Akademik araştırmalar, anlaşılır dil

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

18 Kasım 2026, Çarşamba
VERİANLA Bağımsız bilim yayıncılığı
Menüyü aç veya kapat
...
Home / Beşerî Bilimler / Mimarlık / Parçacık Sürü Optimizasyonu ile Sezgisel Bulanık Sinir Ağı Kullanılarak Sentetik Sıcaklık Tahmini
Mimarlık

Parçacık Sürü Optimizasyonu ile Sezgisel Bulanık Sinir Ağı Kullanılarak Sentetik Sıcaklık Tahmini

Bu çalışma, belirsizlik bilgisini üyelik ve üye-olmama dereceleriyle temsil eden sezgisel bulanık yaklaşımı, doğrusal olmayan ilişkileri öğrenen bir sinir ağıyla ve ağ parametrelerini Parçacık Sürü Optimizasyonu (Particle Swarm Optimization, PSO) ile arayan bir optimizasyon yöntemiyle birleştiriyor.

17/11/2026  Veri Anla  108 görüntüleme
Parçacık Sürü Optimizasyonu ile Sezgisel Bulanık Sinir Ağı Kullanılarak Sentetik Sıcaklık Tahmini

Bu çalışma, belirsizlik bilgisini üyelik ve üye-olmama dereceleriyle temsil eden sezgisel bulanık yaklaşımı, doğrusal olmayan ilişkileri öğrenen bir sinir ağıyla ve ağ parametrelerini Parçacık Sürü Optimizasyonu (Particle Swarm Optimization, PSO) ile arayan bir optimizasyon yöntemiyle birleştiriyor. Önerilen IFNN–PSO, sentetik HVAC değişkenlerinden istenen iç ortam sıcaklığını tahmin etmek için oluşturulmuş bir proof-of-concept modelidir. Sayısal deneylerde kullanılan belgelenmiş ağ 5 normalize edilmiş giriş, 15 gizli nöron ve üyelik/üye-olmama bilgisini temsil eden 2 çıkıştan oluşur; toplam 122 ağırlık ve bias parametresi PSO tarafından optimize edilir.

Veri gerçek bir binadan ölçülmemiştir. Toplam 1000 sentetik örnek üretilmiş; 700 örnek yalnız model geliştirme, beş katlı çapraz doğrulama, mimari seçimi ve PSO ayarları için kullanılmış; kalan 300 örneklik korumalı test kümesi bütün seçim işlemleri tamamlandıktan sonra yalnız bir son değerlendirme için kullanılmıştır. Korumalı test kümesinde IFNN–PSO için MSE 0.0853, RMSE 0.2920, MAE 0.2314 ve R² 0.8784 raporlanmıştır.

IFNN–PSO, karşılaştırılan modeller arasında MSE, RMSE ve MAE bakımından en düşük hata değerlerini üretmiştir. Bununla birlikte R² açısından en yüksek model değildir: kaynak Tablo 14’te Transformer için 0.8826, LSTM için 0.8813 ve XGBoost için 0.8796 raporlanırken IFNN–PSO 0.8784 düzeyindedir. Dolayısıyla çalışma “bütün metriklerde en iyi model” sonucunu desteklemez; sentetik veri üzerinde hata büyüklükleri açısından en iyi, açıklanan varyans açısından ise rekabetçi bir sonuç destekler.

Çalışmada ayrıca IFNN–PSO için 38.19, ANN için 44.21 ve doğrusal regresyon için 46.35 değerinde “birimsiz sıcaklık sapması vekili” karşılaştırması yapılmıştır. IFNN–PSO’nun bu tanımlanmış vekil skorunda ANN’ye göre %13.61, doğrusal regresyona göre %17.60 daha düşük değer vermesi enerji tasarrufu değildir. Çalışma gerçek HVAC elektrik gücü, termal enerji, kompresör gücü, COP, hava debisi, aktüatör dinamiği veya bina enerji tüketimi ölçmemiştir.

Türkiye açısından sonuçlar doğrudan bir Türk binasına veya yerel HVAC sistemine uygulanmış değildir. Türkiye’deki gerçek binalar için kullanım düşünülürse modelin bağımsız gerçek ölçüm verileri, yerel iklim koşulları, bina termal dinamiği, HVAC ekipmanı, kontrol sistemi, doluluk örüntüleri ve ölçülmüş enerji tüketimi üzerinde yeniden eğitilmesi ve doğrulanması gerekir. Bu yapılmadan çalışma Türkiye’de enerji tasarrufu, konfor artışı veya gerçek zamanlı kontrol başarısı kanıtı olarak yorumlanamaz.

