Welcome to the Polen - ITU Academic Archive

Polen stores all academic resources—such as books, articles, theses, papers, reports, and research data—directly or indirectly published by the academic and administrative staff and students of Istanbul Technical University in a digital environment in accordance with international standards. It facilitates monitoring the university’s academic performance, ensures the long-term preservation of resources, and provides open access to publications in compliance with copyright regulations to enhance their impact.

The ITU Open Access System provides access to scientific and artistic works—such as books, articles, theses, encyclopedias, and artworks—produced by our faculty members and students in accordance with international standards and intellectual property rights.

Supported by @SelenSoft Yazılım

Articles

Books

Book Parts

Master Theses

Doctoral Theses

Communities in DSpace

Select a community to browse its collections.

Now showing 1 - 5 of 6

Açık Ders Kaynakları 30
İTÜ'de verilen bazı derslerin video kayıtlarını içermektedir.
Akademik Çalışmalar 45904
İTÜ'de yapılan akademik çalışmaları içermektedir.
Arşiv Koleksiyonu 603
Çeşitli birimlerde yer alan arşiv koleksiyonunu içermektedir.
Sunumlar 42
Kurum içinde yapılan çeşitli sunumların çıktılarını içermektedir.
Temel Kayıtlar 2825
Master Data

Recent Submissions

Access status: Open Access ,
Mekânsal bilgi ediniminde oyun-mekân: sanal gerçeklik mecrasinda arkeolojik miras alani örneklemi
(Lisansüstü Eğitim Enstitüsü, 2025-08-04) Güner, Sevde; Gül, Leman Figen; 523162005; Mimari Tasarımda Bilişim
Bireyin çevresiyle etkileşimi sonucu oluşan mekânın zihinsel temsili, fiziksel gerçekliğin nesnelliğinden farklılaşan öznel bir üründür. Oyun, gerçek dünyanın kısıtlarından bağımsız kurgusal deneyimler sunarak mekânın algılanması ve anlamlandırılmasına alternatif bir katmandır. Oyun bu bağlamda, gerçek olandan bağımsızlaşır ve yeni bir görme biçimi tanımlar. Bu yönüyle çevreyi algılama ve yorumlama sürecine kurgusal bir müdahale olarak değerlendirilebilir. Sanal gerçeklik, gerçeğin simüle edilebilmesi, kullanıcıyı içine alan etkileşimli deneyimler sunabilmesi sayesinde mekânsal bilgi edinimi süreçlerini incelemek için elverişli bir mecra tanımlar, oyun çalışmalarında kullanıcıyı içine alan deneyimler sağlanmasını olası kılar. Bu teknoloji, özellikle deneysel araştırmalarda bireyin mekân algısını doğrudan gözlemleme imkânı verdiğinden, mekânsal bilginin edinim, hatırlama ve yeniden üretim süreçlerinin analizinde güçlü bir araçtır. Bu motivasyondan hareketle tez çalışmasında, mekânsal bilgi edinimi kavramı açılarak sanal gerçeklik oyununun sağladığı olanaklar tartışılır. Örneklemi, mekânsal bütünlüğün eksikliği nedeniyle anlamlandırma zorlukları barındıran ortamlar olan arkeolojik miras alanları oluşturur. Bu alanların seçilme nedeni, mekânın bütüncül okunabilirliğinin sınırlı olması ve ziyaretçilerin yön bulma, ilişki kurma ve hatırlama süreçlerinde karşılaştıkları güçlüklerin gözlemlenebilir olmasıdır. Araştırma hedeflerini oyun yaklaşımının ve sanal gerçeklik mecrasının, kullanıcının çevresel ortam (arkeolojik alan) mekânsal bilgisini (yeniden) üretimi üzerindeki etkilerinin deşifresi tanımlar. Bu kapsamda, arkeOyun adlı sanal gerçeklik oyunu geliştirilmiş ve oyun deneyiminin mekânsal öğrenmeye sağladığı avantajlar, potansiyeller ve sınırlılıklar değerlendirilmiştir. Uygulama sürecinde oyun senaryosu, görevler, görsel işaretler ve kullanıcı etkileşimleri tasarlanmıştır. Deneysel çalışma kapsamında katılımcılardan elde edilen hareket ve bakış verileri sistematik olarak analiz edilmiştir. Uygulamanın, oyun kurgusunun geçerlemesi, kullanıcı ve oyun deneyiminin etkinlik, verimlilik ve memnuniyet ölçütleri esas alınarak değerlendirilmesi çalışmanın kapsamındadır. Oyun mekânın mekânsal bilgi edinimi üzerine etkileri, sanal gerçeklik mecrasında mekânsal okunabilirlik kavramından beslenerek oluşturulan kavramsal çerçeve ve kullanıcı deneyleri aracılığıyla mekânsal okunabilirlik ve bilişsel haritalama kavramları üzerinden deşifre edilir. Bu yaklaşım, nicel ve nitel veri toplama yöntemlerinin bir arada kullanılmasını sağlamış ve katılımcıların mekân deneyimlerini çok boyutlu biçimde inceleme olanağı sunmuştur. Araştırmanın bulguları, mekânsal