Ushbu tadqiqot MATLAB/Simulink muhitida hosil qilingan kuchlanish va tok signallaridan uch fazali elektr taqsimlash tizimidagi nosozliklarni avtomatik aniqlab, keyin uzgich boshqaruvini ishga tushira oladigan chuqur o‘rganish tizimini ishlab chiqadi. Tizim normal ishlash bilan birga AG, BG, CG, AB, BC, CA, ABG, BCG, CAG, ABC va ABCG kabi jami 12 ta ish/ nosozlik holatini ajratadi. Oltita asosiy uch fazali kuchlanish-tok signali alohida qo‘llanmay, fazalar farqi, simmetrik komponentlar, RMS qobiqlari va o‘zgarish tezligi haqidagi ma’lumotlar bilan boyitilib, 30 ta xususiyat kanaliga aylantiriladi. Ushbu xususiyatlar 64 ta namunadan iborat, ya’ni 1 kHz namuna olish tezligidagi 64 ms oynalar ko‘rinishida ko‘p masshtabli chuqur residual CNNga beriladi.

Taklif etilgan arxitektura uch xil vaqt masshtabida ishlaydigan 1D konvolyutsiya tarmoqlarini, Squeeze-and-Excitation kanal diqqatini va dilatatsiyalangan residual bloklarni birlashtiradi. Manbada 1.963 ta test oynasining barchasi 12 sinfli nosozlik turini tasniflashda to‘g‘ri aniqlangani va %100,00 test aniqligiga erishilgani bildiriladi. Kengroq oltita fizik nosozlik toifasida esa 1.963 oynaning uchtasi noto‘g‘ri tasniflangan va aniqlik %99,85 deb qayd etilgan. Xuddi shu ma’lumotlarda bazaviy CNN %61,31, bazaviy LSTM esa %56,70 aniqlik ko‘rsatgan bo‘lsa, taklif etilgan tarmoq %100,00 ga yetgan. Biroq barcha o‘qitish va test ma’lumotlari MATLAB/Simulink simulyatsiyalaridan olingan; haqiqiy taqsimlash tarmog‘i o‘lchovlari bilan dala validatsiyasi o‘tkazilmagan. Bu nedenle sonuçlar haqiqiy elektrik şebekelerinde aynı performansın elde edileceği biçiminde yorumlanmamalıdır.

Tadqiqot qanday muammoni hal qilishga urinadi?

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

Çalışma bu soruna iki kademeli yaklaşmaktadır. İlk kademe, kuchlanish ve tok dalga biçimlerinden nosozlik türünü derin öğrenmeyle belirlemektedir. İkinci kademe esa sınıflandırıcının sonucunu uzgich boshqaruv mantığına bağlayarak nosoz hattın avtomatik izolyatsiya qilingan edilmesini ve geçici nosozlik ortadan kalkarsa yeniden enerjilendirilmesini hedeflemektedir.

Çalışmanın başlığındaki “predictive” ifadesi dikkatli yorumlanmalıdır. Sunulan yöntem arızayı oluşmadan avval tahmin eden bir kestirim modeli emas. CNN, nosozlik başladıktan so‘ng oluşan kuchlanish-tok örüntüsünü içeren 64 ms'lik pencereler üzerinden arızayı sınıflandırmaktadır. Dolayısıyla burada gerçekleştirilen asosiy işlem nosozlik sonrası hızlı tespit ve sınıflandırmadır.

MATLAB/Simulink taqsimlash tizimi qanday qurilgan?

Simulink modeli elektrik enerjisinin dağıtım hattındaki fiziksel akış sırasına göre oluşturulan bir dizi asosiy bileşenden meydana gelmektedir. Kaynağın Şekil 1’inde bu yapı uch fazali manba, transformator, pi-kesit liniya, programlanabilir uch fazali nosozlik bloğu, RLC yuklama ve ölçüm noktalarıyla gösterilmektedir.

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

Qaysi nosozliklar tasniflanadi?

Çalışmada normal durumla birlikte toplam 12 sinf vardır:

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

Aynı sınıflar yanada üst düzey fiziksel anlamda altı kategori ostida 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.

Nima uchun faqat xom kuchlanish va tokdan foydalanilmagan?

Yazarlar, CNN'in elektrik mühendisliğinde zaten bilinen asosiy 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 yoki Vb−Vc kabi büyüklüklerle faza asimetrisini görünür hâle getirmektedir. Faz-faza kısa devrelerinde bu kanalların davranışı arızaya katılan faza çiftine göre değişmektedir.

