Artificial intelligence applications in microwave and mmwave sensing
Mikrodalga ve milimetre dalga algılamada yapay zeka uygulamaları
- Tez No: 981917
- Danışmanlar: DOÇ. DR. MEHMET NURİ AKINCI
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İletişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Uydu Haberleşmesi ve Uzaktan Algılama Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde teknolojinin hızlı gelişimi ve dijitalleşmenin etkisiyle, mikrodalga ve milimetre dalga frekanslarında çalışan algılama sistemleri, endüstriyel otomasyon, çevresel izleme, tıbbi tanı ve gıda güvenliği gibi pek çok kritik alanda yaygın olarak kullanılmaya başlanmıştır. Artan uygulama çeşitliliğiyle beraber, güvenilir, hızlı ve temassız ölçüm ihtiyacı ön plana çıkmış, bu durum geleneksel fizik tabanlı yaklaşımların sınırlı kaldığı noktaları da belirginleştirmiştir. Özellikle karmaşık, ve değişken ortam koşullarında geleneksel yöntemlerin gerek hız gerekse doğruluk açısından yetersiz kalması, araştırmacıları daha yenilikçi ve veri odaklı yöntemlere yöneltmiştir. Yapay zeka ve makine öğrenmesi tabanlı algoritmalar, mikrodalga tabanlı algılama sistemlerinde çok boyutlu ve karmaşık verinin işlenmesi, yorumlanması ve karar verme süreçlerinde büyük avantajlar sunmakta, yeni nesil sensör teknolojilerinin geliştirilmesine imkan sağlamaktadır. Bu tezde, mikrodalga ve milimetre dalga algılamada karşılaşılan temel problemlerin çözümünde yapay zeka ve derin öğrenme tekniklerinin uygulanabilirliği incelenmiş; çalışma kapsamında geleneksel fizik tabanlı yöntemler ile modern veri odaklı modelleme yaklaşımlarının entegrasyonuna odaklanılmıştır. Araştırmanın temel amacı; mikrodalga frekanslarında çalışan sensör ve anten sistemlerinden elde edilen karmaşık ve yüksek boyutlu verilerin, yapay zeka destekli algoritmalar aracılığıyla hızlı, hassas ve güvenilir bir şekilde işlenmesiyle empedans ve tuz konsantrasyonu gibi fiziksel parametrelerin doğru şekilde tahmin edilmesini sağlamaktır. Bu amaçla, tez kapsamında üç ana uygulama alanı ele alınmıştır: iletim hatlarında empedans tahmini, horn anten ile tuzluluk tespiti ve Vivaldi anten ile temassız tuzluluk ölçümü. Her bir uygulama senaryosu için hem deneysel hem de simülasyon tabanlı veriler kullanılmış, çeşitli derin öğrenme ve özellik seçimi yaklaşımları geliştirilmiş ve elde edilen modellerin başarımı hata metrikleriyle karşılaştırılmıştır. Tez çalışmasının ilk bölümünde, mikrodalga iletim hatlarında empedans değerlerinin tahmini ve iletim hatları boyunca“soft fault”adı verilen küçük arıza noktalarının saptanması üzerinde durulmuştur. İletim hatlarındaki küçük empedans değişiklikleri, kablo arızalarının ve sistem performansındaki bozulmaların önceden tespitinde kritik rol oynamaktadır. Böylece, sistem güvenilirliği artmakta ve önleyici bakım mümkün hale gelmektedir. Bu kapsamda, 0-7 GHz frekans aralığında, 1000 frekans noktasında mikroşerit hatlardan yansıtma verileri toplanmıştır. Geliştirilen faz bilgili (phasic) ve fazsız (phaseless) sinir ağı modelleri, yalnızca MATLAB ortamında simülasyon verileriyle eğitilmiş, sonrasında hem CST ve MATLAB simülasyonlarında hem de laboratuvar ortamında VNA ile alınan gerçek ölçüm verileriyle test edilmiştir. Phasic moodelinin girişi yansıtma katsayısının gerçek ve imajiner kısımları phaseless modelinin girişi ise yansıma katsayılarının genlik bileşenleri olacak şekilde hazırlanmış; çıktılar ise iletim hattı boyunca empedansın gerçek ve imajiner bileşenleridir. Sonuçlara göre, faz bilgisini kullanan phasic model, özellikle karmaşık profillerde yüksek doğruluk sağlamıştır. Örneğin, empedans değerinin gerçek kısmının tahmininde maksimum hata oranı, MATLAB, CST ve deneysel verilerde sırasıyla %1,29, %3,19 ve %5,62; imajiner kısmının tahmininde ise %1,79, %3,2 ve %5,4 olarak elde edilmiştir. Sadece genlik bileşeniyle çalışan phaseless model ise, daha basit profillere sahip iletim hatlarında, örneğin tek veya iki belirgin empedans değişiminin olduğu durumlarda, yüksek doğruluk göstermiştir. Bu modelin maksimum hata oranı, gerçek empedans kısmında MATLAB ve CST verilerinde sırasıyla %2,62 ve %14,9; imajiner empedans kısmında ise %2,4 ve %13,5 olarak hesaplanmıştır. Elde edilen bu bulgular, hem phasic hem de phaseless NN modellerinin, güç iletim hatlarında devre koruma ve empedans uyumsuzluğu izleme gibi alanlarda pratik ve güvenilir çözümler sunabileceğini göstermektedir. Tezin ikinci uygulama alanında, suyun tuz içeriğinin hızlı, hassas ve temassız biçimde belirlenmesi amacıyla horn anten tabanlı bir mikrodalga algılama sistemi geliştirilmiştir. Bu kapsamda, 1–13 GHz frekans aralığında, 0 ile 31 gram arasında 1 gramlık artışlarla hazırlanan 32 farklı tuz derişimine sahip şişe suyu örnekleri üzerinde yansıma katsayısı (S-parametresi, S₁₁) ölçümleri yapılmıştır. Elde edilen yüksek boyutlu veri seti üzerinde hem ham verinin hem de türevlerinin gerçek ve imajiner kısımları analiz edilmiştir. Farklı tuz seviyelerine karşılık gelen S-parametrelerinin değişimleri incelenmiş, bu veriler üzerinde Principal Component Analysis (PCA) uygulanmıştır. PCA, yüksek boyutlu veriyi daha düşük boyutlara indirgerken en anlamlı bilgiyi ön plana çıkaran bir yöntemdir. Gerçekleştirilen analizde, S-parametrelerinin hem gerçek hem de imajiner bileşenlerinde, ilk üç ana bileşenin toplam varyansın sırasıyla %82,56 (gerçek kısım) ve %86,27'sini (imajiner kısım) açıkladığı görülmüştür. Bu da, farklı tuzluluk seviyelerinin başlıca üç PCA bileşeni ile etkili şekilde ayrıştırılabildiğini ortaya koymuştur. S-parametrelerinin birinci türevleriyle yapılan PCA'da ise, üç bileşen toplam varyansın yaklaşık %60'ını açıklamıştır. Türev verisi ani değişimleri ve gürültüyü daha iyi gösterse de, genel ayrım gücü ham veriye göre biraz daha düşük olmuştur. Daha sonra, horn antenle elde edilen bu yansıma katsayısı verileriyle derin sinir ağı (DSA) modeli geliştirilmiş ve tuz miktarı tahmininde kullanılmıştır. Modelin eğitimi sırasında Adam optimizasyon algoritması kullanılmıştır. Öğrenme oranı başlangıçta 10⁻³ olarak belirlenmiş ve her 200 epoch'ta bir 10 kat azaltılmıştır. 