable for doing agricultural works like spraying, carrying and real time monitoring. An on board android device which is mount on the drone is used to manage the drone over internet by a graphical user interface software designed within the study. The farmer communicates with on board android device over internet by remote desktop application in order to manage drone and get data. The drone will help farmers by getting live data from the farm and do necessary works remotely. The aim of this study is to enable farmers to do remote farming. Agricultural activities have declined in recent years with the increase in migration from the village to the city. Thus, farmers will be able to make remote farming.

Solar power plants are among the most widely used renewable energy sources today. Varying radiation levels from region to region, and similarly varying consumption depending on the user within a given region, make the optimal sizing of these plants challenging. In this study, a machine learning-based surrogate model for the real-time sizing optimization of solar power plants, trained with a completely original dataset, has been developed. In the first stage, 500 different solar power plant installation scenarios were synthetically generated and evaluated in HOMER, and the obtained optimal sizing outputs were used as training targets for the proposed surrogate model rather than real operational data. The results obtained by applying various machine learning methods to the generated dataset are presented comparatively. Among 7 different machine learning models, XGBoost, Gradient Boosting, and LightGBM demonstrated the best performance. The developed model achieved an average R² score of 0.9425 for a total of 3 targets, while target-specific performance showed R² scores of 0.9747 for inverters, 0.9365 for PV panels, and 0.9165 for batteries. This model serves as a computationally efficient surrogate of the HOMER optimization process, enabling high-accuracy real-time predictions while significantly reducing the computational burden associated with intensive mathematical calculations, iterative procedures, and complex search spaces.

In this study, an optimisation tool that uses the differential evolution algorithm with a special distribution strategy is designed for the first time to be used in the optimisation of hybrid renewable energy systems. The developed tool and the hybrid optimisation model for multiple energy resources (HOMER) optimisation programme were compared. The tool is much faster than the HOMER programme and can produce almost the same results as HOMER. In addition, a heuristic-based optimisation technique was used for the first time to generate extremely comprehensive findings. The capacity shortage parameter, which is not used much in the literature, is used as a reliability parameter. The cost of energy (COE) was used as the cost function. The results are promising for detailed optimisation studies in this area.