Yazar "Çavuş, Hüseyin" seçeneğine göre listele
Listeleniyor 1 - 6 / 6
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe An investigation of the causal relationship between sunspot groups and coronal mass ejections by determining source active regions(Royal Astronomical Society, 2021) Raheem, Abd-ur; Çavuş, Hüseyin; Çoban, Gani Çağlar; Kınacı, Ahmet Cumhur; Wang, Haimin; Wang, Jason T. L.Although the source active regions of some coronal mass ejections (CMEs) were identified in CME catalogues, vast majority of CMEs do not have an identified source active region. We propose a method that uses a filtration process and machine learning to identify the sunspot groups associated with a large fraction of CMEs and compare the physical parameters of these identified sunspot groups with properties of their corresponding CMEs to find mechanisms behind the initiation of CMEs. These CMEs were taken from the Coordinated Data Analysis Workshops (CDAW) data base hosted at NASA's website. The Helioseismic and Magnetic Imager (HMI) Active Region Patches (HARPs) were taken from the Stanford University's Joint Science Operations Center (JSOC) data base. The source active regions of the CMEs were identified by the help of a custom filtration procedure and then by training a long short-term memory network (LSTM) to identify the patterns in the physical magnetic parameters derived from vector and line-of-sight magnetograms. The neural network simultaneously considers the time series data of these magnetic parameters at once and learns the patterns at the onset of CMEs. This neural network was then used to identify the source HARPs for the CMEs recorded from 2011 till 2020. The neural network was able to reliably identify source HARPs for 4895 CMEs out of 14604 listed in the CDAW data base during the aforementioned period.Öğe Can Solar Cycle 25 Be a New Dalton Minimum?(Springer, 2021) Çoban, Gani Çağlar; Raheem, Abd-ur; Çavuş, Hüseyin; Asghari-Targhi, MahboubehThe aim of this study is to predict solar activity for the next 10 years (Solar Cycle 25) using a deep learning technique known as a stateful Long Short-Term Memory (LSTM) network. To achieve this goal the number of daily sunspots observed by the American Association of Variable Star Observers (AAVSO) organization from 1945 to 2020 is used as training data for a stateful LSTM model. Time slices are produced by dividing the data between 1945–2020; then data are predicted and examined for the test years of the network trained on these time slices. The mean and smoothed values are calculated from the estimated daily data, compared with the actual mean, and smoothed values, including standard deviations, and the prediction accuracy of the model is examined. Finally, the number of daily sunspots for 10 years of Cycle 25 is estimated. The results are discussed by calculating the mean and smoothed values. The predicted Solar Cycle 25 shows features of a new Dalton Minimum together with Cycle 24. We conclude that Cycle 25 will be the marker of a new Dalton Minimum period.Öğe Güneş kabuğundaki konvektif olayların manyetohidrodinamik (mhd) yaklaşımla modellenmesi(Çanakkale Onsekiz Mart Üniversitesi Fen Bilimleri Enstitüsü, 2007) Çavuş, Hüseyin; Karafistan, AyselBu tez çalışmasında Güneş’in konvektif bölgesinin alt kısmı (KBA) ince bir kabuk (0,703R~ - 0,723R~) gibi ele alınmış ve maksimum değeri 10 T olan boylamsal yönlü bir manyetik alanın etkileri araştırılmıştır. Bu amaçla bu bölge ile ilgili daha önce yapılmış çalışmalar gözden geçirilerek manyetik alanın oluşmasında rol oynayan dinamo mekanizması hakkında bilgiler verilmiştir. Daha sonra manyetohidrodinamik (MHD) yaklaşımı tanımlanarak MHD denklemleri aracılığıyla ilgilendiğimiz KBA bölgesine uygulanmıştır. Bu denklemlerin küresel koordinatlardaki sayısal çözümleri bazı fiziksel parametreler için elde edilmiş ve sonuçlar şekil ve tablolar halinde sunulmuştur. Bu tip bir manyetik alanın etkisiyle ortaya çıkan en önemli sonuç, yoğunluğun küresel simetrisinin bozulması ve açıya bağlı değişimlerde sıkıştırılabilirliğin değişmesidir. Ayrıca MHD plazmasının kutuplarda sıkıştırılamaz akışkan, ekvatorda ise sıkıştırılabilir bir akışkan gibi davrandığı görülmüştür. Literatürde verilen çalışmalarla uyumlu manyetik akı değerleri elde edilmiştir (~1016-1017Wb). Bu çalışmadan çıkan diğer bir önemli sonuç ise manyetik alan etkisi altında yoğunluğun çapsal olarak Standart Güneş Modellerine kıyasla çok fazla değişmemesidir. Esneksizlik ve Boussinesq yaklaşımları için de uygulanabilme limitleri elde edilmiş ve sayısal integrallerin alınmasını kolaylaştıracak parametrik çözüm yöntemleri geliştirilmiştir.