Çalışmanın temel problemi

HVAC sistemlerinde iç ortam sıcaklığı; dış ortam sıcaklığı, mevcut iç ortam sıcaklığı, bağıl nem, doluluk ve günün saati gibi birden fazla değişkenle ilişkili olabilir. Bu değişkenler arasındaki ilişki doğrusal olmayabilir ve sensör verileri ya da kullanıcı tercihleri belirsizlik içerebilir. Çalışmanın yaklaşımı, bu problemi üç farklı hesaplama fikrini birleştirerek ele almaktır: sezgisel bulanık gösterim belirsizliği temsil eder, sinir ağı doğrusal olmayan ilişkiyi yaklaşıklar ve PSO ağın ağırlık/bias parametrelerini hata fonksiyonunu küçültecek biçimde arar.

Sezgisel bulanık sinir ağı normal bir bulanık ağdan neyi farklı temsil eder?

Sezgisel bulanık yaklaşım yalnız bir değerin bir kümeye ne kadar ait olduğunu değil, aynı zamanda ne kadar ait olmadığını ve geriye kalan tereddüt miktarını da ayrı büyüklükler olarak temsil eder; böylece üyelik, üye-olmama ve tereddüt üçlüsüyle belirsizliğin daha ayrıntılı bir gösterimi amaçlanır.

Bulanık küme: Denklem (1)

\[ A=\{\langle x,\mu_A(x)\rangle\mid x\in X\} \]

\(X\) söylem evrenini, \(x\) bir elemanı ve \(\mu_A(x)\in[0,1]\) üyelik derecesini gösterir. \(\mu_A(x)=1\), elemanın kümeye tam üyeliğini; 0 ise üyelik olmadığını temsil eder. Aradaki değerler kısmi üyeliği ifade eder.

Bulanık kural: Denklem (2)

\[ \text{EĞER }x\text{ A ise ve }y\text{ B ise, O HALDE }z\text{ C'dir.} \]

Buradaki A, B ve C bulanık kümelerdir. Kaynak, AND/OR gibi işlemlerin t-norm ve t-conormlarla; örneğin minimum, maksimum veya cebirsel çarpımla uygulanabileceğini belirtir. Bulanık çıktı gerektiğinde defuzzification ile tek bir sayısal değere dönüştürülebilir.

Sezgisel bulanık küme: Denklem (3)

\[ A=\{\langle x,\mu_A(x),\nu_A(x)\rangle\mid x\in X\} \] \[ \pi_A(x)=1-\mu_A(x)-\nu_A(x) \] \[ \mu_A(x)+\nu_A(x)\leq1 \]

\(\mu_A(x)\) üyelik derecesi (Membership Degree, MD), \(\nu_A(x)\) üye-olmama derecesi (Non-Membership Degree, NMD), \(\pi_A(x)\) ise tereddüt derecesidir. Üç büyüklük boyutsuzdur ve 0–1 aralığında yorumlanır. Üyelik ve üye-olmama toplamı 1’den küçük olduğunda kalan bölüm açıkça “tereddüt” olarak tutulur.

Sentetik veri nasıl oluşturuldu?

DeğişkenSembolDağılımKaynakta verilen aralık
İç ortam sıcaklığıTinDüzgün18–30 °C
Dış ortam sıcaklığıToutDüzgün10–40 °C
Bağıl nemHDüzgün%30–90
DolulukOKesikli düzgün0–100 kişi
Günün saatitDüzgün0–24 saat

Toplam 1000 sentetik örnek üretilmiştir. Hedef değer, kaynakta seçilmiş özelliklerin ağırlıklı toplamına Gauss gürültüsü eklenerek tanımlanır:

\[ y_i=\sum_{j=1}^{d}w_jx_{i,j}+\varepsilon_i, \qquad \varepsilon_i\sim\mathcal{N}(0,\sigma^2) \] \[ \sigma^2=0.12 \]

\(x_{i,j}\), \(i\). örneğin \(j\). özelliği; \(w_j\), ilgili özelliğe verilen ağırlık; \(\varepsilon_i\), sıfır ortalamalı Gauss gürültüsüdür. Kaynak gürültü varyansını \(0.12\) olarak verir fakat özellik ağırlıklarının \(w_j\) sayısal değerlerini raporlamaz. Bu nedenle PDF’den hareketle sentetik hedef değerlerini bağımsız olarak birebir yeniden üretmek mümkün değildir.

