GÜÇ TRAFOLARI KATI YALITKAN YÜZEYİNDEKİ DEŞARJLARIN YAPAY ZEKA ile
DEĞERLENDİRLMESİ
Fa ih ATALAR1, Be ika Va ol MALKOÇOĞLU2, Aysel ERSOY1, Rüya ŞAMLI2, Pawel ROZGA3,
Renga aj Mada an4
1 Depa men o Elec ical and Elec onics Enginee ing, Is anbul Uni e si y-Ce ahpaşa, 34320 İs anbul, Tu key
2 Depa men o Compu e Enginee ing, Is anbul Uni e si y-Ce ahpaşa, 34320 İs anbul, Tu key
3 Ins i u e o Elec ical Powe Enginee ing, Lodz Uni e si y o Technology, 90-924 Łódź, Poland
4 K.Ramak ishnan College o Technology, T ichy, Tamilnadu, India
ÖZET
Güç a ola ının gü enli e e imli çalışması, içe isinde kullanılan ka ı yalı kan malzemele in elek iksel
dayanımına doğ udan bağlıdı . Bu malzemele den bi i olan p essboa d (muka a) ipi yalı kan, işle me
sü esi boyunca yüksek elek ik alanla a ma uz kala ak zamanla bozulmala a uğ amak adı . Özellikle si i
uçlu elek o la dan kaynaklanan düzensiz elek ik alan dağılımla ı, yüzeyde kısmi deşa jla a neden olmak a
e bu deşa jla sonucunda çeşi li geome ik desenle oluşmak adı . Bu desenle , kullanılan elek o ipi e
yalı kanın elek iksel s ese ne kada sü e ma uz kaldığı hakkında önemli ipuçla ı sunmak adı . Bu
çalışmada, sabi 40 kV yüksek ge ilim al ında üç a klı elek o kon igü asyonu (kü e-düzlem, silindi -
düzlem e çubuk-düzlem) ile es edilen oplam 13 ade p essboa d ö neği değe lendi ilmiş i . Tam
elek iksel delinmeye kada geçen sü e deneysel ola ak ölçülmüş e he bi ö nek için yüzeyde oluşan
desenle yüksek çözünü lüklü ola ak kaydedilmiş i . Elde edilen gö selle , çok modlu analiz ye eneğine
sahip GPT-4o adlı büyük dil modeli ile değe lendi ilmiş, modelden he bi gö sel için kullanılan elek o ipi
e ma uz kalma sü esi ahmini is enmiş i . Model, yalnızca ö nek abanlı yönlendi me ( ew-sho p omp ing)
yön emiyle, he hangi bi yeniden eği im ge eksinimi olmadan çalış ı ılmış ı . Tes edilen 10 gö sel ö neği
üze inde yapılan analiz sonucunda model, elek o ipini %80 doğ ulukla doğ u sını landı mış e sü e
ahminle inde çoğunlukla ±1.5 saa lik ha a payıyla başa ılı öngö üle de bulunmuş u . Elde edilen bulgula ,
GPT-4o’nun mühendislik emelli gö sel analizle de de e kin bi şekilde kullanılabileceğini gös e mek e e
güç a ola ında kes i imci bakım uygulamala ı için yeni nesil yapay zeka abanlı ka a des ek sis emle inin
geliş i ilmesine olanak sağlamak adı .
Anah a Kelimele : Güç a osu, p essboa d, yapay zeka, LLM, GPT-4o
GİRİŞ
Elek ik ene jisinin ü e imi, ile imi e dağı ımında kullanılan ekipmanla ın gelişen eknolojiyle he geçen
gün güncellenmesi e geliş i ilmesi kesin isiz e sü dü ülebili ene ji açısından büyük önem a z e mek edi .