Öğe Koronal Kütle Atımlarından Oluşan Şok Dalgalarının İncelenmesi(Türk Astronomi Derneği, 2020) Çavuş, HüseyinBu çalışmada, koronal kütle atımları (CME’ler) neticesinde oluşan şok dalgalarının etkisi üzerinde durulacaktır. Bu inceleme için viskozite teriminin de dahil edildiği Navier-Stokes akışkan denklemleri kullanılacaktır. Çalışmanın temel amacı CME’lerin gezegenler arası ortamda meydana getirdiği şok dalgalarını çalışmaktır. Bu amaca bağlı olarak, gezegenler arası ortamda meydana gelmiş ve WIND uzay aracı tarafından 2005 yılında kaydedilmiş 28 adet şok dalgasının yakın uzay üzerindeki olası etkileri anlatılacaktır Ayrıca fiziksel parametrelerde meydana gelen değişimler de sunulacaktır.Öğe Plazmada gravitasyonel kararsızlıklar(Çanakkale Onsekiz Mart Üniversitesi, 2002) Çavuş, Hüseyin; Yılmaz, Ayşegüloz Bu tez çalışmasının amacı, fizikte Gravitasyonel kararsızlık olarak tanımlanan Rayleigh-Taylor (R-T) kararsızlığının (Rayleigh 1894; Taylor 1950), plazma fiziğindeki bazı uygulamalarını (Eylemsiz tuzaklama füzyonu (ETF) ve iyonosferin F bölgesi) incelemektir. Bu çalışmada, önce R-T kararsızlığının genel teorisi incelenmiş ve kararsızlığın büyüme oranına ait ifade bulunmuştur. Daha sonra ETF 'de kütle erozyon akışı ve birleşme ara-yüzeyindeki yoğunluk gradyanı, iyonosferin F bölgesinde ise kırpma (shear) hızı ve çarpışmalar dikkate alındığı zaman analitik çözümler yapılmış. Karasızlığın büyüme oranındaki değişime bakılmış ve bunlara ait grafikler çizilmiştir. Anahtar Kelimeler : Gravitasyonel Kararsızlık, Rayleigh-Taylor Kararsızlığı, Eylemsiz Tuzaklama Füzyonu, Kütle Erozyon Akışı, Yoğunluk Gradyanı, İyonosferin F Bölgesi, Kırpma Hızı.Öğe Prediction of the SYM-H Index Using a Bayesian Deep Learning Method With Uncertainty Quantification(Amer Geophysical Union, 2024) Abduallah, Yasser; Alobaid, Khalid A.; Wang, Jason T. L.; Wang, Haimin; Jordanova, Vania K.; Yurchyshyn, Vasyl; Çavuş, HüseyinWe propose a novel deep learning framework, named SYMHnet, which employs a graph neural network and a bidirectional long short-term memory network to cooperatively learn patterns from solar wind and interplanetary magnetic field parameters for short-term forecasts of the SYM-H index based on 1- and 5-min resolution data. SYMHnet takes, as input, the time series of the parameters' values provided by NASA's Space Science Data Coordinated Archive and predicts, as output, the SYM-H index value at time point t + w hours for a given time point t where w is 1 or 2. By incorporating Bayesian inference into the learning framework, SYMHnet can quantify both aleatoric (data) uncertainty and epistemic (model) uncertainty when predicting future SYM-H indices. Experimental results show that SYMHnet works well at quiet time and storm time, for both 1- and 5-min resolution data. The results also show that SYMHnet generally performs better than related machine learning methods. For example, SYMHnet achieves a forecast skill score (FSS) of 0.343 compared to the FSS of 0.074 of a recent gradient boosting machine (GBM) method when predicting SYM-H indices (1 hr in advance) in a large storm (SYM-H = -393 nT) using 5-min resolution data. When predicting the SYM-H indices (2 hr in advance) in the large storm, SYMHnet achieves an FSS of 0.553 compared to the FSS of 0.087 of the GBM method. In addition, SYMHnet can provide results for both data and model uncertainty quantification, whereas the related methods cannot. In the past several years, machine learning and its subfield, deep learning, have attracted considerable interest. Computer vision, natural language processing, and social network analysis make extensive use of machine learning algorithms. Recent applications of these algorithms include the prediction of solar flares and the forecasting of geomagnetic indices. In this paper, we propose an innovative machine learning method that utilizes a graph neural network and a bidirectional long short-term memory network to cooperatively learn patterns from solar wind and interplanetary magnetic field parameters to provide short-term predictions of the SYM-H index. In addition, we present techniques for quantifying both data and model uncertainties in the output of the proposed method. SYMHnet is a novel deep learning method for making short-term predictions of the SYM-H index (1 or 2 hr in advance) With Bayesian inference, SYMHnet can quantify both aleatoric (data) and epistemic (model) uncertainties in making its prediction SYMHnet generally performs better than related machine learning methods for SYM-H forecasting
