---
type: "Akademik Makale Analizi"
title: "Makine Öğrenimi ve Seyir Verileri Kullanılarak Bir Yölçu Feribotunun Yakıt Tüketiminin Tahmini: Karşılaştırmalı Bir Çalışma"
description: "Küresel ticaretin %80'inden fazlasının deniz yoluyla taşınması, denizcilik sektörünü küresel ekonominin temel taşlarından biri haline getirirken, gemilerden kaynaklanan karbondioksit emisyonları da küresel seragazı salınımının önemli bir bölümünü oluşturmaktadır. Uluslararası Denizcilik Örgütü (IMO)"
resource: "https://makaleanalizi.com/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/makine-ogrenimi-ve-seyir-verileri-kullanilarak-bir-yolcu-feribotunun-yakit-tuketiminin-tahmini-karsilastirmali-bir-calisma"
doi: "10.1016/j.oceaneng.2023.115271"
authors: ["Pedram Agand", "Allison Kennedy", "Trevor Harris", "Chanwoo Bae", "Mo Chen", "Edward J. Park"]
citation: "Agand, P., Kennedy, A., Harris, T., Bae, C., Chen, M., Park, E. J. (2023). Fuel consumption prediction for a passenger ferry using machine learning and in-service data: A comparative study. Ocean Engineering, 284, 115271-115271. https://doi.org/10.1016/j.oceaneng.2023.115271"
publicationType: "quantitative-empirical"
discipline: "Doğa Bilimleri"
subDiscipline: "Fizik, Kimya ve Yaşam Bilimleri"
evidenceCount: 13
tags: ["Tahmin modeli", "Makine öğrenimi", "Topluluk yöntemleri", "Gemi yakıt tüketimi"]
timestamp: "2026-09-13T10:49:39.955Z"
---

# Makine Öğrenimi ve Seyir Verileri Kullanılarak Bir Yölçu Feribotunun Yakıt Tüketiminin Tahmini: Karşılaştırmalı Bir Çalışma

Özgün başlık: Fuel consumption prediction for a passenger ferry using machine learning and in-service data: A comparative study
DOI: https://doi.org/10.1016/j.oceaneng.2023.115271
Künye (APA 7): Agand, P., Kennedy, A., Harris, T., Bae, C., Chen, M., Park, E. J. (2023). Fuel consumption prediction for a passenger ferry using machine learning and in-service data: A comparative study. Ocean Engineering, 284, 115271-115271. https://doi.org/10.1016/j.oceaneng.2023.115271

Bilim alanı: [Doğa Bilimleri](/okf/doga-bilimleri/index.md) › Fizik, Kimya ve Yaşam Bilimleri

# Alan bağlamı

Küresel ticaretin %80'inden fazlasının deniz yoluyla taşınması, denizcilik sektörünü küresel ekonominin temel taşlarından biri haline getirirken, gemilerden kaynaklanan karbondioksit emisyonları da küresel seragazı salınımının önemli bir bölümünü oluşturmaktadır. Uluslararası Denizcilik Örgütü (IMO) tarafından getirilen SEEMP ve EEDI zorunlulukları ile yakıt maliyetlerinin işletme giderlerinin %25'inden fazlasını oluşturması, gemi yakıt tüketiminin (SFC) verimli yönetimini kritik kılmaktadır. Ancak literatürde, yalnızca seyirci personelin tecrübesine dayanılması, operasyonel veri durağan olmaması, çoklu doğrusal bağlantı sorunları ve operasyonel mod farklarının dikkate alınmaması gibi eksiklikler bulunmaktadır. Bu çalışma, gerçek zamanlı operasyonel veriler ve çevresel faktörleri entegre ederek veriye dayalı makine öğrenimi modelleri ile fiziksel alan bilgisini birleştiren gri-kutu (gray-box) yaklaşımı sunmaktadır.

