Bu tədqiqat MATLAB/Simulink mühitində yaradılan gərginlik və cərəyan siqnallarından üçfazalı elektrik paylama sistemindəki nasazlıqları avtomatik tanıya və sonra açar idarəetməsini işə sala bilən dərin öyrənmə sistemi hazırlayır. Sistem normal iş rejimi ilə yanaşı AG, BG, CG, AB, BC, CA, ABG, BCG, CAG, ABC və ABCG olmaqla ümumilikdə 12 iş/nasazlıq vəziyyətini ayırır. Altı əsas üçfazalı gərginlik-cərəyan siqnalı təkbaşına istifadə edilmək əvəzinə fazalararası fərqlər, simmetrik komponentlər, RMS zərfləri və dəyişmə sürəti məlumatı ilə zənginləşdirilərək 30 xüsusiyyət kanalına çevrilir. Bu xüsusiyyətlər 64 nümunəlik, yəni 1 kHz nümunələmə tezliyində 64 ms-lik pəncərələr şəklində çoxmiqyaslı dərin residual CNN-ə verilir.

Təklif olunan arxitektura üç müxtəlif zaman miqyasında işləyən 1D konvolyusiya qollarını, Squeeze-and-Excitation kanal diqqətini və dilatasiya olunmuş residual blokları birləşdirir. Mənbədə 1.963 test pəncərəsinin hamısının 12 sinifli nasazlıq növü təsnifatında düzgün tanındığı və %100,00 test dəqiqliyinin əldə edildiyi bildirilir. Daha geniş altı fiziki nasazlıq kateqoriyasında isə 1.963 pəncərədən üçü səhv təsnif edilmiş və dəqiqlik %99,85 olaraq hesabat verilmişdir. Eyni məlumatlar üzərində əsas CNN %61,31, əsas LSTM isə %56,70 dəqiqlik göstərdiyi halda, təklif olunan şəbəkə %100,00 nəticə əldə etmişdir. Bununla belə, bütün təlim və test məlumatları MATLAB/Simulink simulyasiyalarından əldə edilmişdir; real paylama şəbəkəsi ölçmələri ilə sahə validasiyası aparılmamışdır. Bu nedenle sonuçlar real elektrik şebekelerinde aynı performansın elde edileceği biçiminde yorumlanmamalıdır.

Tədqiqat hansı problemi həll etməyə çalışır?

Geleneksel koruma röleleri kısa devre və ya aşırı cərəyan meydana geldiğinde kesicinin açılmasını sağlayabilir; lakin yalnız büyüklük eşiklerine dayanan koruma yaklaşımı her zaman hansı fazların arızaya katıldığını ayrıntılı biçimde sınıflandırmaz. Akıllı şebekelerde dağıtık güneş üretimi, batarya sistemleri, rüzgâr üretimi ve değişken yüklerin artması da işletme koşullarını daha dinamik hâle getirmektedir.

Çalışma bu soruna iki kademeli yaklaşmaktadır. İlk kademe, gərginlik ve cərəyan dalga biçimlerinden nasazlıq türünü derin öğrenmeyle belirlemektedir. İkinci kademe isə sınıflandırıcının sonucunu açar idarəetmə mantığına bağlayarak nasaz hattın avtomatik təcrid edilmesini ve geçici nasazlıq ortadan kalkarsa yeniden enerjilendirilmesini hedeflemektedir.

Çalışmanın başlığındaki “predictive” ifadesi dikkatli yorumlanmalıdır. Sunulan yöntem arızayı oluşmadan əvvəl tahmin eden bir kestirim modeli deyil. CNN, nasazlıq başladıktan sonra oluşan gərginlik-cərəyan örüntüsünü içeren 64 ms'lik pencereler üzerinden arızayı sınıflandırmaktadır. Dolayısıyla burada gerçekleştirilen əsas işlem nasazlıq sonrası hızlı tespit ve sınıflandırmadır.

MATLAB/Simulink paylama sistemi necə qurulub?

Simulink modeli elektrik enerjisinin dağıtım hattındaki fiziksel akış sırasına göre oluşturulan bir dizi əsas bileşenden meydana gelmektedir. Kaynağın Şekil 1’inde bu yapı üçfazalı mənbə, transformator, pi-kesit xətt, programlanabilir üçfazalı nasazlıq bloğu, RLC yük ve ölçüm noktalarıyla gösterilmektedir.

