Бул изилдөө MATLAB/Simulink чөйрөсүндө түзүлгөн чыңалуу жана ток сигналдарынан үч фазалуу электр бөлүштүрүү системасындагы бузулууларды автоматтык таанып, андан кийин өчүргүчтү башкарууну иштете алган терең үйрөнүү системасын иштеп чыгат. Система нормалдуу иштөө менен бирге AG, BG, CG, AB, BC, CA, ABG, BCG, CAG, ABC жана ABCG болуп, жалпы 12 иштөө/бузулуу абалын айырмалайт. Алты негизги үч фазалуу чыңалуу-ток сигналы өзүнчө колдонулбастан, фаза айырмалары, симметриялык компоненттер, RMS конверттери жана өзгөрүү ылдамдыгы тууралуу маалымат менен байытылып, 30 өзгөчөлүк каналына айландырылат. Бул өзгөчөлүктөр 64 үлгүдөн турган, башкача айтканда 1 кГц үлгү алуу ылдамдыгындагы 64 мс терезелер түрүндө көп масштабдуу терең residual CNNге берилет.

Сунушталган архитектура үч башка убакыт масштабында иштеген 1D конволюция бутактарын, Squeeze-and-Excitation каналдык көңүл буруусун жана дилатацияланган residual блокторду бириктирет. Булакта 1.963 тест терезесинин баары 12 класстуу бузулуу түрүн классификациялоодо туура таанылганы жана %100,00 тест тактыгы алынганы билдирилет. Кеңири алты физикалык бузулуу категориясында болсо 1.963 терезенин үчөө туура эмес классификацияланып, тактык %99,85 деп көрсөтүлгөн. Ошол эле маалыматтарда негизги CNN %61,31, негизги LSTM %56,70 тактык көрсөтсө, сунушталган тармак %100,00 натыйжага жеткен. Бирок бардык үйрөтүү жана тест маалыматтары MATLAB/Simulink симуляцияларынан алынган; чыныгы электр бөлүштүрүү тармагынын өлчөөлөрү менен талаа валидациясы жүргүзүлгөн эмес. Бул nedenle sonuçlar чыныгы elektrik şebekelerinde aynı performansın elde edileceği biçiminde yorumlanmamalıdır.

Изилдөө кандай көйгөйдү чечүүгө аракет кылат?

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

Çalışma бул soruna iki kademeli yaklaşmaktadır. İlk kademe, чыңалуу ve ток dalga biçimlerinden бузулуу türünü derin öğrenmeyle belirlemektedir. İkinci kademe болсо sınıflandırıcının sonucunu өчүргүч башкаруу mantığına bağlayarak бузулган hattın автоматтык изоляцияланган edilmesini ve geçici бузулуу ortadan kalkarsa yeniden enerjilendirilmesini hedeflemektedir.

Çalışmanın başlığındaki “predictive” ifadesi dikkatli yorumlanmalıdır. Sunulan yöntem arızayı oluşmadan мурун tahmin eden бир kestirim modeli эмес. CNN, бузулуу başladıktan кийин oluşan чыңалуу-ток örüntüsünü içeren 64 ms'lik pencereler üzerinden arızayı sınıflandırmaktadır. Dolayısıyla burada gerçekleştirilen негизги işlem бузулуу sonrası hızlı tespit ve sınıflandırmadır.

MATLAB/Simulink бөлүштүрүү системасы кандай түзүлгөн?

Simulink modeli elektrik enerjisinin dağıtım hattındaki fiziksel akış sırasına göre oluşturulan бир dizi негизги bileşenden meydana gelmektedir. Kaynağın Şekil 1’inde бул yapı үч фазалуу булак, трансформатор, pi-kesit линия, programlanabilir үч фазалуу бузулуу bloğu, RLC жүк ve ölçüm noktalarıyla gösterilmektedir.

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

Кайсы бузулуулар классификацияланат?