Bilgi e ile işim eknolojile inin he geliş iği yeni çağ, algılayıcı la dona ılmış bi elek ik şebekesinin
oluşmasına ka kı sağlamak adı [1-3]. Böylece, uzak an izleme imkanla ıyla olası ha ala en başından espi
edilip, kesin iye yol açmadan müdahale edilmek edi . Rölele in, sensö le in e scada sis emle inin
en eg asyonu ile o aya çıkan e ile in değe lendi ilmesi de ene ji kali esini sü dü ülebili hale
ge i mek edi . Günümüzde hemen he mobil cihazda kullanılabilen yapay zeka eknolojile inin elek ik
ene ji sis emle inde ye alan ekipmanla da kullanılmı he geçen gün a mak adı .
Güç a ola ının elek ik ene ji sis emle inin ade a kalbi olduğu bilinmek edi [4,5]. Ü e imden son
üke iciye dağı ıma kada a klı ge ilim e güç se iyele inde çalışabilen güç a ola ının işle me öm ü
boyunca sağlıklı çalışmasıyla kesin isiz ene ji eldesi ancak mümkündü . Hid oelek ik, jeo e mal, doğalgaz,
güneş, üzga eya nüklee ene ji san alinde ü e ilmiş elek ik ene jisinin ilk e son işlem gö düğü ye güç
a ola ıdı . Dolayısıyla, yalı ım sis emi güçlü olan bi a onun bakımla ının da zamanında yapılmasıyla
a ıza du umu çok nadi gö ülmek edi [6,7]. A ıza iskini en aza indi mek için klasik yön emle e ek ola ak
gelişen eknoloji e yapay zeka en eg asyonu son yılla da kullanılmaya başlamış ı .
S ulo e a kadaşla ı, güç ans o ma ö le inin asa ım sü eçle indeki zaman e maliye le i azal ma
mo i asyonuyla, yapay zeka (AI) abanlı "Güç T ans o ma ö le i Akıllı Tasa ım" (PTSD) yaklaşımını
sunmak adı [8]. Yön em ola ak, op imum asa ımla ın sen ezi için ü e ken asa ım (GDT) e yapısal
op imizasyon için gene ik algo i mala (GA) kullanılmış ı . Bu AI eknikle i, o oma ik ola ak oluş u ulan
eşdeğe de e (ECLib) e alan modelle i (EMLib) ile des eklenmek edi . Sonuç ola ak, bu AI yön emle inin
hesaplama sü esini kısal ığı, sü eç analizini iyileş i diği e op imum asa ımla ın sen ezini sağladığı
beli ilmiş i . Özellikle, geliş i ilen GA abanlı op imizasyon al sis emi kullanıla ak 630-1600 kVA
ans o ma ö asa ımla ında %11'lik bi malzeme azalması elde edilmiş i . Ža ko ić e S ojko ić, güç
ans o ma ö le inin du umunu izleme e a ıza eşhisi koymadaki zo lukla ı ele almak adı . Mo i asyonla ı,
çok sayıda me cu izleme e isine ağmen, a ıza ü ünü e olasılığını kesin ola ak ahmin e menin e
müdahale aciliye ine ka a e menin zo luğundan kaynaklanmak adı . Yaza la , bu so una çözüm ola ak,
emelini Bulanık Man ık (Fuzzy Logic - FL) oluş u an bi yapay zeka (AI) me odolojisi öne mek edi . Bu
yaklaşım, uzman sis emle (Bulanık Kon olö le - FC) oluş u mak için DGA, FRA, gδ, PI, yaş e
sıcaklıkla gibi çok sayıda çe imiçi e çe imdışı es pa ame esini bi leş i i . Hem Mamdani hem de
Sugeno ipi bulanık modelle incelenmiş, ek bi kon olö e geçmiş e ile i de içe en beş ay ı kon olö den
oluşan iki a klı yapı es edilmiş i . Sı bis an ile im sis eminden alınan ge çek e ile le yapılan es le
sonucunda, me odolojinin a klı a ızala ı espi e mede kabul edilebili e kinlik gös e diği beli ilmiş i . FL
kon olö le i, müdahale aciliye ini 0 ile 1 a asında bi olasılık değe i ola ak sayısal şekilde i ade e mek edi .