kurgusu tutarlı, anlatı yapısı güçlü ve çok duyulu uyaranlar barındıran sanal gerçeklik tabanlı oyun ortamının, arkeolojik miras bağlamında mekânsal öğrenmeyi destekleyen etkili bir bilişsel destek mekanizması sunduğunu göstermiştir. Oyun deneyiminin katılımcıların mekânsal algı ve yönelim becerilerini geliştirdiği, arkeolojik çevrenin mekânsal okunabilirliğini artırdığı gözlemlenmiştir. Belirgin işaret unsurlarının (meydan, renkli yapılar, yollar) oyunda görünür kılınmasının kullanıcıların hatırlama ve yön bulma performansını güçlendirdiği tespit edilmiştir. Elde edilen sonuçlar, sanal gerçeklik oyunlarının kültürel miras alanlarının yorumlanarak aktarılmasında etkileşimli ve ilgi çekici bir yöntem olarak önemli bir potansiyel taşıdığını ortaya koymaktadır. Ayrıca, çalışma bilişsel haritalama, mekânsal öğrenme ve kültürel mirasın yorumlanmasını oyun yaklaşımını içeren sanal gerçeklik deneyimi çerçevesinde bütünleştiren tekrarlanabilir bir metodoloji sunarak literatüre özgün bir katkı sağlamaktadır. Bu metodoloji, benzer biçimde farklı kültürel miras alanlarında da uygulanabilir ve gelecekte ziyaretçi deneyimlerinin zenginleştirilmesine yönelik araştırmalara temel oluşturabilir niteliktedir.
Access status: Open Access ,
Machine learning-based predictive models for displacement capacity of RC shear walls
(Graduate School, 2025-09-10) Yaghoubi Tahaei, Siamak; Değer, Zeynep; 802192209; Earthquake Engineering
Advances in machine learning techniques have paved the way for addressing highly complex problems in numerous branches of engineering. In line with this trend, several machine learning-based solutions have been proposed to tackle challenges associated with earthquake and structural engineering in recent years. The present study employs machine learning methods to estimate the displacement capacity and equivalent damping ratio of conventional RC shear walls, which are both crucial parameters for the displacement-based and energy-based design of structural systems. RC shear walls are key structural elements that enhance the stiffness and lateral load capacity of mid and high-rise buildings. Shear walls may experience large deformations during their service life as a consequence of large earthquakes and strong winds. Hence, accurate estimation of their displacement capacity is of paramount significance for the design engineer. Nonetheless, a survey of the published scientific literature shows that neither the simpler macroscopic nor the more sophisticated microscopic finite element models can efficiently capture the strength degradation rate and displacement capacity of structural walls. The present study addresses this issue by developing an ML-integrated fibre beam-column element model with a displacement-based formulation to analyse the behaviour of ductile structural walls under cyclic loads. The FE model is computationally efficient and accounts for fixed-end rotations caused by strain penetration, as well as several mechanisms influencing the failure of RC shear walls, namely, toe concrete crushing, longitudinal bar buckling, longitudinal bar fracture in tension and low-cycle fatigue. The FE model has been validated against a dataset of 140 experimental specimens, revealing that concrete peak strain is the most influential parameter on the displacement capacity of the simulated walls. To enhance the usability of the model for untested walls, a machine learning model has been developed to predict the modified value of the concrete peak strain, which is the sole calibration parameter of the FE model. Seven broadly utilised single ML models (Regularised Least Squares Linear Regression (RLR); Kernel Ridge Regression (KRR); Support Vector Regression (SVR); Gaussian Process Regression (GPR); Decision Trees (DT); Random Forests (RF); Least Square Boosting (LSBoost) and a Simple Weighted Ensemble Model have been examined for two wall categories: the set of all analytically modelled specimens (140 units) and specimens with confined boundary elements (110 units). Regression analysis results demonstrated the superiority of the ensemble models over the single models for both wall categories. Moreover, the calibration parameters of the 110-unit category (walls with confined boundary elements) were estimated more efficiently compared