Çalışmada normal durumla birlikte toplam 12 класс vardır:

• No Fault: Arıza yok
• AG, BG, CG: Tek фаза-жер бузулууларды
• AB, BC, CA: Faz-фаза бузулууларды
• ABG, BCG, CAG: İki фаза-жер бузулууларды
• ABC: Üç fazlı бузулуу
• ABCG: Üç фаза-жер arızası

Aynı sınıflar көбүрөөк üst düzey fiziksel anlamda altı kategori астында 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.

Эмне үчүн чийки чыңалуу жана ток гана колдонулган эмес?

Yazarlar, CNN'in elektrik mühendisliğinde zaten bilinen негизги 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 же Vb−Vc сыяктуу büyüklüklerle фаза asimetrisini görünür hâle getirmektedir. Faz-фаза kısa devrelerinde бул kanalların davranışı arızaya katılan фаза çiftine göre değişmektedir.

Simetrik bileşenler үч фазалуу sistemi pozitif, negatif ve sıfır bileşenlere ayırmaktadır. Özellikle sıfır bileşen жер bağlantılı arızalar, negatif bileşen болсо dengesizlik hakkında fiziksel bilgi sağlamaktadır.

RMS zarfları 16 örneklik kayan pencereyle hesaplanmaktadır. Böylece негизги AC salınımının yerine чыңалуу же ток genliğinin zaman içerisindeki değişimi көбүрөөк görünür hâle gelmektedir.

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

Kaynak burada terminolojik бир matematiksel tutarsızlık içermektedir. Metin “altı чийки kanala beş ek altı-kanallı grup” ifadesini kullanmasına rağmen bunun toplamı 36 болот. Ayrıntılı açıklamada болсо чийки sinyallere ek olarak dört grup — фаза айырмасы, симметриялык компонент, RMS ve gradyan — tanımlanmaktadır. Бул yapı 6 + 24 = 30 kanalla uyumludur.

64 мс терезе эмне үчүн маанилүү?

Ağın girişi 64 zaman örneği × 30 өзгөчөлүк kanalıdır. Örnekleme hızı 1 kHz болгондуктан бир терезе 64 ms'lik сигнал kesitini temsil eder.

Бул kısa терезе, hızlı geçici olayları yakalamak için yeterince küçük tutulurken farklı ölçeklerde çalışan конволюция çekirdekleri sayesinde hem keskin бузулуу başlangıçları hem de көбүрөөк yavaş RMS/genlik değişimleri birlikte analiz жүргүзүлөт.

Көп масштабдуу CNN кандай түзүлгөн?

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

Üç dalın sonuçları birleştirildiğinde 144 өзгөчөлүк каналы oluşmaktadır.

Squeeze-and-Excitation көңүл буруусу эмне кылат?

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

144 → 36 → 144

şeklindeki küçük бир darboğaz ağından geçer. ReLU ve sigmoid etkinleştirmelerinden кийин her канал için бир önem katsayısı elde жасалат.

Böylece модель her бузулуу penceresinde aynı özelliklere eşit ağırlık vermek zorunda эмес. Örneğin жер bağlantılı бир olayda sıfır-sekansla ilişkili özelliklerin ağırlığının artırılması teorik olarak mümkün hâle gelir.

Дилатацияланган residual блоктор эмне үчүн колдонулат?

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

1 → 2 → 4

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

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

Классификация башы бир убакта эки натыйжа чыгарат

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 бир 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 бузулуу türü
• 6 nöron: Arızanın fiziksel kategorisi

Toplam модель boyutu kaynakta 528.182 параметр olarak берилет.

“Өзүн-өзү калыбына келтирүүчү” башкаруу чындыгында кантип иштейт?

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

Arızalı besleyici belirlendikten кийин kesiciye açma komutu gönderilir. Çalışmada tipik өчүргүч açma süresi 30–50 ms olarak kabul жүргүзүлөт. Kesici açıldığında система Isolated durumundadır.

Daha кийин 5 saniyelik ölü убакыт uygulanır. Ardından Reclosing durumuna geçilerek өчүргүч yeniden kapatılır. Yeni izleme penceresinde бузулуу görülmezse Normal durumuna dönülür.

