XRD’de X-ışını kırınım verilerinin yapay zekâ yöntemleri ile analizi
Yükleniyor...
Tarih
2024-10-14
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Batman Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tezde, X-Işını Kırınımı (XRD) verilerinin yapay sinir ağları (ANN) ve k-En Yakın Komşu (kNN) algoritmaları kullanılarak analiz edilmesi incelenmiştir. XRD, kristal yapılarının belirlenmesinde yaygın olarak kullanılan güçlü bir teknik olmasına rağmen, karmaşık ve doğrusal olmayan verilerin analizi geleneksel yöntemlerle sınırlı kalmaktadır. Bu çalışmada, XRD verilerinin analizine yapay zeka temelli makine öğrenimi tekniklerinin entegre edilmesiyle, bu sınırlamaların aşılması hedeflenmiştir. Tez kapsamında, Erzurum ve çevresinden alınan volkanosedimanter kayaç örneklerinden elde edilen XRD verileri üzerinde ANN ve kNN algoritmaları uygulanmıştır. ANN, malzeme özelliklerini yüksek doğrulukla tahmin edebilmiş ve kristal yapılar arasındaki karmaşık ilişkileri etkili bir şekilde modellemiştir. KNN algoritması ise, XRD verilerinde faz ve kristal yapıların sınıflandırılmasında başarıyla kullanılmıştır. Farklı K değerleri ile yapılan deneyler, küçük K değerlerinin yerel yapılara daha duyarlı olduğunu, büyük K değerlerinin ise daha genelleştirilebilir tahminler sunduğunu ortaya koymuştur. Ayrıca, model performansını değerlendirmek için gelişmiş çapraz doğrulama teknikleri kullanılmıştır. Bu teknikler, aşırı öğrenme riskini azaltarak, modelin genelleme yeteneğini artırmıştır. Çalışmada kullanılan ANN ve kNN modelleri, faz değişimlerinin tespitinde ve kristal yapıların sınıflandırılmasında önemli başarılar elde etmiştir. Bu tez, XRD verilerinin analizinde yapay zeka temelli yöntemlerin uygulanabilirliğini göstermiş ve bu alandaki bilimsel araştırmaların daha derinlemesine ve doğru sonuçlara ulaşmasına katkı sağlamıştır.
This thesis investigates the analysis of X-Ray Diffraction (XRD) data using artificial neural networks (ANN) and k-Nearest Neighbors (kNN) algorithms. While XRD is widely used to determine crystal structures, analyzing complex and nonlinear data remains a challenge with traditional methods. In this study, machine learning techniques based on artificial intelligence are integrated into the analysis of XRD data to overcome these limitations. XRD data obtained from volcanosedimentary rock samples collected from the Erzurum region were analyzed using ANN and kNN algorithms. ANN demonstrated high accuracy in predicting material properties and effectively modeled complex relationships between crystal structures. The kNN algorithm, on the other hand, was successfully employed in classifying phases and crystal structures within the XRD data. Experiments with different K values revealed that smaller K values were more sensitive to local structures, while larger K values provided more generalizable predictions. Advanced cross-validation techniques were used to evaluate model performance, reducing the risk of overfitting and improving the generalization capability of the models. The ANN and kNN models applied in this study achieved significant success in detecting phase transitions and classifying crystal structures. This thesis demonstrates the applicability of artificial intelligence-based methods in the analysis of XRD data and contributes to more in-depth and accurate outcomes in scientific research within this field.
This thesis investigates the analysis of X-Ray Diffraction (XRD) data using artificial neural networks (ANN) and k-Nearest Neighbors (kNN) algorithms. While XRD is widely used to determine crystal structures, analyzing complex and nonlinear data remains a challenge with traditional methods. In this study, machine learning techniques based on artificial intelligence are integrated into the analysis of XRD data to overcome these limitations. XRD data obtained from volcanosedimentary rock samples collected from the Erzurum region were analyzed using ANN and kNN algorithms. ANN demonstrated high accuracy in predicting material properties and effectively modeled complex relationships between crystal structures. The kNN algorithm, on the other hand, was successfully employed in classifying phases and crystal structures within the XRD data. Experiments with different K values revealed that smaller K values were more sensitive to local structures, while larger K values provided more generalizable predictions. Advanced cross-validation techniques were used to evaluate model performance, reducing the risk of overfitting and improving the generalization capability of the models. The ANN and kNN models applied in this study achieved significant success in detecting phase transitions and classifying crystal structures. This thesis demonstrates the applicability of artificial intelligence-based methods in the analysis of XRD data and contributes to more in-depth and accurate outcomes in scientific research within this field.
Açıklama
Anahtar Kelimeler
Yapay Sinir Ağları, k-En Yakın Komşu, X-Işını Kırınımı, Makine Öğrenmesi, Çapraz Doğrulama, Kristal Yapı Analizi, Artificial Neural Networks, k-Nearest Neighbors, X-Ray Diffraction, Machine Learning, Cross-Validation, Crystal Structure Analysis
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Kalkan, A., Ö. (2024). XRD’de X-ışını kırınım verilerinin yapay zekâ yöntemleri ile analizi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman.