1–13 GHz aralığında, 10 MHz adımlarla alınan yansıma katsayısı ölçümleri DSA modeline giriş olarak sunulmuştur. Modelin performansı, geniş bant (1–13 GHz) ve 78 farklı bantta test edilmiştir. En iyi sonuç 1–8 GHz aralığında %2,18 gibi düşük bir hata oranı ile elde edilmiştir. Geniş bant daha fazla veri sağlasa da, 1–8 GHz aralığında modelin hata oranı en düşük seviyededir. Frekans bandının başlangıç noktası azaldıkça (örneğin 1–4 GHz gibi), modelin tahmin başarısının da arttığı gözlemlenmiştir.Yüksek frekanslarda (örneğin 9–12 GHz), hata oranı yükselmiştir; bu artış, kablo karakteristiği, EM dalga etkileşimi ve serbest uzay ölçüm koşullarının etkisiyle açıklanabilir. DSA modeli yalnızca klasik şekilde eğitim ve test veri setlerine bölünerek değil, aynı zamanda“unseen data”(görülmemiş veri) yöntemiyle de değerlendirilmiştir. Bu yöntemde, 2 g, 14 g ve 28 g tuz içeren örnekler eğitim ve doğrulama aşamalarında veri setinden çıkarılmış, model bu tuzluluk seviyelerini ilk kez test aşamasında görmüştür. Modelin bu seviyelerdeki hata oranları sırasıyla %8, %1,43 ve %2,32 olarak hesaplanmıştır. Bu sonuçlar, modelin daha önce hiç karşılaşmadığı yeni ve ara tuzluluk değerlerinde de başarılı bir şekilde tahmin yapabildiğini göstermektedir. Bu çalışmada, tekrarlı ölçüm, her bir tuzluluk seviyesine sahip şişenin, her ölçümde saat yönünde bir miktar çevrilerek yeniden ölçülmesini ifade etmektedir. Bu yöntem ile, şişe konumunun ve özellikle şişe yüzeyindeki düzensizliklerin model performansına olan etkisi de değerlendirilmiştir. Analizlerde, her bir tuzluluk seviyesi için tekli, ikili, üçlü, dörtlü ve beşli tekrarlı ölçüm yapılandırmaları uygulanmıştır. Modelin başarısı, 2–4 GHz, 1–8 GHz ve 3–10 GHz olmak üzere üç farklı frekans bandında test edilmiştir. Özellikle 1–8 GHz frekans bandında, tekli ve ikili tekrarlı ölçümlerde hata oranı %18'in üzerinde kalırken, üçlü veya daha fazla tekrar ile bu oran %3,4'ün altına düşmektedir. Benzer şekilde, diğer frekans bantlarında da tekrarlı ölçümlerin model başarısını belirgin şekilde artırdığı gözlemlenmiştir. Elde edilen bu sonuçlara göre, DSA modeli tasarlanırken kullanılan bant genişliği ve tekrarlı ölçüm sayısının modelin genel performansı üzerinde kritik bir etkiye sahip olduğu görülmüştür. Ayrıca, modelin geçmiş literatürle karşılaştırmasına bakıldığında; daha önceki çalışmalarda malzemelerin dielektrik özellikleri çoğunlukla yansıma katsayıları üzerinden, rezonans frekansı kayması veya voltaj değişimi gibi sınırlı parametreler ile ve genellikle doğrudan temas gerektiren (invaziv) yöntemlerle analiz edilmiştir. Bu tezde ilk kez, horn antenle geniş bir frekans aralığında alınan yansıma parametre verileri ve derin öğrenme tabanlı modelleme sayesinde, temassız ve çok daha yüksek hassasiyetli tuzluluk tahmini gerçekleştirilmiştir. %2,18'lik hata oranı, modelin su kalitesi