Kaynak ayrıca stokastik modeller için sabit bir rastgele tohum kullanıldığını belirtir; fakat bu tohumun sayısal değerini vermemektedir. Bu da tam yeniden üretilebilirlik için eksik bir ayrıntıdır.

Min–max normalizasyon

\[ x^{\mathrm{norm}}_{i,j} = \frac{x_{i,j}-\min(x_j)} {\max(x_j)-\min(x_j)} \]

Formül her özelliği 0–1 aralığına taşır. Pay, mevcut değerin veri kümesindeki minimumdan uzaklığını; payda ise o özelliğin toplam aralığını verir. Bir özellik minimum değerdeyse sonuç 0, maksimum değerdeyse 1 olur.

Kaynak içi dikkat noktası: Kaynak Tablo 1’de doluluk 0–100 kişi aralığında tanımlanırken, yayımlanan temsilî ham veri satırlarında doluluk değerleri çoğunlukla 0 veya 1 şeklindedir. Verianla bu farkı kendi varsayımıyla çözmemektedir; kaynakta olduğu gibi bir yeniden üretilebilirlik sorusu olarak bırakmaktadır.

Üyelik dönüşümü: Denklemler (4)-(8)

Denklem (4) \[ \mu_x=\frac{1}{n}\sum_{i=1}^{n}x_i \]

\(\mu_x\), bir özelliğin örnek ortalamasıdır.

Denklem (5) \[ \sigma_x= \sqrt{ \frac{1}{n} \sum_{i=1}^{n}(x_i-\mu_x)^2 } \]

\(\sigma_x\), kaynağın kullandığı tanımla özelliğin standart sapmasını verir.

Denklem (6) \[ \mu(x)= \exp\left[ -\left(\frac{x-\mu_x}{\sigma_x}\right)^2 \right] \]

Bu kaynakta kullanılan üyelik fonksiyonudur. \(x\) ortalamaya yaklaştıkça üs sıfıra yaklaşır ve üyelik derecesi 1’e yaklaşır. Ortalama çevresinden uzaklık arttıkça üyelik derecesi üstel olarak azalır. Kaynak formülündeki biçim aynen korunmuştur; standart Gauss yoğunluk fonksiyonundaki \(1/2\) katsayısı burada bulunmamaktadır.

Denklem (7) \[ \nu(x)=(1-\pi_0)[1-\mu(x)] \] \[ \pi(x)=\pi_0[1-\mu(x)] \] \[ \pi_0=0.1 \]

Üyelikten arta kalan \(1-\mu(x)\) miktarının %90’ı üye-olmama, %10’u tereddüt olarak ayrılır. Böylece:

\[ \mu(x)+\nu(x)+\pi(x)=1 \]

Örneğin \(\mu(x)=0.8\) ise \(1-\mu=0.2\); kaynak formülüne göre \(\nu=0.18\) ve \(\pi=0.02\) olur. Bu örnek yalnız denklemin aritmetik anlamını göstermektedir, yeni deney sonucu değildir.

Denklem (8) \[ A(x)=\langle x,\mu(x),\nu(x),\pi(x)\rangle \]

Bu dört bileşenli gösterim, bir sayısal girdiyi sezgisel bulanık bilgiyle birlikte temsil eder.

Raporlanan sonuçlar hangi IFNN mimarisinden geliyor?

Kaynağın sayısal sonuçları 5 normalize edilmiş skaler giriş, 15 gizli nöron ve 2 çıkıştan oluşan 5–15–2 ileri beslemeli hesaplama grafiğinden gelir; makalede anlatılan 10 MD/NMD kanallı, açık kural ve defuzzification katmanlı daha geniş IFNN yapısı kavramsal açıklamadır ve raporlanan 122-parametreli sonuçları üreten ek hesaplama katmanları değildir.