Arıza yeniden görülürse açma-kapama işlemi en fazla üç kez tekrarlanır. Üç başarısız кайра жабуу girişiminden кийин система kilitlenir ve insan müdahalesi istenir.

Бузулууну изоляциялоо убактысы кантип эсептелген?

Бул убакыт бузулуу izolasyonu içindir. Yeniden kapama aynı 120–160 ms aralığında gerçekleşmez; ayrıntılı yöntem açık biçimde 5 saniyelik ölü убакыт tanımlamaktadır.

Түркия үчүн түздөн-түз эмнени айтууга болот?

Çalışmanın dağıtım modeli ve bütün маалымат üretimi симуляция ortamında gerçekleştirilmiş, Hindistan’daki araştırma kurumu tarafından hazırlanmıştır. Türkiye'deki чыныгы dağıtım şebekelerinden ölçülmüş бузулуу verisi kullanılmamıştır. Бул nedenle %100 классификация doğruluğu же 120–160 ms izolasyon hesabı Türkiye şebekeleri için doğrudan performans göstergesi эмес.

Yöntem başka бир şebekeye uygulanacaksa ilgili чыңалуу seviyeleri, линия empedansları, topraklama sistemi, жүк ve dağıtık түзүү koşullarıyla yeni маалымат üretimi же tercihen чыныгы талаа verileri үстүндө yeniden үйрөтүү ve bağımsız валидация gerekir.

Изилдөө эмнени айтат, эмнени айтпайт?

Булак колдогон натыйжалар

• Simulink tabanlı үч фазалуу dağıtım sistemi үстүндө 12 изилдөө/arızalanma sınıfı üretilebilmiştir.
• Fizik tabanlı özelliklerle 30 kanallı CNN girişi oluşturulmuştur.
• Önerilen модель 1.963 тест penceresinin tamamında 12 sınıflı бузулуу türünü doğru sınıflandırmıştır.
• Altı sınıflı бузулуу doğası sınıflandırmasında %99,85 тактык 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 бир sonlu-абал өчүргүч башкаруу mantığıyla birleştirilmiştir.

Булак далилдебеген натыйжалар

• Model чыныгы dağıtım şebekesinden alınmış талаа arızalarıyla doğrulanmamıştır.
• %100 тест doğruluğu чыныгы şebekede %100 тактык anlamına gelmez.
• Yöntem arızayı gerçekleşmeden мурун tahmin ettiğini göstermemektedir.
• Yüksek empedanslı arızaların güvenilir biçimde tanındığı gösterilmemiştir.
• Model чыныгы бир ARM, FPGA же koruma rölesi үстүндө donanımsal талаа testiyle doğrulanmamıştır.
• Kesicinin чыныгы şebekede uçtan uca 120–160 ms ичинде çalıştığını gösteren fiziksel deney sunulmamıştır; бул değer işlem bileşenlerinin kaynakta verilen sürelerinin toplamıdır.
• Yeniden kapama 200 ms içerisinde tamamlanmamaktadır; ayrıntılı башкаруу algoritması yeniden kapamadan мурун 5 saniye beklemektedir.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Маалыматтарды түзүү схемасы

Ham үлгү ve toplam терезе sayısında булак içi uyuşmazlık bulunduğundan бул iki değer tek бир kesin sayı olarak yukarıdaki tabloya konulmamıştır. Ayrıntı Булак жана Ыкма Жөнүндө Эскертүү’nda açıklanmaktadır.

Үйрөтүү жөндөөлөрү

Тесттин натыйжалары

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

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

Жөнөкөй моделдер менен салыштыруу

Kaynağın ablation karşılaştırmasında негизги CNN %61,31, негизги LSTM %56,70 тест doğruluğu elde ederken önerilen модель %100,00'a ulaşmıştır. Yazarlar бул farkı көп масштабдуу kernel yapısı, SE канал dikkati ve дилатацияланган residual blokların birlikte kullanılmasına bağlamaktadır.

Ancak бул салыштыруу, bileşenlerin her birinin etkisini ayrı ayrı kaldıran tam faktöriyel бир ablation tablosu эмес. Kaynak iki basit baseline ile önerilen bütünleşik mimariyi karşılaştırmaktadır. Бул nedenle yalnız бул sonuçlardan SE bloğunun же herhangi tek бир bileşenin tek başına эмне kadar тактык kazandırdığı nicel olarak çıkarılamaz.

