Li-Fi (Light Fidelity), görünür ışık spektrumunu kullanarak veri iletimini Wi-Fi (Wireless Fidelity) teknolojisine göre daha hızlı gerçekleştiren kablosuz haberleşme teknolojisidir. Li-Fi, Wi-Fi teknolojisindeki yetersiz bant genişliği ve frekans kapasitesi gibi sorunlara önemli oranda çözüm getirmektedir. Li-Fi, radyo dalgaları yerine ışık dalgalarını kullanır. Li-Fi teknolojisinde, LED (Light Emitting Diode)’lerin çok hızlı bir biçimde kapanıp açılması ve üzerine düşen sinyalleri ışığa çevirmesi ile veri iletimi gerçekleştirilir. Li-Fi’nin daha geniş bant genişliği sunmasındaki önemli etkenlerden birisi de Li-Fi içerisinde görünür ışık kaynağı ile ultraviyole ve kızılötesi ışık dalgalarınında kullanılabilmesidir. Bu çalışmada, her iki tarafta Li-Fi devreleri kullanılan bilgisayarlar arasında ışık dalgaları ile kablosuz veri iletişimi gerçekleştirilmiştir. Veri aktarımı için hem XMODEM hem de ZMODEM dosya transfer protokolleri uygulanmıştır. Farklı baud hızlarda ve farklı büyüklüklerde dosya transferleri için XMODEM ve ZMODEM protokolleri kullanılarak performans analizleri yapılmıştır. Çalışma sonucunda alınan sonuçlara göre, Li-Fi uygulaması içerisinde kullanılan ZMODEM protokolünün XMODEM protokolüne göre daha verimli olduğu görülmüştür.

This study proposes a source-study-aware validation framework to estimate the shear capacity of stirrup-free steel-fiber-reinforced concrete corbels and assess the reliability and generalizability of machine-learning models in structural engineering. A database of 108 specimens, compiled from seven independent studies, was analyzed using linear regression, ridge regression, and hyperparameter-optimized XGBoost. The evaluation combined standard specimen-level five-fold cross-validation, predefined source-study holdout evaluation, exhaustive partition-sensitivity analysis, and specimen-level out-of-bag bootstrap uncertainty analysis. In the predefined source-study hold-out evaluation, with hyperparameters selected exclusively from the training portion via an inner group-aware search, the models achieved test R² values of 0.842, 0.866, and 0.912, respectively, with XGBoost providing the highest point estimate of performance. However, an exhaustive sensitivity analysis of source-study partitions, in which hyperparameters were re-selected independently within the training portion of each partition, indicated that this ranking was not maintained: Linear Regression achieved the highest mean and median R² and the narrowest interquartile range, whereas XGBoost exhibited the lowest mean and median R², the widest interquartile range, and the highest incidence of negative R² values and large prediction errors among the three models; this reflects instability introduced by re-tuning under limited, group-diverse training data. The specimen-level out-of-bag bootstrap uncertainty analysis also favored the linear models in terms of mean performance and confidence-interval width. Standardized coefficients and SHAP analyses consistently identified the shear span-to-effective-depth ratio, the longitudinal reinforcement ratio, and the fiber ratio as the dominant predictors. This study provides a transparent and uncertainty-aware framework for determining when predictive performance is transferable across independent experimental studies and when caution is required in engineering applications.

Günümüzde, akademik kurumların iletişim gereksinimlerinin artmasıyla birlikte, Öğrenci Bilgi Sistemlerinin kullanımı vazgeçilmez bir ihtiyaç haline gelmiştir. Bu sistemler, hizmet verdikleri kullanıcı sayısının büyüklüğü nedeniyle büyük ölçekli sistemler arasında yer almakta ve bu durum sistemlerin yönetiminde önemli zorluklara yol açmaktadır. Kullanıcı sayısındaki artış, sistemlerin yükünü artırmakta, aynı zamanda kullanıcıların farklı erişim düzeylerine sahip olmaları, sistem yönetimini daha karmaşık bir hale getirmektedir. Bu bağlamda, büyük ölçekli sistemlerde kullanıcıların sisteme erişim yetkilerinin ve sistem üzerindeki izinlerinin etkin bir şekilde yönetilmesi ve planlanması, kritik bir sorun olarak ortaya çıkmaktadır. Bu sorunun çözümü için literatürde farklı yaklaşımlar kullanılmaktadır. Bu yaklaşımlardan birisi olan Rol Tabanlı Erişim Kontrolü (RBAC) yönteminin bilgi sistemlerine uygulanması ile planlamaların daha esnek ve işlevsel bir biçimde gerçekleşmesi, kullanılan yazılım kodlarının daha yalın ve modüler hale getirilmesi, uygulama bileşenlerinin daha az kod kullanılarak gereksinimlere uygun biçimde geliştirilmesi, kullanıcı arayüzlerinin daha işlevsel, yönetilebilir ve güvenli olması, ayrıca veri tabanı tasarımlarının sadeleştirilmesi sağlanabilmektedir. Bu çalışmada, Öğrenci Bilgi Sistemlerinde RBAC kullanılarak kullanıcı erişim seviyelerinin ve yetkilerinin yönetimine yönelik bir model önerilmektedir.

Architectural assessments of traffic anomaly detectors can be sensitive to data partitioning, random training seeds, and dependence among overlapping windows. We evaluate nine encoder configurations, four fusion operators, and two graph constructions using physics-informed synthetic trajectories generated on an OpenStreetMap-derived road network. Each fold–seed threshold is selected on validation data and applied to its corresponding test set. Trip-level cluster bootstrap and permutation tests account for dependence among windows, while corrected resampled tests approximate the dependence induced by overlapping training sets. On a fixed partition of 14 test trips, no comparison establishes superiority after Holm correction. Across five-fold cross-validation with five seeds, mean F1 scores range from 0.8558 to 0.8839 across fusion operators, with gating and cross-attention producing occasional degenerate runs. Across 500 runs covering repeated grouped partitions and both graph constructions, no pairwise architectural comparison remains significant after correction. With run-specific thresholds, subtype analyses do not support the abnormal-dwell improvement that appears under pooled thresholds. Classical baselines remain competitive, but their apparent advantage in single-seed pooled tests is not corroborated by run-level inference. Overall, the results demonstrate that architectural conclusions are sensitive to threshold selection, the number of training seeds, and the choice of statistical unit of analysis.