BileşenHesapParametre
Toplam75 + 15 + 30 + 2122
Giriş → gizli katman ağırlıkları5 × 1575
Gizli katman bias1515
Gizli → çıkış ağırlıkları15 × 230
Çıkış bias22

Makalede daha geniş bir “tam iki-kanallı IFNN” için her ham özelliğin bir üyelik ve bir üye-olmama kanalı oluşturabileceği açıklanır:

\[ \phi(x)= [\mu_1(x_1),\nu_1(x_1),\ldots,\mu_d(x_d),\nu_d(x_d)]^T \in\mathbb{R}^{2d} \] \[ n_{\mathrm{in}}=2d \]

Beş ham değişken için bu kavramsal gösterim 10 kanala karşılık gelir. Ancak kaynak özellikle bunun raporlanan 5–15–2 deneyinin hesaplama mimarisi olmadığını söyler. Bu iki anlatım birbirine karıştırılmamalıdır.

Kavramsal kural katmanı

\[ w_r(x)= \prod_{i\in I_r} \mu_i(x_i)^{\alpha_{ir}} \]

\(w_r\), \(r\). bulanık kuralın ateşleme gücüdür. \(I_r\), kuralın kullandığı özelliklerin indeks kümesini; \(\alpha_{ir}\) ise isteğe bağlı ağırlık/üsleri gösterir.

\[ \hat y_{\mathrm{fuzzy}}(x) = \frac{\sum_{r=1}^{R}w_r(x)c_r} {\sum_{r=1}^{R}w_r(x)+\epsilon} \]

\(c_r\) kuralın sonuç değeridir; küçük \(\epsilon>0\) paydanın sıfır olmasını önler. Bu formül makaledeki genel IFNN açıklamasının parçasıdır; raporlanan 122-parametreli deneyde ayrı bir explicit kural katmanı olarak kullanıldığı iddia edilmemektedir.

Üyelik/üye-olmama çıktısından sıcaklığa dönüşüm

Kaynak, iki çıkışın tek sıcaklık için üyelik ve üye-olmama derecelerini temsil ettiğini açıklar:

\[ \hat o_\mu = \sigma(w_\mu^Th+b_\mu) \] \[ \hat o_\nu = \sigma(w_\nu^Th+b_\nu) \] \[ \hat o_\pi = 1-\hat o_\mu-\hat o_\nu \]

Hedef sıcaklık önce normalize edilir:

\[ y_{\mathrm{norm}} = \frac{y-y_{\min}} {y_{\max}-y_{\min}} \] \[ \mu_y=y_{\mathrm{norm}}, \qquad \nu_y=1-\mu_y-\pi, \qquad \pi=0.1 \]

İki çıkışın ortalama kare kaybı:

\[ L= \frac{1}{2N} \sum_{i=1}^{N} \left[ (\mu_i-\hat\mu_i)^2+ (\nu_i-\hat\nu_i)^2 \right] \]

Çıkarım sırasında kaynak üyelik çıktısını normalize sıcaklık olarak alır:

\[ \hat y_{\mathrm{norm}}=\hat o_\mu \] \[ \hat y= \hat y_{\mathrm{norm}} (y_{\max}-y_{\min})+y_{\min} \]

Kaynak içi dikkat noktası: önceki kavramsal açıklamada arşivlenmiş çıktılardan derece Celsius’a dönüşümün benzersiz biçimde belirtilmediği ve yeniden çalıştırmada açık tanımlanması gerektiği söylenirken, hemen sonraki bölüm yukarıdaki üyelik-temelli dönüşümü verir. Bu metinsel gerilim Verianla tarafından sessizce uzlaştırılmamıştır.

Sentetik veri hazırlama, IFNN hesaplama grafiği, PSO optimizasyonu ve korumalı test aşamasını gösteren Verianla şeması. Kaynak yayınevinin özgün şeklinin piksel veya kompozisyon kopyası değildir.

Çalışmanın Yöntemi ve Bulguları

PSO, 122 ağ parametresini nasıl arıyor?

Her PSO parçacığı 122 boyutlu bir aday çözüm vektörüdür. Bu 122 bileşenin her biri belgelenmiş IFNN’nin bir ağırlığı veya bias değeridir. Parçacığın başarısı, modelin doğrulama verisindeki ortalama kare hatasıyla ölçülür.

Denklem (9) \[ J(x)=\operatorname{MSE}(x) = \frac{1}{n} \sum_{k=1}^{n} [y_k-\hat y_k(x)]^2 \]

\(x\), 122 parametrelik parçacık konumunu; \(y_k\), hedef değeri; \(\hat y_k(x)\), o parametrelerle çalışan IFNN’nin tahminini gösterir. PSO’nun hedefi \(J(x)\)’i küçültmektir.