MATLAB betiği Simulink modelini avtomatik olarak açmakta, ilgili nasazlıq sınıfına ait Three-Phase Fault parametrelerini değiştirmekte, simülasyonu çalıştırmakta, altı gərginlik-cərəyan kanalını almaktadır. Değerler 120 V / 50 A tabanına normalize edilmekte, küçük miktarda rastgele gürültü eklenmekte ve nəticə CSV dosyasına kaydedilmektedir.

Hansı nasazlıqlar təsnif edilir?

Çalışmada normal durumla birlikte toplam 12 sinif vardır:

• No Fault: Arıza yok
• AG, BG, CG: Tek faza-torpaq nasazlıqları
• AB, BC, CA: Faz-faza nasazlıqları
• ABG, BCG, CAG: İki faza-torpaq nasazlıqları
• ABC: Üç fazlı nasazlıq
• ABCG: Üç faza-torpaq arızası

Aynı sınıflar daha üst düzey fiziksel anlamda altı kategori altında da değerlendirilmiştir: No Fault, Single Line-to-Ground (SLG), Line-to-Line (LL), Double Line-to-Ground (DLG), Three-Phase ve Three-Phase-to-Ground.

Nə üçün yalnız xam gərginlik və cərəyandan istifadə edilməyib?

Yazarlar, CNN'in elektrik mühendisliğinde zaten bilinen əsas fiziksel ilişkileri sıfırdan öğrenmesini beklemek yerine güç sistemi teorisinden türetilen özellikleri doğrudan modele vermeyi tercih etmektedir. Başlangıçtaki altı Va, Vb, Vc, Ia, Ib ve Ic kanalı çeşitli dönüşümlerle toplam 30 giriş kanalına genişletilmektedir.

Fazlar arası farklar, örneğin Va−Vb və ya Vb−Vc kimi büyüklüklerle faza asimetrisini görünür hâle getirmektedir. Faz-faza kısa devrelerinde bu kanalların davranışı arızaya katılan faza çiftine göre değişmektedir.

Simetrik bileşenler üçfazalı sistemi pozitif, negatif ve sıfır bileşenlere ayırmaktadır. Özellikle sıfır bileşen torpaq bağlantılı arızalar, negatif bileşen isə dengesizlik hakkında fiziksel bilgi sağlamaktadır.

RMS zarfları 16 örneklik kayan pencereyle hesaplanmaktadır. Böylece əsas AC salınımının yerine gərginlik və ya cərəyan genliğinin zaman içerisindeki değişimi daha görünür hâle gelmektedir.

Gradyan kanalları ardışık örnekler arasındaki değişimi ölçerek arızanın başladığı ve temizlendiği andaki ani geçişleri vurgulamaktadır.

Kaynak burada terminolojik bir matematiksel tutarsızlık içermektedir. Metin “altı xam kanala beş ek altı-kanallı grup” ifadesini kullanmasına rağmen bunun toplamı 36 olur. Ayrıntılı açıklamada isə xam sinyallere ek olarak dört grup — faza fərqi, simmetrik komponent, RMS ve gradyan — tanımlanmaktadır. Bu yapı 6 + 24 = 30 kanalla uyumludur.

64 ms-lik pəncərə nə üçün vacibdir?

Ağın girişi 64 zaman örneği × 30 xüsusiyyət kanalıdır. Örnekleme hızı 1 kHz olduğundan bir pəncərə 64 ms'lik siqnal kesitini temsil eder.

Bu kısa pəncərə, hızlı geçici olayları yakalamak için yeterince küçük tutulurken farklı ölçeklerde çalışan konvolyusiya çekirdekleri sayesinde hem keskin nasazlıq başlangıçları hem de daha yavaş RMS/genlik değişimleri birlikte analiz edilir.

Çoxmiqyaslı CNN necə qurulub?

Modelin ilk kısmında aynı giriş sinyali üç paralel 1D CNN koluna gönderilmektedir. Her kolda iki Conv1D katmanı ve bir skip connection bulunmakta, lakin kullanılan nüvə genişliği farklılaşmaktadır.

Üç dalın sonuçları birleştirildiğinde 144 xüsusiyyət kanalı oluşmaktadır.

Squeeze-and-Excitation diqqəti nə edir?

