Nesnelerin interneti ve makine öğrenmesi ile jar testi sürecinin optimizasyonu
| dc.contributor.advisor | Küçükkülahlı, Enver | |
| dc.contributor.author | Akıncı, Ferdi | |
| dc.date.accessioned | 2025-10-11T20:35:08Z | |
| dc.date.available | 2025-10-11T20:35:08Z | |
| dc.date.issued | 2025 | |
| dc.department | DÜ, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Dünya yüzeyinin %71'i suyla kaplı olmasına rağmen, bunun yalnızca %2,5'i tatlı sudur. Dünya sağlık örgütü'nün verilerine göre, yaklaşık 844 milyon insan güvenilir içme suyu kaynağına erişememekte, 159 milyon insan ise yüzey sularını kullanmaktadır. Bu durum, içme suyu kalitesinin sürekli izlenmesini ve iyileştirilmesini zorunlu kılmaktadır. İçme suyu kalitesinin değerlendirilmesinde su kalite indeksi yaygın olarak kullanılmakta olup, çeşitli fiziksel ve kimyasal parametrelerin ölçümüne dayanmaktadır. Bu çalışmada, Türkiye'nin Zonguldak ili Ereğli ilçesindeki içme suyu arıtma tesisi örnek alınarak, klasik jar testi sürecinin dijitalleştirilmesi ve optimize edilmesi hedeflenmiştir. Geliştirilen sistem; iot, fog bilişim ve bulut tabanlı makine öğrenmesi altyapılarıyla entegre bir şekilde tasarlanmıştır. IoT katmanında kullanılan sensörler ile giriş suyuna ait bulanıklık, ph, tds, sıcaklık, su seviyesi ve yağmur durumu gibi parametreler 5 dakikalık aralıklarla ölçülmüş ve mqtt protokolü ile nodemcu esp8266 üzerinden raspberry pi cihazına iletilmiştir. Raspberry pi üzerinde çalışan nodered uygulaması ile veriler influxdb bulut veritabanına kaydedilmiş, aynı zamanda grafana arayüzüyle görselleştirilmiştir. Bu yapı sayesinde sistemin uzaktan izlenebilirliği artırılmış, müdahale süreleri azaltılarak operasyonel güvenlik sağlanmıştır. Laboratuvar ortamında yapılan jar testleri, web tabanlı bir arayüz ile dijital ortama aktarılmış ve bu veriler makine öğrenmesi algoritmalarıyla analiz edilmiştir. Özellikle destek vektör regresyonu algoritması, 502 örnek üzerinde yapılan testlerde en yüksek performansı göstermiştir (MAE: 0.29, MAPE: 0.11, MSE: 0.16, RMSE: 0.40, R²: 0.61). Modelin yalnızca 1.27 saniyede sonuç üretmesi, gerçek zamanlı tahmin uygulamaları için yeterli olduğunu göstermektedir. Web tabanlı kullanıcı arayüzü sayesinde operatörler, giriş parametrelerini girerek çıkış bulanıklığını anlık olarak görebilmekte; ayrıca sistemde yer alan "eğitimi başlat" modülüyle model yeni verilerle otomatik olarak güncellenebilmektedir. | en_US |
| dc.description.abstract | Although 71% of the Earth's surface is covered by water, only 2.5% of it is freshwater. According to the World Health Organization, approximately 844 million people do not have access to a safe drinking water source, while 159 million people use surface water. This situation necessitates continuous monitoring and improvement of drinking water quality. The water quality index is widely used in the assessment of drinking water quality and is based on the measurement of various physical and chemical parameters. In this study, taking the drinking water treatment plant in Ereğli district of Zonguldak province of Turkey as an example, it is aimed to digitize and optimize the classical jar testing process. The system is designed to be integrated with iot, fog computing and cloud-based machine learning infrastructures. With the sensors used in the iot layer, parameters such as turbidity, ph, tds, temperature, water level and rainfall status of the inlet water were measured at 5-minute intervals and transmitted to the raspberry pi device via nodemcu esp8266 via mqtt protocol. With the nodered application running on the raspberry pi, the data was saved to the influxdb cloud database and visualized with the grafana interface. Thanks to this structure, the remote traceability of the system has been increased, intervention times have been reduced and operational security has been ensured. The jar tests performed in the laboratory environment were digitized with a web-based interface and these data were analyzed with machine learning algorithms. In particular, the support vector regression algorithm showed the highest performance in tests on 502 samples (MAE: 0.29, MAPE: 0.11, MSE: 0.16, RMSE: 0.40, R²: 0.61). The fact that the model produces results in only 1.27 seconds shows that it is sufficient for real-time forecasting applications. The web-based user interface allows operators to enter input parameters and see the output turbidity instantly, and the "start training" module in the system allows the model to be updated automatically with new data. | en_US |
| dc.identifier.endpage | 70 | en_US |
| dc.identifier.startpage | 1 | en_US |
| dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=Xau5rw3KuCgEuy-FuJQtsIZ13N3PG1hChhiVGMDwOQwPgmz3G_Xn54LLby3smOrs | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12684/20571 | |
| dc.identifier.yoktezid | 958547 | en_US |
| dc.institutionauthor | Akıncı, Ferdi | |
| dc.language.iso | tr | en_US |
| dc.publisher | Düzce Üniversitesi | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.snmz | KA_TEZ_20250911 | |
| dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | en_US |
| dc.subject | Computer Engineering and Computer Science and Control | en_US |
| dc.title | Nesnelerin interneti ve makine öğrenmesi ile jar testi sürecinin optimizasyonu | en_US |
| dc.title.alternative | Optimization of the jar testing process with the internetof things and machine learning | en_US |
| dc.type | Master Thesis | en_US |