to the 140-unit category. The ensemble model for the walls with confined boundary elements category consists of only two ML models, namely, GPR and SVR, as the contribution of other methods proved to be insignificant in terms of improving the prediction quality. FE models using the predicted calibration parameters efficiently replicated the measured lateral load-displacement curves and captured the experimental failure points. The equivalent damping ratio is another important parameter in the displacement-based and energy-based design of structures. Due to the complexity of quantifying the structural damping, the equivalent damping ratio is broadly used by researchers and building standards as a measure of energy dissipation in structures. The utilisation of inaccurate values for the equivalent damping ratio in the displacement-based design method may result in the imprecise evaluation of the target (design) displacement of structures. Considering the discussed significance, the second part of the present study aims to develop a machine learning model to efficiently estimate the equivalent damping ratio of conventional RC shear walls at displacements corresponding to 1.0% drift ratio. This reference deformation has been selected due to its utilisation by numerous building codes as the maximum allowable deformation level of reinforced concrete buildings at the ultimate limit state. To this end, a dataset of 161 experimental specimens was assembled for training and validating the ML models. As the first attempt, the direct prediction of equivalent damping ratio values was unsuccessful in terms of establishing a strong correlation between the measured and estimated data, despite examining several ML methods with assorted feature sets. Consequently, a two-stage algorithm based on treating the cyclic dissipated energy and lateral load at the reference deformation level as the intermediate outputs and calculating the equivalent damping ratio (final output) using the estimated intermediate output values was developed. Five broadly used machine learning techniques, namely, RLR, KRR, SVR, GPR and K-Nearest Neighbour Regression (KNNR) were tested. The regression analysis results demonstrated the superior performance of the GPR method over the other four ML approaches. The model validation results using the GPR method had a mean coefficient of determination (R^2) of 0.89, relative root mean square error (RELRMSE) of 0.141 and average mean absolute percentage error (MAPE) of 10.44%. This study demonstrates the capabilities of machine learning-based solutions to address complex problems in structural and earthquake engineering. The ensemble machine learning algorithm integrated into the relatively simple finite element model provides the FE model with the optimal calibration parameter to efficiently capture the cyclic response and failure deformation of structural walls. On the other hand, the estimated equivalent damping ratios by the GPR method showed a strong association with the measured values, demonstrating the promising application of ML methods in performance-based structural design.
Access status: Open Access ,
A decision support model for the early design phase of residential buildings based on space conditioning energy prediction and optimization with embodied energy
(Graduate School, 2025-07-29) Kömürcü, Damla; Edis, Ecem; 502172643; Construction Sciences
In the building sector, the fact that energy consumption evaluation is not included frequently enough in the design phase causes the performance of the buildings to remain below the potential levels that can be achieved. Developing strategies for the early design phase, which is considered to be the time when the most effective decisions regarding the building can be made, will provide an effective solution to this issue. In this study, it is aimed to support the designer in the early design phase in order to develop energy-efficient building design by taking into account climatic factors, space-conditioning energy, and the embodied energy of the materials used in the facade. For this purpose, it is aimed to develop a model considering the designer's use, which provides information to the designer about the results of his/her decisions for evaluation, and the alternatives