The accurate identification of rock types is crucial for understanding geological structures and planning mining activities. Therefore, the precise labeling of rock types is a fundamental requirement for researchers and industry experts in these fields. This study aims to identify rock types by segmenting thin-section rock images using advanced deep learning models. Commonly used models such as DeepLabv3+, SegFormer, ConvNext, and Mask2Former were evaluated to compare the performance of different segmentation models. Additionally, an improved version of Mask2Former was analyzed to enhance its performance. Post-segmentation enhancements with SLIC super pixel and morphological operations further improved boundary delineation. An improved version of Mask2Former achieved a validation accuracy of 91.26% and a mean Intersection over Union (mIoU) of 82.59%, representing an improvement of more than 5% over the base Mask2Former. Another significant aspect of the study is the detailed analysis of other models using the relevant dataset. The Quartz Feldspar Plagioclase (QAP) diagram was utilized for mineral identification, achieving a mineral recognition accuracy of 85.7%. These results indicate the robustness of the proposed approach, which exceeds the accuracy and mIoU of comparable methods reported in the literature. This study significantly enhances the effectiveness of image processing techniques for rock type identification. Furthermore, the detailed comparison of different models provides valuable guidance for researchers in selecting the most suitable model.

Demiryollarında ray güvenliği tren kazalarının önlenmesi için oldukça önemlidir. Ray çevresinde ve üzerinde bulunan nesneler tren için tehlike arz etmektedir. Dolayısıyla demiryoluna izinsiz girişlerin tespit edilerek trenlerin güvenli çalışması akıllı ulaşım sistemleri için oldukça önemlidir. Bu çalışmada raylı sistemlerde ray çevresinin anlamlandırılması amacıyla görüntü bölütleme tabanlı yaklaşımlar karşılaştırılmış ve ray çevresindeki nesnelerin tespiti sağlanmıştır. Görüntü bölütleme tabanlı ray ve çevresinin anlamlandırılması için UNet, BiSeNetV2, DeepLabV3 ve PP-LiteSeg modelleri karşılaştırmalı olarak analiz edilmiştir. Ayrıca ray çevresindeki nesnelerin tespitinde YOLOv7 uygulanmıştır. Böylece, modellerin gerçek dünya senaryolarında ne kadar başarılı olduğu değerlendirilmiştir. Deneyler sonucunda, hafif yapısıyla dikkat çeken PP-LiteSeg modelinin yüksek segmentasyon performansı gösterdiği tespit edilmiştir. Eğitim aşamasının nesne tespitinde önemli olduğu görülmüş ve PP-LiteSeg'in Jetson Nano gibi tek devre kartlarda başarılı bir şekilde uygulanabildiği sonucuna ulaşılmıştır. Çalışmadaki bir diğer model YOLOv7, TensorRT kütüphanesi kullanılarak paralel çalışacak şekilde optimize edilmiş ve hafıza alanlarının bağımsız olarak kullanılabilmesi için özel bir kontrol mekanizması geliştirilmiştir. Elde edilen sonuçlara göre, PP-LiteSeg modelinin diğer modellere göre daha yüksek doğruluk ve mIoU değerleri elde ettiği görülmüştür. Yapılan çalışma raylı sistemlerde hızlı ve doğru nesne tespiti için segmentasyon modellerinin seçimine yönelik önemli sonuçlar içermektedir. Çalışma PP-LiteSeg modelinin kullanımıyla birlikte sınırlı kaynağa sahip ortamlarda bile yüksek kalitede nesne tespiti yapılabileceğini kanıtlamıştır.

This work investigates approaches to enhance the thermal performance of U-tube heat exchangers by coupling them with phase change materials (PCMs) enhanced with Al2O3 nanoparticles. The focus is on investigating how nanoparticle addition and wavy tube configurations influence the melting behavior. A numerical finite element model was validated against a reference study, confirming its accuracy. The incorporation of Al2O3 nanoparticles (0%, 1%, and 2%) led to a substantial improvement, reducing melting times by up to 80%. Notably, the wavy tube system with 2% nanoparticle-enhanced PCM demonstrated superior performance. To circumvent the significant computational expense associated with finite element analysis, an Adaptive Network-Based Fuzzy Inference System (ANFIS) was employed as a surrogate model. With a high prediction accuracy (R² > 0.997) for melting dynamics, the ANFIS model was then employed for a detailed optimization analysis. The optimization identified an ideal nanoparticle concentration of 3.50%, which minimizes the melting time to 263.63 seconds under wavy tube conditions. The findings underscore the potential of a hybrid FEA-ANFIS methodology, suggesting that a synergistic combination of nanotechnology, advanced geometries, and artificial intelligence offers an effective approach to improving the design and operational efficiency of thermal energy storage units.