Realistic representation of time‐dependent internal stress progression and deformation behavior of a potato tuber during a sample drop case has been studied in this article. A reverse engineering approach, compressive tests, slow motion camera records and finite element analysis (FEA) were employed to analyze the drop case deformation behavior of a sample potato tuber. Simulation results provided useful numerical data and stress distribution visuals. The numerical results are presented in a format that can be used for the determination of bruise susceptibility magnitude on solid‐like agricultural products during drop case. The visual observations revealed that slow motion camera images and simulation printouts were in good correlation. The modulus of elasticity of the potato specimens was calculated from experimental data to be 3.12 MPa and simulation results showed that the maximum equivalent stress was 0.526 MPa on the tuber. This value for stress indicates that bruising is not likely on the tuber under a pre‐defined drop height. In order to test the simulation accuracy, empirical, and simulation‐based estimates for total energy in this drop case were compared. The relative difference between empirical and simulation results was 1.27%. This study provide a good “how to do” guide to further research on the utilization of (FEM)‐based time‐dependent simulation approach in complex mechanical impact based damaging analyses and industry focused applications related to solid‐like agricultural products such as potato. Practical applications The engineering simulation based “how to do” pathway presented in this study is a scientific novelty because the explicit dynamics simulation technique for potato tuber damage under drop case and its visual verification has been limitedly introduced in the literature. This study present deeper analysis on material model description, slow motion camera records, time dependent non‐linear stress analysis and FEM based Explicit Dynamics Simulation procedures. This study aims to represent a realistic non‐linear deformation case of the tuber which is very complicated to obtain through physical and/or empirical expressions. As a further step from other literature studies, this research has presented a novel realistic time‐dependent non‐linear drop test simulation based on physical compressive material test data. The findings have been prepared in a form which may be used as input parameters in design studies for solid‐like agricultural products (such as potato tubers) processing machinery systems used in food/agricultural industries.

Lojistik sektörü dünyada ve Türkiye'de giderek büyümekte ve sektörün potansiyeli zamanla daha iyi anlaşılmaktadır. Lojistik sektörünün gelişime oldukça açık olduğu, teknoloji ile ortaya çıkan yeniliklere ayak uydurmak zorunda olduğu bilinmektedir. İşletmeler bu yeniliklere ayak uydurarak, rekabette başarılı olmaya çalışmaktadır. Endüstri 4.0 özellikle lojistik gibi rekabetin ön planda olduğu sektörleri etkisi altına almıştır. Yapılan son araştırmalarda yapay zeka tekniklerinin kullanımında büyük oranda artış olduğu görülmektedir. Yapay zekanın lojistik sektöründe kullanılması sonucunda özellikle işleyiş ve dinamiklerde değişiklikler oluşmaya başlamıştır. Yapay zeka, insan zekasının fizyolojik ve nörolojik yapısını çeşitli teknolojiler yardımı ile modelleyerek makinelere aktarmaktadır. Yapay zeka ile birlikte ortaya çıkan sürücüsüz araçlar, depolama ve raflarda kullanılan robotlar, sistem içerisinde büyük verilerin rahatlıkla kullanılması gibi seçenekler lojistik sektöründeki hataların en aza indirgenmesini sağlamaktadır. Lojistik sektöründe yapay zeka kullanımı sayesinde işletmeler daha verimli işler ortaya koymaktadır. Yapılan bu çalışmada, lojistik sektöründe kullanılan yapay zeka ve makine öğrenmesi uygulamalarının geniş bir perspektif ile incelenmesi amaçlanmıştır. Çalışmada önce yapay zeka ve makine öğrenimi kavramları açıklanmış ardından endüstri ve lojistik kavramlarına değinilerek lojistikte kullanılan yapay zeka ve makine öğrenmesi uygulamalarına yer verilmiştir. Küresel lojistik ve tedarik zinciri yönetimi konusunda yapay zekanın günden güne kendini geliştirdiği ve lojistik süreçleri kolaylaştırdığı görülmektedir.

Öz Elektrik enerjisi ihtiyacının artması, ülkeleri güvenilir, ucuz ve temiz enerji teminine yöneltmiştir. Son zamanlarda bu enerji kaynakları arasından fotovoltaik (PV) güç sistemleri öne çıkmaktadır. Güneş enerjisi potansiyelinin yüksek olduğu Türkiye'de devlet teşvikleriyle birlikte PV güç santrallerine olan yatırımların sayısı artmaktadır. PV santrallerin kuruluş yeri seçimi için fizibilite çalışmalarının yapılması ve buna bağlı olarak sistemlerin tasarlanması, yapılacak yatırımların ekonomikliğinin belirlenmesi açısından önemli bir konu olarak görülmektedir. Santral kurulmadan önce ışınım enerjisine göre elde edilebilecek elektrik enerjisinin hesaplanması için eşitlikler ve yöntemler geliştirilmiştir. Bu yöntemlerden biri de makine öğrenme modellerinin geliştirilmesi ve simülasyon sonuçlarının elde edilmesidir. Bu çalışmada; Türkiye'de 125 farklı bölge için kurulması planlanan PV santrallerinin üreteceği elektrik gücünün, makine öğrenmesi modelleri ile tahmin edilmesi amaçlanmıştır. Bu amaç doğrultusunda PV sistemler için güneş ışınımı tahmin edilmesinde Yapay Sinir Ağları (YSA), Çoklu Doğrusal Regresyon (ÇDR) ve k-En Yakın Komşu Regresyon (k-EYKR) makine öğrenimi metodolojileri kullanılmıştır. Bu metodolojilerin performansını analiz etmek amacıyla bir dizi deneysel değerlendirmeler yapılmıştır. Değerlendirmeler için veri seti, Numpy, Pandas, Scipy gibi temel python kütüphanelerinin yanı sıra makine öğrenmesi uygulamaları için geliştirilmiş olan scikit-learn kütüphanesinde test edilmiştir. Deneysel sonuçlar, girdi olarak kullanılmış yedi adet bağımsız değişkenin, makine öğrenimine dayalı tahmin algoritmalarının çalıştırılmasıyla PV tarafında üretilen elektrik gücünü tahmin edebildiğini göstermiştir.

No abstract

üretimi içindeki payının sırasıyla %18,08 ve %18,6 olacağı hesaplanmıştır. 2021 yılı için ise yenilenebilir enerji kaynaklarından üretilen elektriğin toplam elektrik üretimi içindeki payının sırasıyla %21,95 ve %21,68 olacağı hesaplanmıştır. Bu sonuçlar yenilenebilir enerji kaynaklarından üretilen elektriğin toplam elektrik üretimi içindeki payının artacağını göstermektedir. Son olarak yenilenebilir enerji kaynaklarına yatırımlar alanında nasıl bir yol haritası izlenmesi gerektiğine dair önerilerde bulunulmuştur.