that give optimum results among the designs close to his/her decisions. In the developed model called Building Energy Performance Prediction and Optimization Model (BEP-POM), machine learning was preferred for predicting space-conditioning energy consumption due to its potential to give the designer results quickly, at low cost, and in the early design phase without performing a simulation study. In addition, multi-objective optimization was included in the model to obtain optimum results, considering embodied energy as well. In structuring and developing the BEP-POM, a literature review was conducted first in the areas of building design process, machine learning modeling, and multi-objective optimization. Based on the analyses of these areas, the design support model was developed following three main steps. In the first main step, 'Conceptual Model Development', a workflow was structured for the generation of prediction and optimization results considering the designer's decision-making processes and their outputs, which would be the input information to the model. In the development of the model stages, as the second main step, the processes of each module forming BEP-POM were structured with the factors that affect the performance most, and it was aimed to obtain outputs for the modeller that can be followed for her/his case. To this end, for determining space conditioning energy outputs to be predicted by the machine learning model, the use of simulation modeling, and for the embodied energy output, the use of the calculation method utilizing impact data given in the Environmental Product Declarations was proposed. In the third main step, 'Development of a BEP-POM Working Model for Antalya', a study on typical residential buildings in Antalya was conducted by following the steps decided in the second step, development of the model stages. A simulation tool that allows parametric modeling was used to generate the dataset to be used in training the machine learning model. Before proceeding with the final data generation using this tool, a standards-based verification study was conducted to validate the model to be used in calculating energy consumption, followed by energy simulations for selected variables. In the BEP-POM model, to be able to request information from the designer in the early design phase, the number of floors, plan type, window-to-wall ratio, and orientation, all of which are decided in the early design phase, were decided as input variables. Additionally, as variables decided during the detailed design phase, the thermal transmittance of the exterior wall, organized in three categorical value ranges for providing simple options to the designer, and the glazing type, were also determined as input variables in order to let the designer assess the effects of material-related properties decided in the detailed design phase. Considering the literature review on machine learning modeling for predicting building energy consumption, frequently used algorithms with acceptable prediction performance results in the studies reviewed were selected for comparison. In this respect, four algorithms, namely Artificial Neural Networks, Gradient Boosting Decision Tree, Support Vector Regression, and Extreme Gradient Boosting, were tested by training machine learning models that use the outputs of energy simulations. Regarding finding the optimum design alternatives in terms of space conditioning energy consumption and embodied energy of the facade system materials, three different multi-objective optimization methods, namely Non-dominated Sorting Genetic Algorithm, Constrained multi-objective optimization and Reference Vector Guided Evolutionary Algorithm were tested using the prediction and calculation results of a certain early design phase scenario (i.e., 4-storey buildings with their short side facing north, and a window-to-wall ratio of 20%). For the machine learning models, coefficient of determination (R2), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE) metric results, which were based on test sets, and prediction error for the data that the model did not see during training; for the multi-objective optimization models, the convergence, execution time, and the variety of optimum design schemes were taken into