Ö neğin, du umu k i ik olan 220/110 kV'luk bi ans o ma ö için yüksek aciliye değe le i (ö n. Mamdani:
0.899, Sugeno: 0.65-0.797) elde edili ken, daha iyi du umdaki 400/110 kV'luk ans o ma ö için düşük
değe le (ö n. Mamdani: 0.289, Sugeno: 0.15-0.218) hesaplanmış ı . Sonuçla , Sağlık İndeksi (HI) gibi
ye leşik yön emle le de uyumlu bulunmuş e Sugeno modelinin a ıza sını landı masında başa ılı olduğu
(özellikle DGA için doğ ulanmış ı ) gös e ilmiş i [9].
Rediansyah e a kadaşla ı, güç ans o ma ö le inin Sağlık İndeksi (HI) beli lenmesinde ka şılaşılan e i
beli sizliği e gü enili lik so unla ına odaklanmak adı . Geleneksel sko lama-ağı lıklandı ma (SW)
yön emle inin doğ uluğunun, eksik eya gü enili olmayan e ile e bağlı ola ak düşebilmesi, çalışmanın
emel mo i asyonunu oluş u mak adı . Yaza la , bu so unu çözmek için, yüksek doğ ulukla ans o ma ö
sağlık du umunu beli leyebilen e aynı zamanda e i beli sizliğini yöne ebilen yapay zeka (AI) abanlı bi
HI yaklaşımı öne mek edi le . Yön em ola ak, 504 ade 150 kV ans o ma ö den oplanan yağ kali esi,
çözünmüş gaz analizi (DGA) e kağı du umu e ile i kullanıla ak yedi a klı AI algo i ması (kNN, SVM,
RF, Naï e Bayes, ANN, AdaBoos , Decision T ee) a aş ı ılmış ı . Bu AI modelle inin pe o mansı,
geleneksel SW yön emi e e ans alına ak ka şılaş ı ılmış ı . Sonuçla , Ras gele O man (Random Fo es -
RF) modelinin, ans o ma ö HI ka ego isini ahmin e mede %97.3'lük bi doğ ulukla en iyi pe o mansı
se gilediğini gös e miş i . Ve i beli sizliğiyle başa çıkmak için, eksik e ile in o alama/en sık değe le
doldu ulduğu bi ön işleme adımıyla (RFwP) RF modeli geliş i ilmiş i . Bu RFwP yaklaşımının, düşük e i
kesinlik se iyele inde bile (%70'in üze inde kesinlik se iyesinde %90'ın üze inde doğ uluk, en kö ü
du umda %10'un al ında kesinlik e bile %50'nin üze inde doğ uluk) HI sını landı ma doğ uluğunu kabul
edilebili se iyele de (%95'in üze inde) u abildiği e beli sizlik du umla ında hem emel RF hem de SW
yön emle inden beli gin şekilde daha iyi pe o mans gös e diği bulunmuş u [10].
Son yılla daki li e a ü çalışmala ından da açıkça gö üleceği üze e, güç a ola ının yapısal analizi e işle me
sağlığı için yapay zeka modelle inin kullanımı yaygınlaşmış ı . Bu çalışmada, labo a u a o amında
ku ulan yüksek ge lim es düzeneği ile güç a ola ında bulunan ka ı yalı ım malzemesi sabi ge ilim ile
kü e-düzlem, silindi -düzlem e çubuk-düzlem elek o kon igüsa yonu ile deneysel ola ak es edilmiş i .
P essboa d yüzeyinde oluşan desenle yapay zeka ile LLM modeliyle değe lendi ilmiş e deneysel
sonuçla la ahminle ka şılaş ı ılmış ı .