Simetrik bileşenler uch fazali sistemi pozitif, negatif ve sıfır bileşenlere ayırmaktadır. Özellikle sıfır bileşen yer bağlantılı arızalar, negatif bileşen esa dengesizlik hakkında fiziksel bilgi sağlamaktadır.

RMS zarfları 16 örneklik kayan pencereyle hesaplanmaktadır. Böylece asosiy AC salınımının yerine kuchlanish yoki tok genliğinin zaman içerisindeki değişimi yanada 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 xom kanala beş ek altı-kanallı grup” ifadesini kullanmasına rağmen bunun toplamı 36 bo‘ladi. Ayrıntılı açıklamada esa xom sinyallere ek olarak dört grup — faza farqi, simmetrik komponent, RMS ve gradyan — tanımlanmaktadır. Bu yapı 6 + 24 = 30 kanalla uyumludur.

64 ms oynasi nima uchun muhim?

Ağın girişi 64 zaman örneği × 30 xususiyat kanalıdır. Örnekleme hızı 1 kHz bo‘lgani sababli bir oyna 64 ms'lik signal kesitini temsil eder.

Bu kısa oyna, hızlı geçici olayları yakalamak için yeterince küçük tutulurken farklı ölçeklerde çalışan konvolyutsiya çekirdekleri sayesinde hem keskin nosozlik başlangıçları hem de yanada yavaş RMS/genlik değişimleri birlikte analiz amalga oshirilmoqda.

Ko‘p masshtabli CNN qanday qurilgan?

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

Üç dalın sonuçları birleştirildiğinde 144 xususiyat kanali oluşmaktadır.

Squeeze-and-Excitation diqqati nima qiladi?

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 so‘ng her kanal için bir önem katsayısı elde amalga oshiriladi.

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

Dilatatsiyalangan residual bloklar nima uchun qo‘llanadi?

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

1 → 2 → 4

olarak verilmiştir. Her blok iki dilatatsiyalangan 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 mavjud. Dilasyon sayesinde parametr sayısını aynı oranda büyütmeden yanada geniş zaman bağlamına erişilmektedir.

Tasniflash boshi bir vaqtning o‘zida ikki natija hosil qiladi

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 nosozlik türü
• 6 nöron: Arızanın fiziksel kategorisi

Toplam model boyutu kaynakta 528.182 parametr olarak beriladi.

“O‘z-o‘zini tiklovchi” boshqaruv amalda qanday ishlaydi?

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

Arızalı besleyici belirlendikten so‘ng kesiciye açma komutu gönderilir. Çalışmada tipik uzgich açma süresi 30–50 ms olarak kabul amalga oshirilmoqda. Kesici açıldığında tizim Isolated durumundadır.

Daha so‘ng 5 saniyelik ölü vaqt uygulanır. Ardından Reclosing durumuna geçilerek uzgich yeniden kapatılır. Yeni izleme penceresinde nosozlik görülmezse Normal durumuna dönülür.

Arıza yeniden görülürse açma-kapama işlemi en fazla üç kez tekrarlanır. Üç başarısız qayta ulash girişiminden so‘ng tizim kilitlenir ve insan müdahalesi istenir.

Nosozlikni izolyatsiya qilish vaqti qanday hisoblangan?

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

Turkiya nuqtayi nazaridan bevosita nima deyish mumkin?

Çalışmanın dağıtım modeli ve bütün ma’lumot üretimi simulyatsiya ortamında gerçekleştirilmiş, Hindistan’daki araştırma kurumu tarafından hazırlanmıştır. Türkiye'deki haqiqiy dağıtım şebekelerinden ölçülmüş nosozlik verisi kullanılmamıştır. Bu nedenle %100 tasniflash doğruluğu yoki 120–160 ms izolasyon hesabı Türkiye şebekeleri için doğrudan performans göstergesi emas.

Yöntem başka bir şebekeye uygulanacaksa ilgili kuchlanish seviyeleri, liniya empedansları, topraklama sistemi, yuklama ve dağıtık yaratish koşullarıyla yeni ma’lumot üretimi yoki tercihen haqiqiy dala verileri ustida yeniden o‘qitish ve bağımsız validatsiya gerekir.

Tadqiqot nimani aytadi, nimani aytmaydi?

Manba qo‘llab-quvvatlaydigan natijalar

• Simulink tabanlı uch fazali dağıtım sistemi ustida 12 tadqiqot/arızalanma sınıfı üretilebilmiştir.
• Fizik tabanlı özelliklerle 30 kanallı CNN girişi oluşturulmuştur.
• Önerilen model 1.963 test penceresinin tamamında 12 sınıflı nosozlik türünü doğru sınıflandırmıştır.
• Altı sınıflı nosozlik doğası sınıflandırmasında %99,85 aniqlik 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-holat uzgich boshqaruv mantığıyla birleştirilmiştir.