144 kanal doğrudan bir sonraki katmana gönderilmek yerine Squeeze-and-Excitation (SE) mekanizmasından geçirilir. Global average pooling ile her kanal tek değere indirgenir ve oluşan 144 elemanlı temsil:

144 → 36 → 144

şeklindeki küçük bir darboğaz ağından geçer. ReLU ve sigmoid etkinleştirmelerinden sonra her kanal için bir önem katsayısı elde edilir.

Böylece model her nasazlıq penceresinde aynı özelliklere eşit ağırlık vermek zorunda deyil. Örneğin torpaq bağlantılı bir olayda sıfır-sekansla ilişkili özelliklerin ağırlığının artırılması teorik olarak mümkün hâle gelir.

Dilatasiya olunmuş residual bloklardan nə üçün istifadə edilir?

SE katmanını üç residual blok izlemektedir. Bunların dilasyon oranları sırasıyla:

1 → 2 → 4

olarak verilmiştir. Her blok iki dilatasiya olunmuş Conv1D katmanı kullanır; katman başına 128 filtr, kernel boyutu 3, batch normalization, ReLU ve %10 dropout uygulanır.

İlk residual blokta 144 kanalı 128'e eşlemek için 1×1 projeksiyon mövcuddur. Dilasyon sayesinde parametr sayısını aynı oranda büyütmeden daha geniş zaman bağlamına erişilmektedir.

Təsnifat başlığı eyni vaxtda iki nəticə yaradır

Residual blokların ardından max pooling ve 64 filtreli ek Conv1D katmanı uygulanır. Global average pooling ile global max pooling paralel çalıştırılır ve sonuçları 128 boyutlu bir temsilde birleştirilir.

Bunu 256 ve 128 nöronlu iki dense katman izler. Dropout oranları sırasıyla %30 ve %20'dir. Ağın sonunda iki ayrı softmax çıkışı vardır:

• 12 nöron: Tam nasazlıq türü
• 6 nöron: Arızanın fiziksel kategorisi

Toplam model boyutu kaynakta 528.182 parametr olarak verilir.

“Özünübərpa edən” idarəetmə əslində necə işləyir?

Kaynağın denetleyicisi beş durumlu sonlu-vəziyyət mantığına dayanmaktadır. Normal işletmede her yeni 64 örneklik pəncərə CNN'e gönderilir. En yüksek tahmin bir arızaya işaret ediyor ve güven düzeyi %75'i aşıyorsa sistem Faulty durumuna geçer.

Arızalı besleyici belirlendikten sonra kesiciye açma komutu gönderilir. Çalışmada tipik açar açma süresi 30–50 ms olarak kabul edilir. Kesici açıldığında sistem Isolated durumundadır.

Daha sonra 5 saniyelik ölü müddət uygulanır. Ardından Reclosing durumuna geçilerek açar yeniden kapatılır. Yeni izleme penceresinde nasazlıq görülmezse Normal durumuna dönülür.

Arıza yeniden görülürse açma-kapama işlemi en fazla üç kez tekrarlanır. Üç başarısız yenidən qoşma girişiminden sonra sistem kilitlenir ve insan müdahalesi istenir.

Nasazlığın təcrid olunma müddəti necə hesablanıb?

Bu müddət nasazlıq izolasyonu içindir. Yeniden kapama aynı 120–160 ms aralığında gerçekleşmez; ayrıntılı yöntem açık biçimde 5 saniyelik ölü müddət tanımlamaktadır.

Türkiyə baxımından birbaşa nə demək olar?

Çalışmanın dağıtım modeli ve bütün məlumat üretimi simulyasiya ortamında gerçekleştirilmiş, Hindistan’daki araştırma kurumu tarafından hazırlanmıştır. Türkiye'deki real dağıtım şebekelerinden ölçülmüş nasazlıq verisi kullanılmamıştır. Bu nedenle %100 təsnifat doğruluğu və ya 120–160 ms izolasyon hesabı Türkiye şebekeleri için doğrudan performans göstergesi deyil.

Yöntem başka bir şebekeye uygulanacaksa ilgili gərginlik seviyeleri, xətt empedansları, topraklama sistemi, yük ve dağıtık yaradılma koşullarıyla yeni məlumat üretimi və ya tercihen real sahə verileri üzərində yeniden təlim ve bağımsız validasiya gerekir.

Tədqiqat nə deyir, nə demir?