account in the performance evaluation. These evaluations presented that, with the selected input variables by considering the early design phase, high accuracy in prediction results can be obtained. Additionally, it was observed that, regardless of the machine learning algorithm used, the addition of nonparametric data to the input set used for training the model improves the prediction performance for the unseen data. The Artificial Neural Networks algorithm resulted in an accurate prediction of the space conditioning energy and was selected for use in the prediction module of BEP-POM. The Non-Dominated Sorting Genetic Algorithm-III was selected for use in the optimization module focused on three objectives, which were reducing heating load, cooling load, and embodied energy. As a result, designers will be able to make informed decisions during the early design phase using the working models generated with the processes proposed in this thesis. In the future, including different values/options of process variables in the modeling scope will make the model more comprehensive. Among these different process variables, input variables such as location, climate zone, and urban factors, and methods such as new machine learning algorithms, multi-objective optimization methods, sampling methods, and feature engineering/analysis methods that continue to be developed for different data features over time, can be counted.
Access status: Open Access ,
Silifke merkez ve kırsalı tarihsel peyzaj niteliklerinin değerlendirilmesi ve korunması
(Lisansüstü Eğitim Enstitüsü, 2025-07-24) Aydoğdu, Yasemin; Sayar Kâhya, Yegân; 502132203; Restorasyon
Bu tezde bir bütün olarak fiziksel çevre ve bu çevredeki kültürel derinlik ortaya konularak, doğal niteliklerin ve kültürel derinliğin yerin mevcut karakterini karşılıklı olarak nasıl etkiledikleri anlaşılmak istenmiştir. Bu bağlamda doğa ve kültürün beraber oluşturduğu ve arkeoloji disiplininde yakın zamanlarda çalışılmaya başlanmış olan peyzaj kavramı ele alınmaktadır. Peyzaj, insanın yarattığı kültürü anlayabilmek için bir arka plan olarak görülmekten, insan faaliyetini bizzat yaratan ve yönlendiren arkeolojik bir nesne haline gelmeye başlamıştır. Ancak peyzaj, üzerinde uzlaşılmış olmanın çok ötesinde, neredeyse konuya dair çalışan herkesin kendince ayrı bir tanımlama yaptığı, son derece ihtilaflı bir kavramdır. Tüm bu farklı tanımlar üzerinden peyzajın aslında ne olduğu sorusu tezde çözülmek istenen ana problemlerden birine dönüşmüştür. Görünen, özellikle "kültürel – doğal", "fiziksel – algısal", "mekansal – zamansal", "sabit – değişken" ikilikleri ve bu ikiliklerin türevleri üzerinden bir peyzaj tanımlaması yapıldığı şeklindedir. Bu çalışmada peyzajın tam da tüm bu ikiliklerin ara kesitinde olduğu bir tanım kabul edilmektedir. Geçmişteki insan faaliyetlerini anlayabilmek için peyzajın geçmişine bakmak gerekir. Peyzajı bir nesne olarak ele alıp tanımlamak ve geçmişteki peyzajları da tanımlayabilmek için zaman içinde çeşitli yöntemler uygulanmaya başlanmıştır. Bu yöntemlerden biri olan "Tarihsel Peyzaj Karakterizasyonu (TPK)", Avrupa Konseyi'nce 2000 yılında hazırlanan "Avrupa Peyzaj Sözleşmesi" ile yaklaşık aynı dönemlerde ve Sözleşme ile uyum içinde geliştirilmiş bir peyzaj aracıdır. Günümüz peyzajının tarihi ve kültürel boyutlarını yorumlayabilmek için peyzajdaki farklı karakterleri tanımlama yöntemi olarak ortaya çıkarılmıştır. "Peyzaj karakteri", bir peyzajı diğerinden farklı kılan, peyzajdaki tanınabilir ve tutarlı örüntü unsurudur. Peyzaj karakterini oluşturan jeoloji, arazi formu, toprak, bitki örtüsü, arazi kullanımı, yerleşim örüntüleri arasındaki etkileşime dayanarak açıklamalar geliştirip peyzajların nasıl algılandığı ve deneyimlendiğine odaklanılır. Ana referans noktası daima peyzajın mevcut durumudur ancak peyzaj değişir, değişmektedir ve gelecekte de değişecektir. Peyzajın bugün nasıl algılandığı ve deneyimlendiği üzerinden geriye dönük değişim sürecini anlamada ve geçmişteki peyzajın nasıl olduğunu ve bunu oluşturan geçmiş toplum değerlerini kavramada Tarihsel Peyzaj Karakterizasyonu rol oynayabilir. Anıt odaklı ve sadece önemli görülen peyzaj alanlarının kayıt altına alınacağı bir yaklaşım önerilmez. Peyzaj her yerdedir ve her yerdeki peyzaj doğal olduğu kadar kültüreldir. Dolayısıyla