Kişisel ve küresel en iyi konumlar

Her parçacık şimdiye kadar gördüğü en düşük MSE’li konumu \(p_i\) olarak saklar. Bütün sürüdeki en iyi kişisel konum ise \(g\), yani global best olarak tutulur.

\[ g^{(t)} = \arg\min_i J(p_i^{(t)}) \]

PSO hız güncellemesi: Denklem (10)

\[ v_i^{(t+1)} = wv_i^{(t)} + c_1r_1^{(t)} \odot [p_i^{(t)}-x_i^{(t)}] + c_2r_2^{(t)} \odot [g^{(t)}-x_i^{(t)}] \]

İlk terim parçacığın mevcut hareket eğilimini taşır. İkinci “bilişsel” terim parçacığı kendi geçmişteki en iyi çözümüne, üçüncü “sosyal” terim ise tüm sürünün en iyi çözümüne yöneltir. \(r_1\) ve \(r_2\), elemanları 0–1 arasında düzgün dağılımdan seçilen rastgele vektörlerdir; \(\odot\) eleman bazlı çarpımdır.

Konum güncellemesi: Denklem (11)

\[ x_i^{(t+1)} = x_i^{(t)} + v_i^{(t+1)} \]

Yeni parametre vektörü eski konuma yeni hız vektörünün eklenmesiyle elde edilir.

ParametreDeğer
Parçacık sayısı50
Parçacık boyutu122
Maksimum iterasyon100
Atalet ağırlığı0.7; ayrıca dinamik aralık wmax=0.9, wmin=0.4
Bilişsel katsayı c11.5
Sosyal katsayı c21.5
Hız sınırı0.5
Tolerans εtol0.01
Başlangıç konumuDüzgün dağılım, [-1, 1]
Başlangıç hızıDüzgün dağılım, [-0.5, 0.5]

Kaynak deney düzeninde MATLAB R2023a, Intel Core i7 işlemcili ve 16 GB RAM’li bir iş istasyonu kullandığını belirtir. Gizli katman nöron sayısı için 5–25 arası ön deneyler yapılmış ve beş katlı çapraz doğrulamadaki ortalama MSE’ye göre 15 nöron seçilmiştir. Kaynak ayrıca 15 sezgisel bulanık kuralın kavramsal mimari için seçildiğini belirtir.

Model geliştirme ve test ayrımı

AşamaKullanılan veriKorumalı test kümesi kullanıldı mı?
İlk bölme1000 örnek → 700 geliştirme + 300 testHayır; ayrılıp saklandı
Ön işlemeHer geliştirme fold’unun yalnız eğitim bölümüHayır
5 katlı çapraz doğrulama700 geliştirme örneğiHayır
PSO fitness hesabıGeliştirme içindeki eğitim/doğrulama fold’larıHayır
Hiperparametre seçimiÇapraz doğrulama sonuçlarıHayır
Son test300 korumalı örnekEvet; yalnız son aşamada

Performans metrikleri

\[ \operatorname{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i-\hat y_i)^2 \]

MSE hataları karelediği için büyük hatalara daha fazla ağırlık verir. Daha küçük değer daha düşük ortalama kare hatasıdır.

\[ \operatorname{RMSE} = \sqrt{\operatorname{MSE}} \]

RMSE, MSE’nin kareköküdür. Kaynakta tahmin performansı karşılaştırması için kullanılır.

\[ \operatorname{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i-\hat y_i| \]

MAE, tahmin ile hedef arasındaki mutlak farkların ortalamasıdır.

\[ R^2 = 1- \frac{ \sum_i(y_i-\hat y_i)^2 }{ \sum_i(y_i-\bar y)^2 } \]

R², tahminlerin hedef değişkendeki varyansı ne ölçüde açıkladığını gösteren goodness-of-fit ölçüsüdür. MSE, RMSE ve MAE ile aynı şeyi ölçmez. Bu nedenle daha yüksek R² ile daha düşük noktasal hata her zaman aynı modelde birleşmek zorunda değildir.

Korumalı test sonuçları

MetrikModel geliştirme/eğitimKorumalı test
MSE0.08370.0853
RMSE0.28930.2920
MAE0.22860.2314
R²0.88420.8784

Beş katlı çapraz doğrulama

FoldMSERMSEMAER²
10.08710.29510.23380.8726
20.08460.29090.22910.8812
30.08920.29870.23640.8698
40.08630.29380.23120.8765
50.08240.28710.22650.8894

Kaynak ortalama çapraz doğrulama MSE’sini 0.0859 ± 0.0024 olarak verir. Bu küçük fold-arası değişim, aynı sentetik veri üretim süreci içinde model performansının görece kararlı olduğunu destekler; farklı gerçek binalara genellenebilirliği kanıtlamaz.