# Akademik özet

Deniz taşımacılığı küresel ticaretin merkezinde yer alırken, gemi emisyonlarının azaltılması ve artan operasyonel yakıt maliyetlerinin yönetilmesi denizcilik sektörünün en kritik önceliklerinden biri haline gelmiştir. Uluslararası Denizcilik Örgütünün (IMO) küresel sera gazı emisyonlarını düşürme hedefleri doğrultusunda yürürlüğe koyduğu düzenlemeler, gemi enerji verimliliğinin gerçek zamanlı ve yüksek hassasiyetle izlenmesini zorunlu kılmaktadır. Geleneksel literatürde sıklıkla kullanılan seyir defteri kayıtları düşük örnekleme frekansı nedeniyle anlık değişimleri yakalamada yetersiz kalırken, sensör tabanlı veri akışları ise gürültü, çoklu doğrusal bağlantı ve durağan olmayan veri dağılımları gibi teknik engeller barındırmaktadır. Bu alandaki temel eksiklik, gemi tasarım aşamasındaki optimizasyonlar ile kaptanların operasyonel kararları arasındaki kopukluk ve fiziksel modeller ile veri odaklı algoritmaların sistematik biçimde birleştirilemeyişidir. Dolayısıyla, gerçek zamanlı seyir şartlarını ve çevresel faktörleri içeren esnek tahmin modellerine ihtiyaç duyulmaktadır.

Bu eksikliği gidermek amacıyla gerçekleştirilen araştırmada, Kanada batı kıyısında Horseshoe Bay ile Nanaimo arasında sefer yapan çift yönlü bir yölçu feribotundan Eylül 2019 ile Kasım 2021 tarihleri arasında 1 dakikalık frekansla toplanan yaklaşık 1 milyon veri noktası incelenmiştir. Araştırma tasarımı, fiziksel sevk ilkelerini veri odaklı yöntemlerle harmanlayan gri-kutu (gray-box) yaklaşımına dayanmaktadır. Veri ön işleme sürecinde Temel Bileşen Analizi (PCA) ve K-means kümeleme yöntemleri kullanılarak geminin otopilot seyir modu (Mode 1) ile liman yanaşma modu (Mode 2) sistematik olarak ayrıştırılmış, böylece durağan olmayan veri yapısı temizlenmiştir. Özellik mühendisliği kapsamında hedef değişken anlık yakıt tüketiminden katedilen mesafe başına yakıt verimliliğine (SFE) dönüştürülmüş ve korelasyon matrisi ile kritik değişkenler seçilmiştir. Modelleme aşamasında çoklu doğrusal regresyon, Lasso, Ridge, polinom regresyonu, yapay sınır ağları (MLP), karar ağaçları ve topluluk öğrenme yöntemleri (Random Forest, AdaBoost, Gradient Boosting, XGBoost) karşılaştırılmıştır.

Elde edilen deneysel bulgular, parametrik olmayan topluluk öğrenme yöntemlerinin parametrik klasik modellerden ve yapay sınır ağlarından belirgin şekilde üstün performans sergilediğini göstermektedir. Test veri seti üzerinde gerçekleştirilen değerlendirmelerde XGBoost algoritması, en düşük kök ortalama kare hatası (RMSE = 11.95) ve en yüksek açıklayıcılık katsayısı (R2 = 0.9881) ile en başarılı tahmin modeli olarak öne çıkmıştır. Ayrıca XGBoost, 283.49 saniyelik eğitim süresiyle diğer topluluk yöntemlerine (AdaBoost: 676.59s, Gradient Boosting: 417.85s) kıyasla işlem süresi bakımından da büyük bir avantaj sağlamıştır. Karar ağacı ve AdaBoost yöntemleri çoğunlukla tork ve deplasman değişkenlerine bağımlı kalırken, XGBoost tüm girdileri fiziksel beyaz-kutu modeline en uygun biçimde dengeli ağırlıklandırmıştır. Gelecek adımların tahmininde (5-step ahead prediction) tüm modellerde performans düşüşü gözlense de XGBoost ve topluluk yöntemleri en kararlı tahmini üretmeye devam etmiştir.

Sonuç olarak bu araştırma, yüksek boyutlu ve gürültülü sensör verilerinden alan bilgisi destekli özellik mühendisliği ile güvenilir yakıt verimliliği tahmin modelleri oluşturulabileceğini kanıtlamaktadır. Makalenin literatüre temel katkısı, yalnızca anlık yakıt tüketimini değil, operasyonel mod ayrımı ve n-adım sonrası gelecek tahminlerini de kapsayan bütüncül bir gri-kutu metodolojisi sunmasıdır. Türk araştırmacılar için bu çalışma, deniz ulaşımında enerji optimizasyonu, gerçek zamanlı rotalama ve karar destek sistemleri tasarlayan tez veya makale çalışmalarında metodolojik bir rehber niteliğindedir. Sensör verisi ön işleme, PCA tabanlı veri kümeleme ve XGBoost modellemesi adımları, benzer tipteki ticari veya askeri gemilerin yakıt tüketim optimizasyonu araştırmalarına doğrudan uyarlanabilir somut bir altyapı sağlamaktadır.