Үйрөтүүнүн жүрүшү

Kaynak, валидация doğruluğunun 22. epoch civarında %100 seviyesine ulaştığını ve үйрөтүү/валидация жоготуу eğrilerinin birbirine yakın ilerlediğini bildirmektedir. Tüm үйрөтүү işleminin Core i7 CPU үстүндө yaklaşık 12,5 dakika sürdüğü belirtilmiştir.

Бул gözlem yazarlar tarafından ezberleme görülmediğine işaret olarak yorumlanmıştır. Bununla birlikte yalnız үйрөтүү ve валидация eğrilerinin yakınlığı bağımsız чыныгы-талаа genellemesini kanıtlamaz.

Тест топтомунун көз карандысыздыгына байланыштуу маанилүү методологиялык чектөө

Kaynak, 64 örneklik pencerelerin 8 үлгү stride ile oluşturulduğunu ve көбүрөөк кийин үйрөтүү, валидация ve тест bölünmesi yapıldığını belirtmektedir; бирок bölmenin CSV dosyası же bağımsız Simulink koşusu bazında gruplanıp gruplanmadığını açıklamamaktadır.

64 örneklik pencerelerin yalnız 8 үлгү kaydırılması nedeniyle ardışık pencereler büyük ölçüde örtüşmektedir. Eğer aynı симуляция kaydından gelen örtüşen pencereler farklı маалымат bölümlerine dağıtıldıysa bunlar birbirinden tamamen bağımsız gözlemler olmayabilir. Metin бул ihtimali doğrulayacak же dışlayacak yeterli ayrıntı vermediğinden, %100 тест başarısının өзгөчө bağımsız feeder/талаа genellemesi açısından dikkatli yorumlanması gerekir.

Benzer biçimde, 10 saniyelik бузулуу kayıtlarında бузулуу yalnız 3–7 saniye арасында uygulanmaktadır. Kaynak, бузулуу başlamadan önceki ve temizlendikten sonraki normal bölümlerin терезе etiketlemesinde кантип ele alındığını ayrıntılı olarak açıklamamaktadır. Бул nedenle бул bölgelerin классификация маалымат setindeki etiket mantığı булак üzerinden kesin biçimde doğrulanamamaktadır.

Чыныгы дүйнөгө өтүүдө авторлор көрсөткөн кийинки кадамдар

Çalışmanın натыйжа bölümünde чыныгы feeder ölçümleriyle валидация açık biçimde gelecekteki изилдөө olarak белгиленет. Ayrıca yüksek empedanslı arızalar, PMU маалымат akışları, FPGA tabanlı düşük gecikmeli uygulama, şebekeler arası transfer learning ve yüksek güneş/rüzgâr penetrasyonunda değişen arka plan akımlarının etkisi gelecekte incelenmesi gereken konular арасында sayılmaktadır.

Булак жана Ыкма Жөнүндө Эскертүү

Tam özgün изилдөө 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 бир “corresponding author” işareti же beyanı bulunmamaktadır.

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

Kaynak türü: MATLAB/Simulink tabanlı электр бөлүштүрүү sistemi simülasyonu ve терең үйрөнүү бузулуу классификация çalışması.

Yayın durumu: Yüklenen изилдөө hakem değerlendirmesinden geçmemiş бир SSRN preprintidir. Bulgular бул 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 бир hakemli dergi sürümü tespit edilmemiştir.

Yöntem: MATLAB/Simulink ve Simscape Electrical tabanlı sentetik үч фазалуу dağıtım sistemi бузулуу verisi; fizik tabanlı өзгөчөлүк mühendisliği; Multi-Scale Deep Residual 1D CNN; Squeeze-and-Excitation канал dikkati; дилатацияланган residual katmanlar; çift softmax классификация ve sonlu-абал өзүн-өзү калыбына келтирүүчү өчүргүч башкаруу mantığı.