izleme uygulamalarında ne kadar güvenilir ve pratik bir çözüm sunduğunu ortaya koymaktadır. Ayrıca, bu yaklaşım klasik yöntemlerdeki gibi doğrudan temas veya voltaj değişimi gerektirmediği için, otomasyona uygun, dayanıklı ve gerçek zamanlı ölçüm sistemlerinin geliştirilmesine de önemli katkı sağlamaktadır. Üçüncü olarak, daha geniş frekans aralığında ve çift antenli (transmisyon/refleksiyon) yapı ile çalışan, temassız tuzluluk tespiti için Vivaldi anten tabanlı bir mikrodalga algılama sistemi tasarlanmıştır. Bu sistemde, Vivaldi antenler ve PA6 plakalar kullanılarak, 0.5–8 GHz frekans aralığında ve 751 farklı noktada hem yansıma (RP, S₁₁, S₂₂) hem de iletim (TP, S₂₁) parametreleri ölçülmüştür. Deneylerde kullanılan her bir şişe, saydam camdan ve silindirik şekilde olup, 127.5 mm yüksekliğe ve 40 mm çapa sahiptir ve içinde 100 mL çözelti bulunmaktadır. Toplam 31 farklı test numunesi hazırlanmış, bu numunelerin tuzluluk seviyeleri 0 ile 30000 ppm arasında ve her biri 1000 ppm artışla ayarlanmıştır. Örneğin, 1000 ppm'lik bir örnek 100 mL suda 0.1 gram tuz çözülerek hazırlanmıştır. Her ne kadar şişeler genel olarak silindirik olsa da, üretim toleransları nedeniyle küçük geometrik asimetriler bulunabilmektedir. Bu tür asimetriler, ölçüm sırasında elektromanyetik alanın dağılımında küçük değişikliklere yol açabilir. Veri güvenilirliğini ve tekrarlanabilirliğini sağlamak için her bir numune beş kez ölçülmüştür. Şişe geometrisindeki asimetriler nedeniyle, her ölçümde numune saat yönünde çevrilerek farklı açılardan RP ve TP değerleri kaydedilmiştir. Böylece, şişe yüzeyindeki lokal düzensizliklerin ve konum farklılıklarının ölçüme etkisi minimuma indirilmiştir. Bu protokolle, her oturumda toplamda 155 ölçüm (31 örnek × 5 pozisyon) yapılmıştır. Ayrıca, beş gün içinde dört ayrı ölçüm oturumu düzenlenmiş, ilk üçü ardışık günlerde, sonuncusu ise bir gün aradan sonra gerçekleştirilmiştir. Bu uygulama sayesinde ölçümlerin zamansal kararlılığı ve olası VNA kayması veya kablo etkileri de değerlendirilmiştir. Sonuçta, her numune için dört oturumda yapılan beşli tekrarlarla toplamda 620 adet RP ve TP ölçümü elde edilmiş ve bu veriler hem özellik seçimi hem de DSA modelinde kullanılmıştır. Özellik seçimi, kararlı makine öğrenmesi modellerinin geliştirilmesinde oldukça kritik bir adımdır; çünkü hem model doğruluğunu hem de kararlılığını, en anlamlı giriş verilerini seçerek iyileştirir. Bu çalışmada veri setindeki öznitelikler, numunelerin Vivaldi anten ile yapılan ölçümlerinden elde edilen RP ve TP değerlerinin 751 frekans noktasındaki gerçek, imajiner ve genlik bileşenlerinden oluşmaktadır. Toplam veri seti, 620 ölçüm × 751 frekans noktası × 9 bileşen (RP ve TP'nin gerçek, imajiner ve genlik değerleri) şeklindedir, yani toplamda 620 × 6759 özellik içermektedir. DSA modelinin öngörü başarısı ve hesaplama verimliliğini artırmak için ön işlem aşamasında gereksiz öznitelikler ayıklanmış, çeşitli özellik seçimi yöntemleri kullanılmıştır. Bu kapsamda, dört