Mənbənin dəstəklədiyi nəticələr

• Simulink tabanlı üçfazalı dağıtım sistemi üzərində 12 tədqiqat/arızalanma sınıfı üretilebilmiştir.
• Fizik tabanlı özelliklerle 30 kanallı CNN girişi oluşturulmuştur.
• Önerilen model 1.963 test penceresinin tamamında 12 sınıflı nasazlıq türünü doğru sınıflandırmıştır.
• Altı sınıflı nasazlıq doğası sınıflandırmasında %99,85 dəqiqlik raporlanmıştır.
• Temel CNN ve LSTM modelleri aynı deneyde önerilen mimarinin oldukça gerisinde kalmıştır.
• Modelin CPU üzerindeki çıkarım süresi kaynakta 15–25 ms olarak verilmiştir.
• Sınıflandırıcı bir sonlu-vəziyyət açar idarəetmə mantığıyla birleştirilmiştir.

Mənbənin sübut etmədiyi nəticələr

• Model real dağıtım şebekesinden alınmış sahə arızalarıyla doğrulanmamıştır.
• %100 test doğruluğu real şebekede %100 dəqiqlik anlamına gelmez.
• Yöntem arızayı gerçekleşmeden əvvəl tahmin ettiğini göstermemektedir.
• Yüksek empedanslı arızaların güvenilir biçimde tanındığı gösterilmemiştir.
• Model real bir ARM, FPGA və ya koruma rölesi üzərində donanımsal sahə testiyle doğrulanmamıştır.
• Kesicinin real şebekede uçtan uca 120–160 ms içində çalıştığını gösteren fiziksel deney sunulmamıştır; bu değer işlem bileşenlerinin kaynakta verilen sürelerinin toplamıdır.
• Yeniden kapama 200 ms içerisinde tamamlanmamaktadır; ayrıntılı idarəetmə algoritması yeniden kapamadan əvvəl 5 saniye beklemektedir.

Tədqiqatın Metodu və Nəticələri

Məlumatların yaradılması sxemi

Ham nümunə ve toplam pəncərə sayısında mənbə içi uyuşmazlık bulunduğundan bu iki değer tek bir kesin sayı olarak yukarıdaki tabloya konulmamıştır. Ayrıntı Mənbə və Metod Qeydi’nda açıklanmaktadır.

Təlim parametrləri

Test nəticələri

Şekil 3’te verilen 12×12 karmaşıklık matrisi tamamen diyagonal görünmektedir. Kaynak bunu 1.963 test penceresinin tamamının doğru sınıflandırılması olarak açıklamaktadır:

Sayfa 6’daki Şekil 8 daha ayrıntılı incelendiğinde altı kategorili sınıflandırmadaki üç hatanın SLG sınıfından Three-Phase-G sınıfına gerçekleştiği görünür. Matriste 458 SLG örneği doğru sınıflandırılmış, üç nümunə yanlış kategoriye atanmıştır. Diğer gösterilen kategoriler matriste diyagonal üzerindedir.

Sadə modellərlə müqayisə

Kaynağın ablation karşılaştırmasında əsas CNN %61,31, əsas LSTM %56,70 test doğruluğu elde ederken önerilen model %100,00'a ulaşmıştır. Yazarlar bu farkı çoxmiqyaslı kernel yapısı, SE kanal dikkati ve dilatasiya olunmuş residual blokların birlikte kullanılmasına bağlamaktadır.

Ancak bu müqayisə, bileşenlerin her birinin etkisini ayrı ayrı kaldıran tam faktöriyel bir ablation tablosu deyil. Kaynak iki basit baseline ile önerilen bütünleşik mimariyi karşılaştırmaktadır. Bu nedenle yalnız bu sonuçlardan SE bloğunun və ya herhangi tek bir bileşenin tek başına nə kadar dəqiqlik kazandırdığı nicel olarak çıkarılamaz.

Təlim davranışı

Kaynak, validasiya doğruluğunun 22. epoch civarında %100 seviyesine ulaştığını ve təlim/validasiya itki eğrilerinin birbirine yakın ilerlediğini bildirmektedir. Tüm təlim işleminin Core i7 CPU üzərində yaklaşık 12,5 dakika sürdüğü belirtilmiştir.

Bu gözlem yazarlar tarafından ezberleme görülmediğine işaret olarak yorumlanmıştır. Bununla birlikte yalnız təlim ve validasiya eğrilerinin yakınlığı bağımsız real-sahə genellemesini kanıtlamaz.