MATERYAL e YÖNTEM
Bu çalışmada, dielek ik özellikle i bilinen p essboa d (muka a) malzemesinin yüksek ge ilim es le inde,
a klı elek o çi le i ile oluşan delinme desenle i analiz edilmiş i . Yüsek ge ilim es düzeneği (Şekil 1)
daha önceki çalışamızda kullanılan modelin aynısıdı [11]. Buna gö e 150 mm × 170 mm boyu la ında, ibe
yoğunluğu 1.2 g/cm3 bağıl dielek ik sabi i ε = 4.1 olan 3 mm kalınlığındaki p essboa dla kullanılmış ı .
Analiz sü ecinde, delinme desenle inden yola çıka ak kullanılan elek o çi ini e malzemenin elek ik
alana ne kada sü e ma uz kaldığını ahmin e mek amacıyla gö sel anıma ye eneğine sahip bi Büyük Dil
Modeli (La ge Language Model – LLM) modeli kullanılmış ı .
Şekil 1. Tes Kazanı e Elek o Sis emle i (a: Kü esel, b: Çubuk, c: Silindi )
Deneyle de üç a klı elek o geome isi kullanılmış ı :
• Kü e-düzlem: 62,5 mm çapında kü e, 9 mm çapında e 140 mm uzunluğunda pi inç sapla
des eklenmiş i .
• Çubuk-düzlem: 9 mm çapında, 140 mm uzunluğunda çubuk elek o .
• Silindi -düzlem: 9 mm çapında, 150 mm uzunluğunda silindi elek o .
Bu elek o la , yalı kan malzeme üze ine yüksek ge ilim uygulana ak delinmeye neden olmuş u . He bi i
a klı yoğunluk e şekilde delinme izle i bı akmak adı .
Deneyle sabi 40 K yüksek ge ilim al ında 3 a klı elek o düzeninde yapılmış ı (Şekil 2). 13 ade
p essboa d elek iksel am delinmeye uğ ayana kada es e abi u ulmuş u . Tes le sonucunda 13 ade
p essboa d yüzeyinde elek iksel deşa jla a bağlı kısmi deşa j e am deşa j desenle i oluşmuş u . Yüzeydeki
bu desenle yapay zeka modelimiz için gö sel ola ak kullanılmış ı . Bu gö selle deki izle e sebep olan
elek o ipi e delinmeye kada geçen sü e bilgisi deneysel gözlemle le elde edilmiş i .
Şekil 2. Elek iksel Tes De esi
Kullanılan Tahmin Modeli: GPT-4o
Me cu gö sel sayısının, klasik makine öğ enmesi eya de in öğ enme modelle ini eği mek için ye e siz
olması sebebiyle, bu çalışmada bi LLM modeli e cih edilmiş i . LLM’le , büyük e i kümele i üze inde
önceden eği ilmiş, me in e diğe e i o ma la ını anıyabilen, öze leyebilen, çe i ebilen e yeni içe ikle
ü e ebilen de in öğ enme abanlı yapay zeka modelle idi . Bu modelle in emelinde, uzun me in
bağlamla ını anlamada e dil ü e iminde yüksek başa ı sağlayan ans o me mima isi ye alı [12].
Bu çalışmada, çok modlu (mul imodal) yapısı sayesinde me in, gö sel e ses gibi a klı e i ü le ini aynı
anda işleyebilen GPT’nin 4o e siyonu kullanılmış ı . GPT-4o, OpenAI a a ından geliş i ilen e gö sel
e ile i yo umlayabilme ye eneği sayesinde yalnızca doğal dil işleme gö e le iyle sını lı kalmayıp, aynı
zamanda gö sel analiz yapabilme kapasi esine de sahip yeni nesil bi GPT modelidi [13].
Seçilen GPT-4o modeline elek o la a ma uz kalmış ka ı yalı ım malzemele ine ai gö selle e ile ek,
elek o ipi e ma uz kalma sü esinin ahminlemesi yapılmış ı . Faka bu ahminleme sı asında klasik
gö ün ü işleme modelle indeki gibi GPT-4o modeli eği im e isiyle yeniden eği ilmemiş i . Bunun ye ine,
beli li gö e e özgü yönlendi me (p omp ing) yapıla ak yeniden işle lendi ilmiş i .