Karşılaştırılan modeller

ModelMSERMSEMAER²
ANN0.09680.31110.24460.8621
Random Forest0.09170.30280.23840.8734
XGBoost0.08890.29820.23410.8796
LSTM0.08760.29600.23270.8813
Transformer0.08680.29460.23180.8826
IFNN–PSO0.08530.29200.23140.8784

Doğru yorum: IFNN–PSO bu tabloda MSE, RMSE ve MAE bakımından en iyi sonucu verir. R² bakımından Transformer, LSTM ve XGBoost daha yüksek değerler verir. Dolayısıyla “IFNN–PSO her ölçütte bütün modelleri geride bıraktı” ifadesi kaynak tablosuyla uyumlu değildir.

Birimsiz sıcaklık-sapması vekilindeki azalma enerji tasarrufu anlamına gelir mi?

Hayır. Kaynak bu büyüklüğü yalnız aynı sentetik deney koşullarında tahmin modellerini karşılaştırmak için tanımlanan açıklayıcı bir skor olarak kullanır; HVAC elektrik enerjisini, termal enerjiyi, bilgisayar enerji tüketimini, kontrol eforunu veya bina enerji tasarrufunu ölçmez.

Denklem (12) \[ J_{\mathrm{surr}} = \sum_{i=1}^{n} \left( T_{\mathrm{desired},i} - T_{\mathrm{predicted},i} \right)\Delta t \]

\(T_{\mathrm{desired}}\) hedef sıcaklığı, \(T_{\mathrm{predicted}}\) tahmin edilen sıcaklığı, \(\Delta t\) ise örnekleme aralığını gösterir. Verianla formülü kaynakta basıldığı sembolik yapıyla aktarmaktadır. Kaynak bu büyüklüğün fiziksel enerji yorumu olmadığını özellikle vurgular.

ModelVekil skorIFNN–PSO’ya göre kaynakta raporlanan fark
Doğrusal Regresyon46.35%17.60 daha yüksek referans skor
ANN44.21%13.61 daha yüksek referans skor
IFNN–PSO38.19Referans

Kaynak bu oranları:

\[ 100\frac{46.35-38.19}{46.35}=17.60\% \] \[ 100\frac{44.21-38.19}{44.21}=13.61\% \]

şeklinde hesaplar. Bunlar yalnız tanımlanan surrogate score azalmasıdır.

Kaynak ayrıca ANN ile IFNN–PSO arasındaki sabit farkı:

\[ \Delta J_{\mathrm{surr}} = 44.21-38.19 = 6.02 \] \[ S_{\mathrm{surr}}(t)=6.02t \]

şeklinde aritmetik olarak biriktirir. Örneğin 100 sentetik adımda 602.0 değerine ulaşılması gerçek zaman boyunca biriken enerji tasarrufu, fiziksel sistem dinamiği veya kapalı çevrim kontrol kazancı değildir. Kaynak bunu yalnız arşivlenmiş surrogate skorlarının aritmetik gösterimi olarak tutmaktadır.

PSO yakınsaması

Kaynak PSO’nun en iyi fitness değerinin ilk iterasyonda 0.1923’ten 25. iterasyonda 0.0973’e, 50. iterasyonda 0.0850’a, 75. iterasyonda 0.0830’a ve 100. iterasyonda 0.0826’ya indiğini raporlar. Bu dizi kullanılan sentetik geliştirme problemi altında optimizasyonun azalan fitness ürettiğini gösterir.

Kaynak, PSO hesaplama karmaşıklığını yaklaşık:

\[ O(P\times T\times N\times W) \]

biçiminde ifade eder. Burada \(P\) sürü boyutu, \(T\) maksimum iterasyon sayısı ve \(N\) eğitilebilir parametre sayısı olarak açıklanır. Yakın çevrede \(W\)’nun kesin matematiksel tanımı verilmediğinden Verianla buna kendi anlamını atamamaktadır.

İstatistiksel analiz ne kadar ayrıntılı raporlandı?