Test toplusunun müstəqilliyi ilə bağlı mühüm metodoloji məhdudiyyət

Kaynak, 64 örneklik pencerelerin 8 nümunə stride ile oluşturulduğunu ve daha sonra təlim, validasiya ve test bölünmesi yapıldığını belirtmektedir; lakin bölmenin CSV dosyası və ya bağımsız Simulink koşusu bazında gruplanıp gruplanmadığını açıklamamaktadır.

64 örneklik pencerelerin yalnız 8 nümunə kaydırılması nedeniyle ardışık pencereler büyük ölçüde örtüşmektedir. Eğer aynı simulyasiya kaydından gelen örtüşen pencereler farklı məlumat bölümlerine dağıtıldıysa bunlar birbirinden tamamen bağımsız gözlemler olmayabilir. Metin bu ihtimali doğrulayacak və ya dışlayacak yeterli ayrıntı vermediğinden, %100 test başarısının xüsusilə bağımsız feeder/sahə genellemesi açısından dikkatli yorumlanması gerekir.

Benzer biçimde, 10 saniyelik nasazlıq kayıtlarında nasazlıq yalnız 3–7 saniye arasında uygulanmaktadır. Kaynak, nasazlıq başlamadan önceki ve temizlendikten sonraki normal bölümlerin pəncərə etiketlemesinde necə ele alındığını ayrıntılı olarak açıklamamaktadır. Bu nedenle bu bölgelerin təsnifat məlumat setindeki etiket mantığı mənbə üzerinden kesin biçimde doğrulanamamaktadır.

Real dünyaya keçiddə müəlliflərin göstərdiyi növbəti addımlar

Çalışmanın nəticə bölümünde real feeder ölçümleriyle validasiya açık biçimde gelecekteki tədqiqat olarak qeyd olunur. Ayrıca yüksek empedanslı arızalar, PMU məlumat akışları, FPGA tabanlı düşük gecikmeli uygulama, şebekeler arası transfer learning ve yüksek güneş/rüzgâr penetrasyonunda değişen arka plan akımlarının etkisi gelecekte incelenmesi gereken konular arasında sayılmaktadır.

Mənbə və Metod Qeydi

Tam özgün tədqiqat adı: Deep Learning Based Predictive Fault Detection and Self-Healing Control Strategy for Smart Power Grids Using MATLAB Simulation

Yazarlar ve özgün sıralama: Khaire Ashwini; Mali Saurabh; Jadhav Siddharth; Malgavi Rohit; Pawar Harish.

Kurum: Department of Electrical Engineering, K. K. Wagh Institute of Engineering, Education and Research, Nashik, Maharashtra, India.

Sorumlu yazar: PDF’de ayrı bir “corresponding author” işareti və ya beyanı bulunmamaktadır.

Eş birinci/eş katkı: Yüklenen sürümde eş katkı beyanı bulunmamaktadır.

Kaynak türü: MATLAB/Simulink tabanlı elektrik paylama sistemi simülasyonu ve dərin öyrənmə nasazlıq təsnifat çalışması.

Yayın durumu: Yüklenen tədqiqat hakem değerlendirmesinden geçmemiş bir SSRN preprintidir. Bulgular bu yayın aşaması dikkate alınarak değerlendirilmelidir.

Platform: SSRN.

SSRN kayıt numarası: 7101863.

DOI: 10.2139/ssrn.7101863.

SSRN yayımlanma tarihi: 11 Temmuz 2026.

Hakemli sürüm: Bibliyografik doğrulamada aynı çalışmaya ait doğrulanmış ayrı bir hakemli dergi sürümü tespit edilmemiştir.

Yöntem: MATLAB/Simulink ve Simscape Electrical tabanlı sentetik üçfazalı dağıtım sistemi nasazlıq verisi; fizik tabanlı xüsusiyyət mühendisliği; Multi-Scale Deep Residual 1D CNN; Squeeze-and-Excitation kanal dikkati; dilatasiya olunmuş residual katmanlar; çift softmax təsnifat ve sonlu-vəziyyət özünübərpa edən açar idarəetmə mantığı.

Verinin niteliği: Eğitim ve test siqnalları real dağıtım feeder ölçümleri deyil, MATLAB/Simulink simülasyonundan oluşturulmuş sentetik verilerdir.