Manba isbotlamagan natijalar

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

Tadqiqot Usuli va Natijalari

Ma’lumotlarni yaratish tartibi

Ham namuna ve toplam oyna sayısında manba içi uyuşmazlık bulunduğundan bu iki değer tek bir kesin sayı olarak yukarıdaki tabloya konulmamıştır. Ayrıntı Manba va Usul Haqida Izoh’nda açıklanmaktadır.

O‘qitish sozlamalari

Test natijalari

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 yanada ayrıntılı incelendiğinde altı kategorili sınıflandırmadaki üç hatanın SLG sınıfından Three-Phase-G sınıfına gerçekleştiği ko‘rinadi. Matriste 458 SLG örneği doğru sınıflandırılmış, üç namuna yanlış kategoriye atanmıştır. Diğer gösterilen kategoriler matriste diyagonal üzerindedir.

Oddiy modellar bilan taqqoslash

Kaynağın ablation karşılaştırmasında asosiy CNN %61,31, asosiy LSTM %56,70 test doğruluğu elde ederken önerilen model %100,00'a ulaşmıştır. Yazarlar bu farkı ko‘p masshtabli kernel yapısı, SE kanal dikkati ve dilatatsiyalangan residual blokların birlikte kullanılmasına bağlamaktadır.

Ancak bu taqqoslash, bileşenlerin her birinin etkisini ayrı ayrı kaldıran tam faktöriyel bir ablation tablosu emas. Kaynak iki basit baseline ile önerilen bütünleşik mimariyi karşılaştırmaktadır. Bu nedenle yalnız bu sonuçlardan SE bloğunun yoki herhangi tek bir bileşenin tek başına nima kadar aniqlik kazandırdığı nicel olarak çıkarılamaz.

O‘qitish jarayoni

Kaynak, validatsiya doğruluğunun 22. epoch civarında %100 seviyesine ulaştığını ve o‘qitish/validatsiya yo‘qotish eğrilerinin birbirine yakın ilerlediğini bildirmektedir. Tüm o‘qitish işleminin Core i7 CPU ustida yaklaşık 12,5 dakika sürdüğü belirtilmiştir.

Bu gözlem yazarlar tarafından ezberleme görülmediğine işaret olarak yorumlanmıştır. Bununla birlikte yalnız o‘qitish ve validatsiya eğrilerinin yakınlığı bağımsız haqiqiy-dala genellemesini kanıtlamaz.

Test to‘plamining mustaqilligi bo‘yicha muhim metodologik cheklov

Kaynak, 64 örneklik pencerelerin 8 namuna stride ile oluşturulduğunu ve yanada so‘ng o‘qitish, validatsiya ve test bölünmesi yapıldığını belirtmektedir; biroq bölmenin CSV dosyası yoki bağımsız Simulink koşusu bazında gruplanıp gruplanmadığını açıklamamaktadır.

64 örneklik pencerelerin yalnız 8 namuna kaydırılması nedeniyle ardışık pencereler büyük ölçüde örtüşmektedir. Eğer aynı simulyatsiya kaydından gelen örtüşen pencereler farklı ma’lumot bölümlerine dağıtıldıysa bunlar birbirinden tamamen bağımsız gözlemler olmayabilir. Metin bu ihtimali doğrulayacak yoki dışlayacak yeterli ayrıntı vermediğinden, %100 test başarısının ayniqsa bağımsız feeder/dala genellemesi açısından dikkatli yorumlanması gerekir.

Benzer biçimde, 10 saniyelik nosozlik kayıtlarında nosozlik yalnız 3–7 saniye o‘rtasida uygulanmaktadır. Kaynak, nosozlik başlamadan önceki ve temizlendikten sonraki normal bölümlerin oyna etiketlemesinde qanday ele alındığını ayrıntılı olarak açıklamamaktadır. Bu nedenle bu bölgelerin tasniflash ma’lumot setindeki etiket mantığı manba üzerinden kesin biçimde doğrulanamamaktadır.