Beş çapraz doğrulama fold’u üzerinden ortalama, standart sapma ve %95 güven aralığının hesaplandığı belirtilir. Kaynak güven aralığını:

\[ CI= \bar x \pm t_{0.975,n-1} \frac{s}{\sqrt n}, \qquad n=5 \]

şeklinde verir. \(\bar x\) örnek ortalaması, \(s\) örnek standart sapması ve \(t_{0.975,n-1}\) Student-t kritik değeridir.

Makalede ayrıca karşılaştırmalar için eşleştirilmiş istatistiksel anlamlılık testleri yapıldığı ve \(\alpha=0.05\) kullanıldığı belirtilmektedir. Ancak incelenen PDF’de hangi eşleştirilmiş testin kullanıldığı, karşılaştırma başına test istatistikleri ve p-değerleri ayrıntılı bir sonuç tablosuyla verilmemiştir. Bu nedenle “istatistiksel olarak anlamlı” ifadesinin bağımsız olarak yeniden kontrol edilmesi için gerekli raporlama ayrıntıları tam değildir.

Kaynak içindeki yeniden üretilebilirlik ve tutarlılık sorunları

  • Sentetik hedef ağırlıkları eksik: \(y_i=\sum w_jx_{i,j}+\varepsilon_i\) formülündeki \(w_j\) değerleri raporlanmamıştır.
  • Rastgele tohum: sabit seed kullanıldığı söylenir ancak sayısal seed değeri verilmez.
  • Doluluk gösterimi: yöntem tablosunda 0–100 kişi aralığı verilirken temsilî ham satırlarda 0/1 değerleri görülür.
  • Belgelenmiş ağ ile kavramsal IFNN ayrımı: sayısal sonuçlar 5–15–2, 122 parametreli ağdan gelir; geniş MD/NMD-kural-defuzzification mimarisi açıklayıcıdır.
  • ANN taban çizgisi: yöntem bölümünde 10 gizli nöronlu ANN anlatılırken Tablo 19 etiketi “ANN (5–15–1)” şeklindedir.
  • R² anlatımı: kaynak metni özellikle Transformer ve LSTM’nin daha yüksek R² verdiğini söyler; Tablo 14’e bakıldığında XGBoost’un 0.8796 değeri de IFNN–PSO’nun 0.8784 değerinden yüksektir.
  • İstatistiksel anlamlılık raporu: \(\alpha=0.05\) ve eşleştirilmiş testlerden söz edilir fakat test türü, test istatistiği ve p-değerleri açık tabloda verilmez.

Çalışmanın desteklediği sonuç

Çalışma, tanımlanan sentetik veri üretim sürecinde ve kullanılan model geliştirme/test protokolünde, IFNN–PSO’nun geleneksel ANN, Random Forest, XGBoost, LSTM ve Transformer karşılaştırmalarına göre MSE, RMSE ve MAE bakımından düşük hata ürettiğini desteklemektedir. Beş katlı çapraz doğrulama aynı sentetik veri oluşturma bağlamında görece kararlı sonuçlar göstermektedir.

Çalışmanın desteklemediği sonuçlar

Çalışma gerçek bir HVAC sisteminde sıcaklık kontrolü gerçekleştirmemiştir. Fiziksel bina veya doğrulanmış termal tesis modeli, kontrol komutları, aktüatör dinamiği, gerçek sensör akışı, açık termal konfor kriteri, bina yönetim sistemi kaydı veya ölçülmüş HVAC enerji tüketimi yoktur. Bu nedenle sonuçlardan gerçek zamanlı kontrol başarısı, dağıtıma hazır sistem, gerçek bina konfor iyileşmesi veya yüzde enerji tasarrufu çıkarılamaz.

Gerçek uygulamaya geçmeden önce bağımsız benchmark veri kümeleri, gerçek bina ölçümleri, bina termal dinamiği, kontrolcü ve aktüatör modeli, termal konfor kriterleri ve ölçülmüş HVAC enerji tüketimiyle yeni doğrulama gerekir.

Kaynak ve Yöntem Notu

Özgün başlık: Synthetic Temperature Prediction Using an Intuitionistic Fuzzy Neural Network by Particle Swarm Optimization

Yazarlar: Zhe Liu; Yulong Huang; Ikhtesham Ullah; Narinderjit Singh Sawaran Singh; Ziad Khan; Rashid Jan.

Yazar sırası: Zhe Liu → Yulong Huang → Ikhtesham Ullah → Narinderjit Singh Sawaran Singh → Ziad Khan → Rashid Jan.