peyzajın tümü aynı değerde ele alınmalıdır. Karakterizasyon, peyzajın "en iyi" kısımlarını seçmeye değil, peyzajın tümünü tanımaya yönelik bir yöntemdir. Seçici yaklaşımlar Tarihsel Peyzaj Karakterizasyonu için uygun değildir, tüm peyzaj karakterize edilmelidir, o halde daha başarılı bir arkeolojik anlayış geliştirmek mümkündür. Tarihsel Peyzaj Karakterizasyonu, Mersin ili Silifke ilçesi sınırları içindeki tez çalışma alanında uygulanmıştır. Tez çalışma alanı, Silifke'yi kuzeybatı-güneydoğu yönlü bölen Göksu Nehri'nin güneyinde kalan yaklaşık 750 km2'lik bir alandır. Coğrafi Bilgi Sistemleri (CBS), TPK yöntemini uygulamak ve çoklu veriyi işlemek için kullanılmıştır. Çalışma alanına ait Milli Savunma Bakanlığı, Harita Genel Müdürlüğü Ulusal Haritacılık Kurumu'ndan (HGM) edinilen 1953, 1969, 1978 ve 1990 yıllarında çekilmiş hava fotoğrafları, yine HGM'den 1:25.000 ölçekli TOPO25 vektör verileri ve Silifke Belediyesi'nden 2011 yılına ve HGM'den 2012 yılına ait ortofoto görüntüsü temin edilmiştir. Yöntemin hedefi, belirlenen peyzaj karakter türleri üzerinden çalışma alanını üstüste çakışmayacak ve aralarında boşluk bırakmayacak şekilde çizilen çokgenlere bölmek ve dolayısıyla tüm alanın peyzaj karakter haritasını çıkarmaktır. Öncelikle 1953, 1969, 1978 ve 1990 yıllarına ait hava fotoğrafları için, ESRI ArcGIS 10.3.1 programı kullanılarak, UTM-WGS84 koordinat referans sistemine göre koordinatlandırılmış 2011 ve 2012 yılı ortofotoları üzerinde coğrafi referanslandırma yapılmış, böylelikle tüm hava fotoğrafları, ortofoto ile örtüştürülmüştür. Çalışma alanında belirlenen peyzaj karakter geniş türleri; yerleşim alanları, tarımsal faaliyet alanları, kaba zemin alanları, kalkınma alanları, su alanları ve ulaşım hatları olarak belirlenmiştir. Bu ana başlıklara bölünmüş peyzaj alt kategorilere ayrılarak peyzaj karakter türleri üzerinden çalışma alanının zaman içindeki dönüşümü anlaşılmaya çalışılmaktadır. Yerleşim alanları morfolojik olarak "toplu", "sıra", "dağınık" ve "doğrusal/ızgara planlı" yerleşimler olmak üzere sınıflanmıştır. Tarımsal faaliyet alanları, tarlalar ve teraslar olmak üzere iki ana gruptur. Her iki grup yine morfolojik olarak alt gruplara ayrılmaktadır. Tarlalar, "geleneksel düzenli tarla", "şerit tarla", "orman/maki içi açılmış tarla", "makili tarla", "teraslanmış tarla", "düz kenarlı tarla" ve "damalı modern tarla" olarak; teraslar ise "örgülü teras", "kontur teras", "basamaklı teras", "baraj teras" ve "sahte teras" olarak sınıflanmıştır. Çalışma peyzajındaki kalkınma alanları "fabrika", "taş ocağı", "balık çiftliği", "organize sanayi sitesi" ve "enerji santrali"dir. Kaba zemin alanları ise halihazırda tarımsal amaçlı olarak kullanılmayan, "ormanlık", "makilik", "sazlık", "kayalık", "kumluk" olan veya bu nitelikleri muhtemelen bir başka yeni işlev için yok edilmiş "niteliksizleştirilmiş alan"ları ifade eder. Çalışma alanının Akdeniz'e kıyı olması denizi bölge peyzajı için çok önemli bir unsur haline getirmektedir. Bunun dışında Su Alanları başlığında "akarsu ve dere" ve "göl"e ilaveten, Göksu Deltası'ndaki tarımsal faaliyeti desteklemek için inşa edilen "drenaj kanalları" bulunmaktadır. Son peyzaj karakteri geniş türü Ulaşım Hatları'dır. Buradaki kategorizasyon, karayollarının "devlet yolu", "il yolu", "ilçe yolu", "köy yolu", "belediye yolu" ve "orman yolu" olarak ayrılmasıdır. Karayollarının dışında "Liman/İskele/Demirleme Yeri/Balıkçı Barınağı" kategorisi de yine bu başlık altında deniz ulaşımını simgeler. Bu kategorizasyona göre alanın 1953, 1969, 1978, 1990 ve 2011/12 yılları için ayrı ayrı oluşturulmuş ve 5.108 çokgene ayrılmış 5 ayrı Tarihsel Peyzaj Karakterizasyon haritası oluşturulmuştur. Her bir çokgene bir sıra numarası verilerek, bu çokgenlere dair veriler Microsoft Access programında oluşturulan veritabanına bu sıra numarası ile kaydedilmiştir. Sonra bu veritabanı, çizilen çokgenlerle CBS programında verilen sıra numarası üzerinden ilişkilendirilmiştir. Üretilen haritaların yorumlanmasına yönelik altyapı oluşturabilmek için, çalışma alanına ve dahil olduğu daha geniş Kilikya tarihi coğrafi bölgesi, Anadolu ve Akdeniz'e dair tarihi, coğrafi, jeolojik, demografik, ekonomik, sosyal ve kültürel yapıya dair tespit edilebilen tüm verilere tezde yer verilmiştir. Ek olarak çalışma alanındaki tescilli ve