Verinin niteliği: Eğitim ve тест сигналдарды чыныгы dağıtım feeder ölçümleri эмес, MATLAB/Simulink simülasyonundan oluşturulmuş sentetik verilerdir.

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

Kaynak içi tutarsızlık 2 — терезе sayısı: Eğitim ayrıntıları bölümünde 13.084 терезе yazılırken Sonuçlar bölümünde 13.004 терезе белгиленет. Ayrıca verilen 9.119 үйрөтүү + 2.022 валидация + 1.963 тест sayılarının toplamı 13.104'tür. Böylece kaynakta toplam терезе sayısı için üç farklı sayı бар. Bunlar sessizce tek бир değere dönüştürülmemiştir.

Kaynak içi tutarsızlık 3 — 30 өзгөчөлүк каналы: Metin altı чийки kanaldan “beş ek altı-kanallı grup” üretildiğini ve sonucun 30 канал olduğunu söylemektedir; бул ifade matematiksel olarak 36 канал verir. Ancak ayrıntılı yöntem yalnız dört ek grup — фаза farkları, simetrik bileşenler, RMS zarfları ve gradyanlar — tanımlamaktadır. Altı чийки канал ile dört adet altı-kanallı grubun toplamı 30'dur. Makalede mimarinin açıkça kullandığı giriş şekli 64×30 olarak verildiğinden булак içindeki sözel hata мындан тышкары belirtilmiştir.

Kaynak içi tutarsızlık 4 — 200 ms ve кайра жабуу: Özet, kesicinin açılması, arkın sönmesinin beklenmesi ve автоматтык yeniden kapamanın 200 ms içerisinde gerçekleştiği izlenimini vermektedir. Ayrıntılı башкаруу bölümünde болсо 120–160 ms yalnız бузулуу başlangıcından izolasyona kadar geçen убакыт olarak hesaplanmakta ve yeniden kapamadan мурун açıkça 5 saniyelik ölü убакыт uygulanmaktadır. Бул nedenle “200 ms” değeri кайра жабуу süresi olarak kullanılmamıştır.

Kaynak içi натыйжа ayrıntısı: Şekil 8’de altı kategorili бузулуу doğası karmaşıklık matrisinde 1.963 тест penceresinin üçü SLG’den Three-Phase-G kategorisine yanlış atanmıştır. Бул, kaynakta bildirilen yaklaşık %99,85 doğrulukla uyumludur. Buna karşılık 12 бузулуу türü için Şekil 3’teki matris бардык 1.963 örneğin diyagonal үстүндө olduğunu göstermektedir.

Bağımsız тест sınırı: Kaynak, 64 örneklik ve 8 stride'lı örtüşen pencerelerin үйрөтүү/валидация/тест bölünmesinin dosya же bağımsız симуляция koşusu bazında gruplanıp gruplanmadığını belirtmemektedir. Бул nedenle aynı негизги zaman serisine ait yüksek ölçüde benzer pencerelerin farklı bölümlere düşüp düşmediği булак üzerinden doğrulanamamaktadır.

Etiketleme sınırı: Arıza simülasyonlarında 10 saniyelik kayıt ичинде бузулуу 3–7 saniye арасында aktiftir. Kaynak, бул kayıtların бузулуу öncesi ve sonrası bölümlerinden üretilen pencerelerin etiketleme politikasını ayrıntılı olarak açıklamamaktadır.

Saha doğrulaması: Yazarlar чыныгы feeder ölçümleriyle doğrulamayı gelecekteki изилдөө olarak tanımlamaktadır. Бул nedenle mevcut sonuçlar MATLAB/Simulink ortamındaki sentetik маалымат performansını göstermektedir.

Bilimsel içerik sınırı: Бул Verianla makalesindeki ağ mimarisi, маалымат üretimi, үйрөтүү parametreleri, sonuçlar ve башкаруу mantığı yalnız yüklenen çalışmadan alınmıştır. Dış булак yalnız başlık, yazar listesi, SSRN kayıt tarihi, DOI ve yayın durumunun bibliyografik doğrulaması amacıyla kullanılmıştır.