Eş katkı: Kaynakta eşit katkı bildirimi görünmemektedir.

Sorumlu yazarlar: Yulong Huang ve Ziad Khan.

Kurumlar: College of Mathematics and Computer, Xinyu University, Çin; Research Fellow Program, Shinawatra University, Tayland; Jadara Research Center, Jadara University, Ürdün; Department of Mathematics, Abbottabad University of Science and Technology, Pakistan; Faculty of Data Science and Information Technology, INTI International University, Malezya; Department of Mathematics, College of Sciences, Qassim University, Suudi Arabistan.

Kaynak türü: Özgün araştırma makalesi; sentetik veri ve sayısal modelleme temelli proof-of-concept.

Hakemlik durumu: Hakemli. Algorithms, MDPI tarafından yayımlanan hakemli açık erişimli bilimsel dergidir.

Dergi: Algorithms.

Yayınevi: MDPI.

Yıl / cilt / sayı / makale no: 2026 / 19 / 9 / 734.

DOI: 10.3390/a19090734

Alınma tarihi: 3 Temmuz 2026.

Revizyon tarihi: 20 Ağustos 2026.

Kabul tarihi: 26 Ağustos 2026.

Yayın tarihi: 1 Eylül 2026.

Akademik editör: Mehmet Aydin.

Resmî bağlantı: https://doi.org/10.3390/a19090734

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0).

Ana bilimsel yöntem: Sentetik HVAC veri üretimi; min–max normalizasyon; sezgisel bulanık üyelik, üye-olmama ve tereddüt gösterimi; 5–15–2 ileri beslemeli sinir ağı; 122 ağırlık/bias parametresinin Parçacık Sürü Optimizasyonu ile MSE minimizasyonuna göre optimize edilmesi; beş katlı çapraz doğrulama; 300 örneklik bağımsız korumalı test kümesi.

Veri büyüklüğü: 1000 sentetik örnek; 700 model geliştirme, 300 korumalı test.

Yazılım/donanım: MATLAB R2023a; Intel Core i7 işlemci; 16 GB RAM.

Karşılaştırmalar: Doğrusal Regresyon, ANN, Random Forest, XGBoost, LSTM ve Transformer.

Temel test sonucu: IFNN–PSO: MSE=0.0853; RMSE=0.2920; MAE=0.2314; R²=0.8784.

Finansman: Yazar beyanına göre dış finansman alınmamıştır.

Etik kurul: İnsan veya hayvan çalışması içermediği belirtilmiştir.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Yazarlar çalışmanın özgün katkılarının makale içinde bulunduğunu bildirmiştir.

Yapay zekâ kullanımı beyanı: Yazarlar makalenin oluşturulmasında yapay zekâ araçları kullanmadıklarını beyan etmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Yazar katkıları: Zhe Liu: biçimsel analiz, danışmanlık, gözden geçirme ve düzenleme. Yulong Huang: kavramsallaştırma, biçimsel analiz ve araştırma. Ikhtesham Ullah: doğrulama, biçimsel analiz, gözden geçirme ve düzenleme. Narinderjit Singh Sawaran Singh: yazılım, finansman ve yöntem. Ziad Khan: görselleştirme, biçimsel analiz, yöntem, veri düzenleme ve ilk taslak. Rashid Jan: kavramsallaştırma, biçimsel analiz, danışmanlık ve yöntem.

Temel sınırlılık: Çalışma gerçek HVAC kontrol deneyi değildir; fiziksel tesis, doğrulanmış bina modeli, gerçek sensör verisi, gerçek enerji ölçümü, aktüatör dinamiği ve kapalı çevrim kontrol değerlendirmesi içermez.

Kaynak içi önemli belirsizlikler: Sentetik hedef ağırlıkları, sabit rastgele tohumun sayısal değeri ve bazı yeniden üretilebilirlik ayrıntıları raporlanmamıştır. Belgelenmiş 5–15–2 hesaplama grafiği ile kavramsal geniş IFNN mimarisi ayrı tutulmalıdır. ANN taban çizgisinin gizli katman boyutu metin ve Tablo 19 arasında tutarlı değildir. İstatistiksel anlamlılık iddiası için ayrıntılı p-değerleri/test istatistikleri verilmemiştir.


Paylaş:

Yorumlar incelendikten sonra yayımlanır. Gönderdiğiniz yorum onay sürecine alınır ve uygun bulunduğunda görünür hâle gelir.

Bir yorum bırakın

E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir