Tez No	İndirme	Tez Künye	Durumu
471301		Prediction of carbon nanotube atomic coordinates based on machine learning algorithms / Karbon nanotüp atomik koordinatlarının makine öğrenmesi algoritmaları tabanlı tahmini Yazar:MEHMET ACI Danışman: DOÇ. DR. MUTLU AVCI Yer Bilgisi: Çukurova Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora İngilizce 2016 123 s.
Bu tezde, karbon nanotüplerin atomik koordinatlarını tahmin etmek için yedi adet tahmin modeli (İleri Beslemeli (İBYSA), Fonksiyon Uydurma (FUYSA), Kaskat Bağlantılı (KBYSA) ve Genelleştirilmiş Regresyon Yapay Sinir Ağları (GRYSA) ile Destek Vektör Regresyonu (DVR), Sınıflama ve Regresyon Ağacı (SRA) Çoklu Regresyon Analizi (ÇRA)) geliştirilmiştir. Çalışmanın temel amacı, önerilen modeller ile atomik koordinatların hesaplanma süresini günlerden dakikalara düşürmektir. Elementlerin atomik koordinatları ve kiral vektörleri ile CASTEP yazılımı kullanılarak bir veri kümesi oluşturulmuştur. Ortalama Karesel Hata (OKH), Ortalama Mutlak Hata (OMH), Standart Tahmin Hatası ve Korelasyon Katsayısı ölçütleri ile önerilen modellerin doğrulukları değerlendirilmiştir. Veri kümesi, 10-katlı çapraz doğrulama kullanılarak ve kullanılmadan ayrı ayrı çalışılmıştır. İBYSA, KBYSA ve FUYSA tahmin modelleri OKH ve OMH ölçütleri için çok yüksek başarım göstermişlerdir. Bu modelleri sırasıyla SRA, DVR, GRYSA ve ÇRA izlemektedir. Bu çalışmadan elde edilen sonuçlar iki şekilde kullanılabilir: i) Atomik koordinatlar hiçbir benzetim programı kullanmadan düşük bir hata oranı ile tahmin edilebilir, ii) Tahmin edilen koordinatlar benzetim programlarına başlangıç değeri olarak verilip benzetimin süresi ciddi oranda kısaltılabilir.
In this thesis, seven prediction models (i.e. Feed Forward Neural Network (FFNN), Function Fitting Neural Network (FITNET), Cascade-Forward Neural Network (CFNN), Generalized Regression Neural Network (GRNN), Support Vector Regression (SVR), Classification and Regression Tree (CART) and Multiple Linear Regression (MLR)) have been developed for atomic coordinate prediction of carbon nanotubes. The main aim of this research is to reduce the calculation time for atomic coordinates from days to minutes using developed prediction models. The dataset was created by combining the atomic coordinates of elements and chiral vectors using CASTEP software. The accuracy of the proposed models is evaluated with Mean Square Error (MSE), Mean Absolute Error (MAE), Standard Error of the Estimate and Correlation Coefficient metrics. The dataset is studied separately with and without using 10-fold cross-validation. FFNN, CFNN and FITNET prediction models yielded very high performance by means of MSE and MAE. These models are followed by CART, SVR, GRNN and MLR, respectively. The results obtained from this study can be used in two ways: i) The atomic coordinates can be predicted with a low-error without using a simulation program, ii) The estimated results can be used as an initial value of simulation software for reducing duration of the atomic coordinate simulation seriously.