tescile değer bilinen tüm "sit"ler tezde listelenmiştir. Böylelikle çalışma alanı bütünsel olarak değerlendirilebilirken, belirlenmiş doğal ve kültürel "korunacak alanlar"ın özel koruma mevzuatına dahil edilmesi söz konusudur. Bu durum peyzajın bütünselliği ve Tarihsel Peyzaj Karakterizasyon yöntemi ile çelişmez, aksine peyzajı birbirinden farklı ihtiyaçlara yönelik olarak planlamak mümkün olur. Ancak burada esas olan planlamanın "koruma odaklı" olmasıdır. Geçmişten bugüne dönüşümü anlamak, bugünden geleceğe nasıl bir peyzaj bırakmak istediğimize, peyzajdaki neleri koruyup peyzajı nasıl planlamamız gerektiğine dair bir anlayış geliştirmemize yardım eder. Böylelikle gelecekteki peyzaj dönüşümünü anlamak, planlamak, biçimlendirmek ve yönetmek için erişilebilir ve bütüncül bir koruma yaklaşımı ihtiyacına cevap verilebilir. Silifke'de oluşturulan Tarihsel Peyzaj Karakterizasyon haritaları, korunmuşluğu değil peyzajdaki değişimi açıkça göstermektedir. Çalışma alanı, inşaat ve enerji sektörleri için giderek hammadde üretim merkezine dönüşürken, mevcut kırsal yerleşimlerdeki nüfusun azalması, tarımsal alanların geleceği için ümit vaad etmez. Bölgenin kırsal karakteri, köylerde tarım / hayvancılık yapan nüfusun giderek azalmasıyla ve gelen nüfusun güneydeki liman, taş ocağı, nükleer santral inşaatı gibi kalkınma projelerinde çalışmalarıyla giderek değişmektedir. Son dönemlerde, su bakımından kıt olan bölgede, özellikle verimli alüvyon alanlarda seralaşma ve sulama havuzları görülmektedir. Teras alanlarının mevcudiyetinin ve kullanımının sürekliliği risk altındadır. Inşa edilen kara yollarının peyzajda yarattığı değişim devasa bir boyut kazanmıştır. Ne yazık ki tüm bu değişim vahşi kalkınmaya dayalı politikaların sonuçlarını yansıtıyor görünmektedir.
Access status: Open Access ,
Low power application specific instruction set processor
(Graduate School, 2025-09-16) Köksal Rumelili, Çağla Irmak; Yalçın Örs, Sıddıka Berna; Say, Fatih; 504172237; Electronics Engineering
The increasing need for high-throughput yet energy-efficient computing has shifted attention towards application-specific instruction set processors (ASIPs), especially in domains such as deep learning, where traditional general-purpose architectures fail to meet strict latency and power constraints. This dissertation explores architectural and methodological techniques to enhance the performance and energy efficiency of ASIPs tailored for machine learning inference. The work begins by targeting the computational inefficiencies in non-linear activation functions commonly used in recurrent neural networks. A quantization-aware approximation technique is proposed, enabling low-bitwidth execution while preserving inference accuracy. This method supports efficient deployment of LSTM-based models on ASIPs by eliminating floating-point dependencies and reducing power-hungry arithmetic. To further optimize data locality and reduce memory access energy, this research explores architectural enhancements tailored for convolutional neural network (CNN) accelerators. Specifically, it introduces a reconfigurable memory hierarchy in which the last-level cache is repurposed as a software-managed scratchpad. This transformation, combined with application-aware data prefetching, enables fine-grained control over memory usage and timing. Such memory subsystem customization is particularly beneficial in accelerator-based ASIP designs, where efficient data movement is as critical as compute throughput. The dissertation also presents a high-speed simulation platform that enables rapid evaluation of memory and compute subsystems in ASIP designs. Unlike traditional simulation frameworks that are often too slow for full-system exploration, the proposed method offers orders of magnitude speedup while providing sufficiently accurate modeling of system behavior, enabling iterative design-space exploration and validation. Altogether, this work delivers a holistic framework for designing low-power, application-specific processors by co-optimizing quantization methods, memory hierarchies, and system-level modeling. The proposed techniques contribute to bridging the gap between high-level algorithm design and efficient hardware implementation, supporting future ASIP development for embedded AI workloads.