# Araştırmanın amacı

Bu çalışmanın temel amacı, Kanada batı kıyısında çalışan bir çift yönlü yölçu feribotundan toplanan iki yılı aşkın gerçek seyir verilerini kullanarak gemi yakıt verimliliğini (SFE) yüksek doğrulukla tahmin eden makine öğrenimi modellerini geliştirmek ve bu modellerin performanslarını karşılaştırmalı olarak değerlendirmektir.

# Yöntem ve tasarım

Çalışmada, Kanada'nın batı kıyısında çalışan çift yönlü bir yölçu feribotunun seyir verileri kullanılarak yakıt verimliliğini tahmin etmek amacıyla fiziksel alan bilgisi ile veriye dayalı makine öğrenimi yöntemlerini birleştiren gri kutu (gray-box) yaklaşımı uygulanmıştır.

# Bulgular ve önermeler

1. Veri seti üzerinde uygulanan makine öğrenimi modelleri arasında topluluk öğrenme teknikleri en yüksek tahmin performansını gösterirken, XGBoost yöntemi 0.9881 test R2 değeri ve 11.95 test RMSE değeri ile en düşük hata oranını ve en kısa eğitim süresini elde etmiştir.
2. Değişken seçim sürecinde korelasyon matrisi ve fiziksel alan bilgisi entegre edilerek yapılan analizlerde, makine torku, karaya göre hız (SOG), suya göre hız (STW) ve makine devri yakıt tüketimi tahmininde en yüksek önem derecesine sahip ilk dört değişken olarak belirlenmiştir.
3. Modellerin gelecek zaman adımlarındaki (n-step ahead) tahmin performansları incelendiğinde, 5 adım sonrasına ilişkin tahminlerde tüm modellerin hata oranlarında artış görülmesine rağmen XGBoost yöntemi diğer tüm yaklaşımlara kıyasla en kararlı ve yüksek doğruluklu tahmini sunmaya devam etmiştir.
4. Çok katmanlı algılayıcı (MLP) yapısındaki yapay sınır ağları karmaşık dinamik ilişkileri modellemede parametrik modellere göre üstün performans gösterse de, sistemin zamansal dinamik davranışlarını tam olarak yakalayamadığı için gelecek adım tahminlerinde performansı belirgin şekilde düşmüştür.

# Yazarın tartışması

Elde edilen bulgular, gemi seyir verilerindeki karmaşık ve doğrusal olmayan ilişkilerin modellenmesinde topluluk öğrenme tekniklerinin, özellikle de XGBoost metodunun, geleneksel çoklu doğrusal regresyon ve yapay sınır ağlarına kıyasla belirgin şekilde daha düşük test hatası ve yüksek açıklayıcılık oranı sunduğunu göstermektedir.

Yazarlar bu durumu, çoklu doğrusal bağlantı (multicollinearity) ve durağan olmayan veri yapısının PCA destekli K-means kümeleme ve alan bilgisine dayalı özellik mühendisliği ile başarıyla arındırılmasına bağlamaktadır. Verinin operasyonel modlara göre sistematik olarak kümelenmesi, modelin gürültü yerine gerçek seyir dinamiklerine odaklanmasını sağlamıştır.

Tartışma bölümünde bu sonuçlar literatürle ilişkilendirilerek, Gkerekos vd. (2019) gibi çalışmaların vurguladığı yapay sınır ağı üstünlüğünün, kapsamlı bir özellik mühendisliği ve topluluk öğrenme mimarisi kullanıldığında XGBoost lehine değiştiği gösterilmiştir. Ayrıca Tsitsilonis ve Theotokatos (2018) tarafından önerilen veri filtreleme kurallarının aksine, sunulan veri odaklı kümeleme yaklaşımının çevre şartlarına daha dayanıklı olduğu vurgulanmıştır.

Sonuç olarak, makine öğrenimi modellerinin başarısının yalnızca algoritma seçimine değil, fiziksel alan bilgisiyle desteklenmiş veri ön işleme adımlarına bağlı olduğu açıkça ortaya konmuştur. Bu durum, gelecekteki gerçek zamanlı seyir karar destek sistemleri ve otomatik rota optimizasyonu uygulamaları için sağlam bir metodolojik zemin oluşturmaktadır.