farklı özellik seçimi yöntemi (T-test, Lasso-L1, Mutual Information, Correlation Analysis) uygulanarak tuzluluk tahmini üzerindeki etkileri değerlendirilmiştir. Modelin başarımı bu yöntemler ile analiz edilmiş ve farklı frekans bantlarındaki kararlılığı detaylı olarak test edilmiştir. Özellikle Correlation Analysis yöntemiyle, hem yansıma hem iletim katsayılarının kullanıldığı 0,5–2 GHz bandında ortalama mutlak hata (MAE) 106.27 ppm, kök ortalama kare hata (RMSE) 154.47 ppm ve determinasyon katsayısı (R²) 0.999702 olarak bulunmuştur. Yalnızca S₂₁ parametresine Mutual Information yöntemi uygulandığında ise, en iyi performans 0.5–2.5 GHz frekans bandında elde edilmiş; bu bantta MAE 126.37 ppm, RMSE 156.31 ppm ve R² değeri 0.999695 olarak hesaplanmıştır. Elde edilen bu sonuçlar, mikrodalga algılama ve derin öğrenme tabanlı modellerin, suyun dielektrik özelliklerindeki değişimleri analiz ederek su kalitesini yüksek hassasiyetle değerlendirebildiğini göstermektedir. Geliştirilen sistem, çevresel izleme, su kaynakları yönetimi, tarımsal sulama ve deniz ekosistemlerinin değerlendirilmesi gibi alanlarda önemli bir potansiyele sahiptir. Gelecekte, geliştirilen bu metodolojinin LiCl, KCl, şeker, antibiyotik ve mikroplastik gibi çevresel kirleticilerin ya da farklı sıvıların temassız karakterizasyonunda ve ayrıca toprak analizinde uygulanması düşünülmektedir. Bu sayede, sistemin çeşitli endüstriyel alanlarda gerçek zamanlı, dayanıklı ve yüksek doğrulukta kalite kontrol ve izleme amacıyla kullanılabilmesi için yeni olanaklar sunacağı öngörülmektedir. Tüm bu deneysel çalışmalar İstanbul Teknik Üniversitesi laboratuvarlarında gerçekleştirilmiş, mikrodalga ölçümleri yüksek hassasiyetli VNA cihazlarıyla alınmış, simülasyonlar CST Studio Suite ve MATLAB yazılımlarında yapılmış, sinir ağı modelleri ise Python ortamında Keras ve TensorFlow kütüphaneleri ile geliştirilmiştir. Hiperparametre optimizasyonu ve çapraz doğrulama gibi modern veri işleme yaklaşımları ile modellerin güvenilirliği ve genellenebilirliği artırılmıştır. Sonuç olarak, bu tez çalışması; mikrodalga ve mm-dalga algılamada yapay zeka tabanlı derin öğrenme yöntemlerinin, geleneksel fizik temelli ölçüm ve analiz yöntemlerinin yerini alabilecek potansiyelini net biçimde ortaya koymuştur. Çalışmada geliştirilen sistem ve modeller, hız, hassasiyet, esneklik ve maliyet etkinliği açısından önemli avantajlar sağlamış; başta çevre, endüstri, tarım ve sağlık olmak üzere birçok sektörde yaygın uygulama potansiyeline sahip yenilikçi bir bakış açısı sunmuştur. Gelecekte, farklı anten ve algılayıcı yapıların denenmesi, veri setlerinin genişletilmesi, çeşitli sıvı ve katı parametrelerin temassız ve gerçek zamanlı olarak tespiti, otomasyon sistemlerine entegrasyon ve saha testleri gibi alanlarda bu yaklaşımın daha da yaygınlaştırılması mümkün görülmektedir. Elde edilen bulgular, mikrodalga tabanlı algılama teknolojilerinde yeni bir perspektif oluşturmakta ve literatüre önemli bir katkı sunmaktadır.