Bu gö e için p omp ing yön emle inden bi i olan ö nek abanlı bi yaklaşım benimsenmiş i . Bu yaklaşım,
ew-sho lea ning ola ak bilinmek edi . Few-sho lea ning, LLM’le in bi kaç ö nek üze inden genelleme
yapmasını sağlayan bi eknik i . Model daha önce bu spesi ik gö e i öğ enmemiş olsa da, kullanıcı
a a ından e ilen bi kaç ö nekle (ö neğin 3 e e ans gö sel) bu gö e i anla e benze ö nekle üze inde
çıka ım yapabili . GPT-4o gibi modelle bu yön emde, önceden eği ilmiş bilgi ile sağlanan ö nekle i
bi leş i e ek gö e bağlamını kendi başına ka a . Böylece özel bi eği im eya ince aya ( ine- uning)
sü ecine ge ek kalmadan is enen yapı ku ulabili . Bu ahminleme sü eci için aşağıdaki adımla izlenmiş i :
• İlk ola ak, sis em yönlendi mesi amacıyla he bi i a klı bi elek o çi ini (silindi -düzlem, çubuk-
düzlem, kü e-düzlem) emsil eden üç ade e e ans gö sel seçilmiş i . Seçimde, delinme me kezinin
şekli, iz yayılımı, enk yoğunluğu gibi gö sel ni elikle göz önünde bulundu ulmuş u .
• GPT-4o modeli sis em p omp la ı e ew-sho la ile yönlendi ile ek modelin ahmin e mesi is enen
sını la e özellikle i seçilen e e ans gö selle a acılığı ile anımlanmış ı . He e e ans gö sel için,
kullanılan elek o ipi e delinene kada geçen sü e bilgisi açıkça beli ilmiş i . Bu sayede model,
gö selle de a anan desen e özellikle i anımlayabilmiş e es ö nekle ine uygulanabili hale
ge i ilmiş i .
• Toplamda 10 a klı es gö seli modele sunulmuş e he bi i için aşağıdaki iki emel bilgi modelden
ahmin e mesi is enmiş i :
1. Hangi elek o çi inin kullanıldığı (silindi -düzlem, çubuk-düzlem, kü e-düzlem)
2. Yaklaşık ola ak ma uz kaldığı sü e (saa eya dakika cinsinden)
Sonuçla Tablo 1’de sunulmuş e he bi ahmin, ge çek e ile le ka şılaş ı ıla ak değe lendi ilmiş i .
Tablo 1. Tes Edilmiş Ve ile e Ka şılaş ı malı Sonuçla
Gö sel
Deney Sonucu
GPT-4o Tahmini
1
Silindi -düzlem
10 saa
Kü e-düzlem
18 saa
2
Kü e-düzlem
22 saa
Kü e-düzlem
24 saa
3
Silindi -düzlem
1,5 saa
Silindi -düzlem
1 saa
4
Kü e-düzlem
12 saa
Kü e-düzlem
15 saa
5
Kü e-düzlem
10 saa
Kü e-düzlem
15 saa
6
Kü e-düzlem
17.5 saa
Kü e-düzlem
17 saa
7
Çubuk-düzlem
30 dk
Çubuk-düzlem
25-30 dk
8
Silindi -düzlem
3.6 saa
Silindi -düzlem
3 saa
9
Çubuk-düzlem
1.8 saa
Çubuk-düzlem
45 dk
10
Kü e-düzlem
12.5 saa
Silindi -düzlem
4 saa
Toplam 10 es gö seli üze inden yapılan değe lendi mede, model elek o ipini %80 doğ ulukla doğ u
ahmin edebilmiş i . Özellikle Kü e-Düzlem e Çubuk-Düzlem elek o çi le i için yapılan ahminle de