# Yazarın sonucu

Yazarlar, parametrik olmayan modellerin ve özellikle XGBoost gibi topluluk öğrenme tekniklerinin karmaşık ve bilinmeyen gemi operasyon dinamiklerini tahmin etmede son derece etkili olduğunu, ancak bu modellerin gerçek zamanlı seyir optimizasyonu için verimli kullanılabilmesinde ön işleme aşamasında fiziksel alan bilgisi ile veri odaklı kümeleme ve boyut indirgeme tekniklerinin birlikte uygulanmasının kritik önem taşıdığını sonuçuna varmışlardır.

# Literatürdeki işlevi

Bu makale, deniz taşımacılığında enerji verimliliği ve emisyon azaltımı hedefleri doğrultusunda, gerçek zamanlı sensör verileri ve makine öğrenimi tekniklerini kullanarak gemi yakıt tüketimini yüksek doğrulukla tahmin eden metodolojik bir çerçeve sunmaktadır. Literatürde sıklıkla karşılaşılan durağan olmayan veri yapısı, çoklu doğrusal bağlantı ve operasyonel mod değişiklikleri gibi sorunlara karşı alan bilgisi ile veri odaklı teknikleri birleştiren gri-kutu bir yaklaşım getirmektedir. Parametrik ve parametrik olmayan modelleri geniş bir yelpazede karşılaştırarak en yüksek başarımı topluluk öğrenme algoritması olan XGBoost ile elde etmiş ve gelecekteki seyir kararlarının iyileştirilmesi için adım ötesi tahmin yeteneklerini değerlendirmiştir.

Önceki çalışmalarla ilişkisi: Çalışma, gemi tasarım aşamasındaki teorik hesaplamalara odaklanan veya yalnızca gemi personelinin tecrübesine dayalı log verilerini kullanan önceki literatürden ayrılmaktadır. Log verilerinin düşük örnekleme frekansı nedeniyle anlık değişimleri yansıtamama eksikliğini sensör tabanlı yüksek frekanslı verilerle aşmaktadır. Literatürde tekil makine öğrenimi modellerinin veya kısıtlı parametrik regresyonların sıklıkla tercih edilmesine karşılık, bu araştırma Temel Bileşen Analizi (PCA) ve K-means kümeleme ile veri ön işleme aşamasını sistemleştirmiştir. Gkerekos vd. (2019) ve Bialystocki ve Konovessis (2016) gibi çalışmaların bıraktığı yöntemsel boşlukları doldurarak özellik mühendisliğinde fiziksel formülleri veri odaklı yaklaşımlarla sentezlemiştir.

Literatür taramasına katkısı: Literatür taramaları açısından bu eser, denizcilikte yakıt verimliliği optimizasyonu üzerine yapılacak araştırmalara metodolojik bir standart sunmaktadır. Ham sensör verisinin aykırı değer arındırma, eksik veri tamamlama, durağanlaştırma ve veri ölçekleme adımlarından nasıl geçirilmesi gerektiğini adım adım göstermektedir. Ayrıca, modellerin yalnızca anlık tahmin başarısını değil, seyir optimizasyonu için hayati önem taşıyan gelecek adımlardaki tahmin performansını da karşılaştırmalı olarak analiz ederek literatüre özgün bir değerlendirme boyutu kazandırmaktadır.

# Tez ve makale araştırmalarında kullanım

- **Deniz taşımacılığında gemi yakıt tüketimi tahmininde topluluk öğrenme algoritmaları karmaşık doğrusal olmayan ilişkileri yakalamada geleneksel parametrik regresyon modellerinden daha yüksek doğruluk sağlamaktadır.** — Bu çalışma, feribot verileri üzerinde yapılan karşılaştırmalı analizde XGBoost yönteminin 0.9881 test R2 değeri elde ederek regresyon ve YSA modellerini geride bıraktığını göstermesi sebebiyle literatür taramasında temel kanıt olarak kullanılabilir.
- **Gemi operasyonel verilerindeki durağan olmayan yapıyı ve çoklu doğrusal bağlantıyı gidermek için Temel Bileşen Analizi (PCA) ile K-means kümeleme metodolojisi veriyi operasyonel modlara bölmede etkilidir.** — Tezin yöntem bölümünde, ham sensör verilerinin işlenmesi, geçici rejimlerin temizlenmesi ve seyir modlarının otomatik tespiti için önerilen PCA ve K-means tabanlı ön işleme algoritması referans alınarak metodoloji kurgulanabilir.
- **Topluluk öğrenme teknikleri anlık yakıt tahmininde yüksek başarım gösterse de, gelecek adımlardaki (n-step ahead) tahmin uzadıkça dinamik sistem davranışlarının yakalanmasındaki zorluklar nedeniyle hata oranları artmaktadır.** — Tartışma bölümünde, geliştirilen makine öğrenimi modellerinin optimizasyon süreçlerindeki zaman ufku sınırlılıkları açıklanırken çalışmanın bulgularına atıf yapılabilir.