Özet (Çeviri)
With the rapid development of technology and the effects of digitalization, sensing systems operating in microwave and millimeter-wave (mm-wave) frequency bands have become widely used in various fields such as industrial automation, environmental monitoring, medical diagnostics, food safety, and agriculture. As application diversity has increased, the need for reliable, fast, and non-contact measurements has become more important. This has revealed the limitations of conventional physics-based approaches. Especially in complex and dynamic environments, traditional methods are often insufficient in terms of both speed and accuracy, pushing researchers towards more innovative and data-driven solutions. Artificial intelligence (AI) and machine learning (ML) algorithms offer significant advantages in the processing, interpretation, and decision-making of high dimensional and complex data in microwave-based sensing systems; therefore, they facilitate the development of new-generation sensor technologies. In this thesis, the applicability of AI and deep learning (DL) techniques to solve fundamental problems in microwave and mm-wave sensing is investigated. The work focuses on integrating traditional physics-based methods with modern data-driven modeling. The main goal of the research is to accurately estimate various physical parameters, such as impedance and salt concentration, by processing complex and high-dimensional data obtained from sensors and antenna systems operating at microwave frequencies using AI-supported algorithms. For this purpose, the thesis addresses three main application areas: impedance estimation on transmission lines (TLs), salinity detection with a horn antenna, and non-contact salinity measurement with a Vivaldi antenna. For each scenario, both experimental and simulation-based data are used, and various DL and feature selection approaches are developed. The performance of the resulting models is compared using error metrics. The first part of the thesis investigates microwave TLs, aiming to accurately estimate impedance and identify soft faults. Small impedance changes in TLs play a critical role in the early detection of cable faults and system performance degradation. Therefore, system reliability can be improved and preventive maintenance can be carried out. For this purpose, reflection data were collected from microstrip lines at 1000 frequency points in the 0-7 GHz range. The developed phasic (phase-informed) and phaseless neural network (NN) models were trained using only simulation data from MATLAB, and then tested on both CST and MATLAB simulations as well as on experimental data obtained from a vector network analyzer (VNA) in the laboratory. The phasic model used the real and imaginary components of the reflection parameters (RPs) as inputs, whereas the phaseless model used only the magnitude. In both models, the outputs were the real and imaginary parts of the impedance along the TL. The results showed that the phasic model, which uses phase information, provided high accuracy, especially for complex profiles. For instance, the maximum error for the real part was 1.29%, 3.19%, and 5.62% in MATLAB, CST, and experimental data, respectively; for the imaginary part, the values were 1.79%, 3.2%, and 5.4%. The phaseless model, which uses only the magnitude, achieved high accuracy for simpler profiles with a single peak or two distinct impedance changes, with maximum errors of 2.62% and 14.9% (real part), and 2.4% and 13.5% (imaginary part) in MATLAB and CST. These findings show that both the phasic and phaseless NN models offer practical and reliable solutions for circuit protection and impedance mismatch monitoring in power TLs. The second application area of the thesis involves developing a horn antenna-based microwave sensing system to determine the salt content in water rapidly, accurately, and non-invasively. For this purpose, RP measurements specifically S₁₁ measurements were performed on bottled water samples with different salt concentrations over the frequency range of 1-13 GHz. The high dimensional dataset was analyzed both in terms of raw and derivative data, and their real and imaginary parts. Changes in scattering parameters (S-parameters) at different salt levels were examined, and Principal Component Analysis (PCA) was applied to the data. PCA is a method that reduces high-dimensional data to lower dimensions by focusing on the most meaningful information. The analysis showed that, for both the real and imaginary parts of the S-parameters, the first three principal components explained 82.56% and 86.27% of the total variance, respectively, effectively distinguishing between different salt levels. For the derivatives, the first three components explained approximately 60% of the variance—while derivatives capture sudden changes and noise better, their overall separation power is slightly less than the raw data. Next, a deep neural network (DNN) model was developed using the RP data obtained from the horn antenna for salinity prediction. RP measurements collected every 10 MHz in the 1-13 GHz range were used as input to the DNN model. The model's performance was tested in both the full bandwidth (1-13 GHz) and 78 different sub-bands. The best result was achieved in the 1-8 GHz range, with an error rate of 2.18%. Although the wide bandwidth provided more data, the model's lowest error was in the 1-8 GHz band. As the starting frequency