Haqiqiy dunyoga o‘tishda mualliflar ko‘rsatgan keyingi qadamlar

Çalışmanın natija bölümünde haqiqiy feeder ölçümleriyle validatsiya açık biçimde gelecekteki tadqiqot olarak qayd etiladi. Ayrıca yüksek empedanslı arızalar, PMU ma’lumot akışları, FPGA tabanlı düşük gecikmeli uygulama, şebekeler arası transfer learning ve yüksek güneş/rüzgâr penetrasyonunda değişen arka plan akımlarının etkisi gelecekte incelenmesi gereken konular o‘rtasida sayılmaktadır.

Manba va Usul Haqida Izoh

Tam özgün tadqiqot 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 yoki beyanı bulunmamaktadır.

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

Kaynak türü: MATLAB/Simulink tabanlı elektr taqsimlash sistemi simülasyonu ve chuqur o‘rganish nosozlik tasniflash çalışması.

Yayın durumu: Yüklenen tadqiqot 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 uch fazali dağıtım sistemi nosozlik verisi; fizik tabanlı xususiyat mühendisliği; Multi-Scale Deep Residual 1D CNN; Squeeze-and-Excitation kanal dikkati; dilatatsiyalangan residual katmanlar; çift softmax tasniflash ve sonlu-holat o‘z-o‘zini tiklovchi uzgich boshqaruv mantığı.

Verinin niteliği: Eğitim ve test signallarni haqiqiy dağıtım feeder ölçümleri emas, MATLAB/Simulink simülasyonundan oluşturulmuş sentetik verilerdir.

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

Kaynak içi tutarsızlık 2 — oyna sayısı: Eğitim ayrıntıları bölümünde 13.084 oyna yazılırken Sonuçlar bölümünde 13.004 oyna qayd etiladi. Ayrıca verilen 9.119 o‘qitish + 2.022 validatsiya + 1.963 test sayılarının toplamı 13.104'tür. Böylece kaynakta toplam oyna sayısı için üç farklı sayı mavjud. Bunlar sessizce tek bir değere dönüştürülmemiştir.

Kaynak içi tutarsızlık 3 — 30 xususiyat kanali: Metin altı xom 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 xom kanal ile dört adet altı-kanallı grubun toplamı 30'dur. Makalede mimarinin açıkça kullandığı giriş şekli 64×30 olarak verildiğinden manba içindeki sözel hata shuningdek belirtilmiştir.

Kaynak içi tutarsızlık 4 — 200 ms ve qayta ulash: Özet, kesicinin açılması, arkın sönmesinin beklenmesi ve avtomatik yeniden kapamanın 200 ms içerisinde gerçekleştiği izlenimini vermektedir. Ayrıntılı boshqaruv bölümünde esa 120–160 ms yalnız nosozlik başlangıcından izolasyona kadar geçen vaqt olarak hesaplanmakta ve yeniden kapamadan avval açıkça 5 saniyelik ölü vaqt uygulanmaktadır. Bu nedenle “200 ms” değeri qayta ulash süresi olarak kullanılmamıştır.

Kaynak içi natija ayrıntısı: Şekil 8’de altı kategorili nosozlik 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 nosozlik türü için Şekil 3’teki matris barcha 1.963 örneğin diyagonal ustida olduğunu göstermektedir.

Bağımsız test sınırı: Kaynak, 64 örneklik ve 8 stride'lı örtüşen pencerelerin o‘qitish/validatsiya/test bölünmesinin dosya yoki bağımsız simulyatsiya koşusu bazında gruplanıp gruplanmadığını belirtmemektedir. Bu nedenle aynı asosiy zaman serisine ait yüksek ölçüde benzer pencerelerin farklı bölümlere düşüp düşmediği manba üzerinden doğrulanamamaktadır.

Etiketleme sınırı: Arıza simülasyonlarında 10 saniyelik kayıt ichida nosozlik 3–7 saniye o‘rtasida aktiftir. Kaynak, bu kayıtların nosozlik öncesi ve sonrası bölümlerinden üretilen pencerelerin etiketleme politikasını ayrıntılı olarak açıklamamaktadır.

Saha doğrulaması: Yazarlar haqiqiy feeder ölçümleriyle doğrulamayı gelecekteki tadqiqot olarak tanımlamaktadır. Bu nedenle mevcut sonuçlar MATLAB/Simulink ortamındaki sentetik ma’lumot performansını göstermektedir.

Bilimsel içerik sınırı: Bu Verianla makalesindeki ağ mimarisi, ma’lumot üretimi, o‘qitish parametreleri, sonuçlar ve boshqaruv mantığı yalnız yüklenen çalışmadan alınmıştır. Dış manba yalnız başlık, yazar listesi, SSRN kayıt tarihi, DOI ve yayın durumunun bibliyografik doğrulaması amacıyla kullanılmıştır.