yüksek isabe o anı gözlenmiş i . Ö neğin, Gö sel 2, 4, 5 e 6'da kullanılan Kü e-Düzlem ipi eksiksiz
ahmin edilmiş, ay ıca Çubuk-Düzlem kullanılan Gö sel 7 de doğ u ola ak ahmin edilmiş i . Bu sonuçla ,
modelin gö sel desenle üze inden iziksel sis emle i ayı edebilme bece isini o aya koymak adı . Buna
ka şın, yalnızca Gö sel 1 e 10’da elek o ipi ha alı sını landı ılmış ı . Gö sel 1’de Silindi -Düzlem ye ine
Kü e-Düzlem, Gö sel 10’da ise Kü e-Düzlem ye ine Silindi -Düzlem ahmin edilmiş i . Bu ha ala
muh emelen bazı desenle in bi bi ine mo olojik ola ak benzemesinden kaynaklanmak adı . Sü e
ahminle inde ise modelin genel ola ak makul bi a alık a kaldığı, ancak daha azla a yasyon gös e diği
gözlenmiş i . Doğ u elek o ipinin ahmin edildiği ö nekle de sü e ahmini ha ası genellikle ±1.5 saa içinde
kalmak a, ö neğin Gö sel 3’ e 1.5 saa lik deneysel sü eye ka şılık modelin 1 saa lik ahmini oldukça
isabe lidi . Ancak bazı ö nekle de, özellikle Gö sel 9’da (1.8 saa ye ine 45 dakika) e Gö sel 10’da (12.5
saa ye ine 4 saa ) modelin ciddi sapmala gös e diği gö ülmek edi . Bu du um, modelin sü eye bağlı gö sel
özellikle i anıma kapasi esinin daha sını lı olduğunu e zaman ahmininde bağlamsal beli sizlikle
aşıdığını gös e mek edi . Yine de modelin, yeniden eği ilmeden yalnızca yönlendi me (p omp ing) ile bu
denli başa ılı ahminle yapabilmesi, gö sel analiz abanlı a ıza eşhis uygulamala ı için umu e ici bi emel
sunmak adı .
SONUÇ
Bu çalışma, güç a ola ında kullanılan ka ı yalı kan malzemele in elek iksel delinme sü eçle inde oluşan
yüzey desenle inden aydalana ak, kullanılan elek o ipini e delinmeye kada geçen sü eyi ahmin e meyi
amaçlamış ı . Gö sel analiz emelli bu yaklaşımda, çok modlu yapay zeka modeli GPT-4o’nun yönlendi me
(p omp ing) ye enekle inden ya a lanılmış, klasik eği im sü eçle i olmaksızın yalnızca bi kaç ö nek
üze inden genelleme yapması sağlanmış ı . Toplam 10 es ö neği üze inde yapılan analizde, model elek o
ipini %80 doğ ulukla doğ u ahmin e miş; sü e ahminle inde ise çoğunlukla ±1.5 saa lik ha a a alığında
kalmış ı . Bu sonuçla , modelin gö sel desenle e dayalı sını landı ma e eg esyon gö e le inde başa ılı
pe o mans se gilediğini e bu ü gö e le için LLM emelli yapay zeka modelle inin e kin şekilde
kullanılabileceğini gös e mek edi . Modelin eği im ge ek i meden, yalnızca bi kaç ö nekle gö e odaklı
şekilde yönlendi ilebilmesi, e i mik a ının kısı lı olduğu mühendislik uygulamala ında önemli bi a an aj
sunmak adı .