of the band decreased (e.g., 1-4 GHz), the model's accuracy improved; higher frequency bands (such as 9-12 GHz) produced higher errors, which can be explained by cable effects, sample interactions, and free-space measurement conditions. The DNN model was evaluated not only by classic data splitting, but also by an unseen data approach. During training and validation, samples with 2 g, 14 g, and 28 g salt concentrations were excluded, and the model's performance for these never-before-seen levels was examined. The resulting errors were 8%, 1.43%, and 2.32%, respectively. These findings show that the model can successfully predict new and intermediate salt concentrations as well. Another important factor affecting the model's performance was the use of repeated measurements (RMs). For each salt level, one, two, three, four, and five RM configurations were tested. The results showed that using three or more RMs significantly increased the model's accuracy. Especially in the 1-8 GHz range, the error was over 18% for one or two measurements, but dropped below 3.4% with three or more. Similar improvements were seen in other frequency bands. This demonstrates the importance of data reliability and model generalizability. When compared to previous studies, which often analyzed dielectric properties by measuring resonance frequency shifts or voltage changes with invasive methods, this thesis, using a horn antenna to collect broad frequency reflection data and DL modeling, achieves non-contact, highly accurate salinity prediction for the first time. The 2.18% error rate demonstrates that the approach is practical and reliable for water quality monitoring. Moreover, since it does not require direct contact or voltage measurement, it is highly suitable for automation and real-time measurement systems. The third main application area focuses on a Vivaldi antenna-based microwave sensing system for non-contact salinity detection over a wider frequency range, utilizing a dual-antenna setup (transmission/reflection). In this study, measurements were performed in the 0.5-8 GHz frequency range, and both RPs and transmission parameters (TPs) were obtained at 751 frequency points. A total of 31 samples were prepared with salinity levels ranging from 0 to 30,000 parts per million (ppm) in 1,000 ppm increments. resulting in a comprehensive dataset of 620 measurements (31 samples × 5 repeated positions × 4 sessions). Vivaldi antennas and PA6 plates were used to collect the RPs and TPs, which were then fed into a DNN model for salinity estimation. The model's performance was analyzed using four feature selection methods (T-test, Lasso-L1, Mutual Information, and Correlation Analysis), and its stability was evaluated across different frequency bands. The best result was achieved using Correlation Analysis (CA) with both RPs and TPs in the 0.5-2 GHz band (RMSE: 154.47 ppm, MAE: 106.27 ppm). In addition, using only the S21 parameter with the Mutual Information (MI) method, an RMSE of 156.31 ppm was achieved in the 0.5-2.5 GHz range. These results confirm that microwave sensing, combined with DL models, can accurately evaluate water quality through changes in dielectric properties. The developed system is especially valuable for environmental monitoring, water resource management, agricultural irrigation, and marine ecosystem assessment. Furthermore, the proposed methodology can be adapted for non-contact characterization of environmental pollutants such as LiCl, KCl, sugar, antibiotics, and microplastics, as well as for soil analysis. Thus, the system offers promising opportunities for real-time quality control and monitoring in various industrial fields. All experimental studies were carried out at Istanbul Technical University laboratories, utilizing high-precision VNA devices for microwave measurements. Simulations were performed with CST Studio Suite and MATLAB, while NN models were developed using MATLAB, Python, Keras, and TensorFlow. The reliability and generalizability of the models were improved through hyperparameter optimization and cross-validation techniques. In conclusion, this thesis demonstrates that DL and AI-based approaches have the potential to replace conventional physics-based measurement and analysis methods in microwave and mm-wave sensing. The developed systems and models offer significant advantages in terms of speed, accuracy, flexibility, and cost-effectiveness, presenting an innovative perspective for widespread applications in fields such as the environment, industry, agriculture, and health. In the future, the proposed methods can be further expanded through the use of different antenna and sensor structures, larger datasets, the detection of various liquid and solid parameters in a non-contact and real-time manner, integration with automation systems, and field tests. The findings of this thesis provide a new perspective on microwave-based sensing technologies and make a significant contribution to the literature.
Benzer Tezler
- Geleneksel Sivrihisar evleri
Traditional houses of Sivrihisar
FİSUN ÖZŞUÇA
Yüksek Lisans
Türkçe
1986
MimarlıkGazi ÜniversitesiMimarlık Ana Bilim Dalı
YRD. DOÇ. DR. ORHAN CEZMİ TUNCER
- Şırnak asfaltitleri külünde nikel ve molibdenin spektrofotometrik tayini
Spectrophotometric determination of nickel and molybdenum in Şırnak asphaltites ash
OLCAY ŞİMŞEK
Yüksek Lisans
Türkçe
1986
Petrol ve Doğal Gaz MühendisliğiGazi ÜniversitesiYRD. DOÇ. DR. ALİ REHBER TÜRKER