# Türetilebilir araştırma soruları

- **Kuru yük gemileri ve konteyner gemilerinden toplanan yüksek frekanslı sensör verilerinde XGBoost ve yapay sınır ağlarının yakıt tüketimi tahmin kararlılığı operasyonel koşullara göre nasıl değişmektedir?**
  - Desen: En az iki farklı tipteki ticari gemiden toplanan iki yıllık yüksek frekanslı sensör verileri materyal olarak kullanılacaktır. Veriler PCA ve K-means ile kümelenecek, XGBoost ve YSA modelleri eğitilerek test RMSE ve R2 değerleri karşılaştırılacaktır. Örneklem büyüklüğü istatistiksel güç analizi ile belirlenecektir.
  - Gerekçe: Makalede feribot verisi üzerinde XGBoost en iyi sonuçu vermiştir. Ancak yazarlar yöntemin genel gemi tiplerine uygulanabilir olduğunu ancak spesifik modelin farklılaşabileceğini belirtmiştir.
- **Fiziksel alan bilgisi ile türetilen etkili baş rüzgarı ve akıntı bileşenleri makine öğrenimi modellerinin tahmin doğruluğunu istatistiksel olarak anlamlı düzeyde artırmakta mıdır?**
  - Desen: Geminin GPS ve anemometre verileri kullanılarak alan bilgisi formülleriyle rüzgar ve akıntı vektörleri türetilecektir. Bu özelliklerin eklendiği ve eklenmediği XGBoost modellerinin hata oranları cross-validation ile kıyaslanacaktır.
  - Gerekçe: Yazarlar makalede rüzgar açısı ve hızından etkili rüzgar bileşeni türetmenin model üzerindeki önemini ve korelasyonunu göstermişlerdir.
- **LSTM ve GRU gibi zaman serisi tabanlı derin öğrenme modelleri, statik XGBoost modeline kıyasla n-step ahead geleceğe dönük yakıt tahmininde daha düşük hata oranına ulaşabilir mi?**
  - Desen: Ardışık dakika bazlı seyir verileri kullanılacak, LSTM mimarisi t+1'den t+10'a kadar gelecekteki zaman adımlarını tahmin edecek şekilde eğitilecek ve sonuçlar makaledeki statik XGBoost n-step performansı ile kıyaslanacaktır.
  - Gerekçe: Yazarlar sonuç bölümünde statik modellerin gelecekteki adımları tahmindeki performans kaybını vurgulamış ve geleceğe dönük araştırma alanı olarak LSTM gibi zaman serisi modellerini önermişlerdir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | ABSTRACT | 1 | 1 | This paper presents models that can predict fuel consumption using in-service data collected from a passenger ship. |
| ev-s-1 | ABSTRACT | 1 | 1 | Prediction models that were investigated include multiple linear regression (MLR), decision tree approach (DT), an artificial neural network (ANN), and ensemble methods. |
| ev-s-3 | Modeling | 15 | 15 | Among the ensemble techniques, XGBoost has the shortest training time and the lowest test error. |
| ev-s-4 | Data prepossessing stage | 10 | 10 | In the correlation evaluation step, we compute the linear correlation matrix of all input variables, including the target variable. |
| ev-s-5 | Modeling | 15 | 15 | Although XGBoost’s performance also degrades for a 5-step ahead prediction, it still provides the best estimation among all approaches. |
| ev-s-6 | Conclusion | 16 | 16 | Non-parametric approaches can be useful for unknown model structures, and their performance can be enhanced by Pedram Agand, Allison Kennedy, Trevor Harris, Chanwoo Bae, Mo Chen, E |
| ev-s-7 | Data prepossessing stage | 9 | 9 | The clustering also helps us in outlier detection for steady-state functioning of engine power, while other approaches (e.g., Tsitsilonis and Theotokatos (2018)) have to detect tra |
| ev-s-8 | Preliminaries | 4 | 4 | A comparative study also showed ANN is better than SVR and extra tree regression (ETR) Gkerekos et al. (2019). |
| ev-l-1 | ABSTRACT | 1 | 1 | The best predictive performance was from a model developed using the XGboost technique which is a boosting ensemble approach. |
| ev-l-2 | 1. Introduction | 2 | 2 | Earlier studies predominantly focused on optimization at the vessel design level without properly considering improvements in operational performance from the ship operator’s persp |
| ev-l-3 | 2.2.2. Polynomial regression (PR) | 4 | 4 | Multiple linear regression, polynomial regression, ridge regression, and Lasso regression methods were extensively used as a method to predict vessel fuel consumption in previous s |
| ev-l-4 | 5.2.2. Comparison results | 15 | 15 | Among the ensemble techniques, XGBoost has the shortest training time and the lowest test error. |
| ev-l-5 | 6. Conclusion | 16 | 16 | Non-parametric approaches can be useful for unknown model structures, and their performance can be enhanced by Pedram Agand, Allison Kennedy, Trevor Harris, Chanwoo Bae, Mo Chen, E |