Çalışmanın ene ji sis emle i bakımından önemi, gö sel izle üze inden ekipman sağlığına dai ka a la ın
hızlı, doğ u e maliye e kin şekilde alınabilmesini sağlamasında ya mak adı . Endüs iyel ola ak
değe lendi ildiğinde, bu yaklaşım sahada elde edilen delinme izle inin diji alleş i ile ek analiz edilmesi
yoluyla, a ola da meydana gelen yalı ım hasa la ının ipini e şidde ini önceden beli leyebilme olanağı
sunmak adı . Böylece bakım planlamala ı op imize edile ek a ıza iskle i azal ılabili e sis em gü enili liği
a ı ılabili . Gelecek çalışmala kapsamında, modelin ahmin doğ uluğunu a ı mak için daha geniş çaplı bi
gö sel e i se i oluş u ulması, sü e ahmini için zaman se isi analizle iyle des eklenen hib i yapay zeka
modelle inin kullanılması e özellikle saha e ile i ile sis emin doğ ulanması planlanmak adı . Ay ıca, a klı
LLM e gö ün ü işleme modelle iyle ka şılaş ı malı pe o mans analizle i ge çekleş i ile ek, en uygun
algo i ma mima isi beli lenebili . Uzun adede, bu yapının ge çek zamanlı a ıza eşhisi e öngö ücü bakım
sis emle ine en eg e edilmesiyle, güç sis emle i ekipmanla ının diji al ikizine ka kı sunması
hede lenmek edi .
Kaynakça
[1] Ho owi z, S anley H., A un G. Phadke, and Cha les F. Hen ille. Powe sys em elaying. John Wiley &
Sons, 2022.
[2] G yzlo , A. A., and M. A. G igo ’E . "Imp o ing he eliabili y o elay-p o ec ion and au oma ic
sys ems o elec ic-powe s a ions and subs a ions." Russian Elec ical Enginee ing 89 (2018): 245-248.
[3] Zhang, Yi, Ma ija D. Ilić, and Ozan K. Tonguz. "Mi iga ing blackou s ia sma elays: A machine
lea ning app oach." P oceedings o he IEEE 99.1 (2010): 94-118.
[4] Mei a, Ma ias, e al. "Powe ans o me s moni o ing based on elec ical measu emen s: s a e o he
a ." IET Gene a ion, T ansmission & Dis ibu ion 12.12 (2018): 2805-2815.
[5] Sho , Thomas Allen. Elec ic powe dis ibu ion equipmen and sys ems. CRC p ess, 2018.
[6] Mopa i, Sh ikan S., e al. "Heal h assessmen o con e e ans o me p essboa d insula ion based on
FDS and digi al image p ocessing." Measu emen : Senso s 29 (2023): 100873.
[7] A ala , Fa ih, N. Özben Önhon, and Mukden Uğu . "In es iga ion o he e ec o laye ed s uc u e on
pa ial discha ges in ans o me p essboa d insula o ." Elec ical Enginee ing 105.6 (2023): 3459-3467.
[8] S ulo , Alexey, And ey Tikhono , and I ina Sni ko. "Fundamen als o a i icial in elligence in powe
ans o me s sma design." 2020 In e na ional U al Con e ence on Elec ical Powe Enginee ing
(U alCon). IEEE, 2020.
[9] Ža ko ić, Mile a, and Zla an S ojko ić. "Analysis o a i icial in elligence expe sys ems o powe
ans o me condi ion moni o ing and diagnos ics." Elec ic Powe Sys ems Resea ch 149 (2017): 125-136.
[10] Rediansyah, Dhanu, Rahman Azis P asojo, and A. Abu-Siada. "A i icial in elligence-based powe
ans o me heal h index o handling da a unce ain y." IEEE Access 9 (2021): 150637-150648.
[11] A ala , Fa ih, e al. "S a is ical analysis o induced magne ic ields on oil-imp egna ed insula ion
p essboa ds." Elec ical Enginee ing 102.4 (2020): 2095-2107.
[12] Vaswani, A., Shazee , N., Pa ma , N., Uszko ei , J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017).
A en ion is all you need. Ad ances in neu al in o ma ion p ocessing sys ems, 30.
[13] OpenAI, “GPT-4o Sys em Ca d”, h ps://openai.com/index/gp -4o-sys em-ca d/ [23/04/2025]