Kaynak içi tutarsızlık 1 — xam nümunə sayısı: MATLAB/Simulink modeli bölümünde 60 CSV’nin toplam 108.255 zaman alanı örneği içerdiği yazılırken Sonuçlar bölümünde aynı məlumat için 108.316 xam nümunə bildirilmektedir. Kaynak bu 61 örneklik farkı açıklamamaktadır.

Kaynak içi tutarsızlık 2 — pəncərə sayısı: Eğitim ayrıntıları bölümünde 13.084 pəncərə yazılırken Sonuçlar bölümünde 13.004 pəncərə qeyd olunur. Ayrıca verilen 9.119 təlim + 2.022 validasiya + 1.963 test sayılarının toplamı 13.104'tür. Böylece kaynakta toplam pəncərə sayısı için üç farklı sayı mövcuddur. Bunlar sessizce tek bir değere dönüştürülmemiştir.

Kaynak içi tutarsızlık 3 — 30 xüsusiyyət kanalı: Metin altı xam kanaldan “beş ek altı-kanallı grup” üretildiğini ve sonucun 30 kanal olduğunu söylemektedir; bu ifade matematiksel olarak 36 kanal verir. Ancak ayrıntılı yöntem yalnız dört ek grup — faza farkları, simetrik bileşenler, RMS zarfları ve gradyanlar — tanımlamaktadır. Altı xam kanal ile dört adet altı-kanallı grubun toplamı 30'dur. Makalede mimarinin açıkça kullandığı giriş şekli 64×30 olarak verildiğinden mənbə içindeki sözel hata həmçinin belirtilmiştir.

Kaynak içi tutarsızlık 4 — 200 ms ve yenidən qoşma: Özet, kesicinin açılması, arkın sönmesinin beklenmesi ve avtomatik yeniden kapamanın 200 ms içerisinde gerçekleştiği izlenimini vermektedir. Ayrıntılı idarəetmə bölümünde isə 120–160 ms yalnız nasazlıq başlangıcından izolasyona kadar geçen müddət olarak hesaplanmakta ve yeniden kapamadan əvvəl açıkça 5 saniyelik ölü müddət uygulanmaktadır. Bu nedenle “200 ms” değeri yenidən qoşma süresi olarak kullanılmamıştır.

Kaynak içi nəticə ayrıntısı: Şekil 8’de altı kategorili nasazlıq doğası karmaşıklık matrisinde 1.963 test penceresinin üçü SLG’den Three-Phase-G kategorisine yanlış atanmıştır. Bu, kaynakta bildirilen yaklaşık %99,85 doğrulukla uyumludur. Buna karşılık 12 nasazlıq türü için Şekil 3’teki matris bütün 1.963 örneğin diyagonal üzərində olduğunu göstermektedir.

Bağımsız test sınırı: Kaynak, 64 örneklik ve 8 stride'lı örtüşen pencerelerin təlim/validasiya/test bölünmesinin dosya və ya bağımsız simulyasiya koşusu bazında gruplanıp gruplanmadığını belirtmemektedir. Bu nedenle aynı əsas zaman serisine ait yüksek ölçüde benzer pencerelerin farklı bölümlere düşüp düşmediği mənbə üzerinden doğrulanamamaktadır.

Etiketleme sınırı: Arıza simülasyonlarında 10 saniyelik kayıt içində nasazlıq 3–7 saniye arasında aktiftir. Kaynak, bu kayıtların nasazlıq öncesi ve sonrası bölümlerinden üretilen pencerelerin etiketleme politikasını ayrıntılı olarak açıklamamaktadır.

Saha doğrulaması: Yazarlar real feeder ölçümleriyle doğrulamayı gelecekteki tədqiqat olarak tanımlamaktadır. Bu nedenle mevcut sonuçlar MATLAB/Simulink ortamındaki sentetik məlumat performansını göstermektedir.

Bilimsel içerik sınırı: Bu Verianla makalesindeki ağ mimarisi, məlumat üretimi, təlim parametreleri, sonuçlar ve idarəetmə mantığı yalnız yüklenen çalışmadan alınmıştır. Dış mənbə yalnız başlık, yazar listesi, SSRN kayıt tarihi, DOI ve yayın durumunun bibliyografik doğrulaması amacıyla kullanılmıştır.