# İlgili kavramlar

- [Karanlık Enerji Spektroskopik Enstrümanı (DESI) Donanım Sistemlerinin Genel Tanıtımı ve Performans Analizi](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/karanlik-enerji-spektroskopik-enstrumani-desi-donanim-sistemlerinin-genel-tanitimi-ve-performans-analizi.md)
- [Arkeoloji, Fizik ve Kimya: Akdenizli Sünger Avcılarının Çağlar Boyunca Uyguladığı Bir Teknik Üzerine Düşünceler](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/arkeoloji-fizik-ve-kimya-akdenizli-sunger-avcilarinin-caglar-boyunca-uyguladigi-bir-teknik-uzerine-dusunceler.md)
- [Kara Delik Dönüşü Üzerindeki Gözlemsel Kısıtlamalar: Teknikler, Bulgular ve Astrofiziksel Çıkarımlar](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/kara-delik-donusu-uzerindeki-gozlemsel-kisitlamalar-teknikler-bulgular-ve-astrofiziksel-cikarimlar.md)
- [Türkiye’nin Dış Petrol ve Doğal Gaz Stratejisinin Temel Belirleyici Faktörleri](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/turkiyenin-dis-petrol-ve-dogal-gaz-stratejisinin-temel-belirleyici-faktorleri.md)
- [Aşırı Değer Bilgisi ve Dinamik Sıçramalar ile Ham Petrol Vadeli İşlem Oynaklığının Tahmini](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/asiri-deger-bilgisi-ve-dinamik-sicramalar-ile-ham-petrol-vadeli-islem-oynakliginin-tahmini.md)
- [Anadolu Selçuklu Dönemi Mimarisinde Su Odaklı Tasarım Stratejileri ve Yükselen Nem Azaltımı: Konya İnce Minareli Medrese İncelemesi](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/anadolu-selcuklu-donemi-mimarisinde-su-odakli-tasarim-stratejileri-ve-yukselen-nem-azaltimi-konya-ince-minareli-medrese-incelemesi.md)
- [Stres Kaynaklı Sağlık Etkilerini Azaltarak Afet Dayanıklılığını Artırma Yaklaşımları](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/stres-kaynakli-saglik-etkilerini-azaltarak-afet-dayanikliligini-artirma-yaklasimlari.md)
- [Etiyopya'nin Bahir Dar Kentinde Konut Edinimi İçin Kayit Disi Arazi Brisimi ve İlişkili Gecekondu Yerlesimlerinin Gelişimi](/okf/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/etiyopyanin-bahir-dar-kentinde-konut-edinimi-icin-kayit-disi-arazi-brisimi-ve-iliskili-gecekondu-yerlesimlerinin-gelisimi.md)

# Şeffaflık

- Analiz tarihi: 2026-09-13T10:49:39.955Z
- Kanıt sayısı: 13
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/doga-bilimleri/fizik-kimya-ve-yasam-bilimleri/makine-ogrenimi-ve-seyir-verileri-kullanilarak-bir-yolcu-feribotunun-yakit-tuketiminin-tahmini-karsilastirmali-bir-calisma