International Journal of Advanced Natural Sciences and Engineering Researches

Industry 4.0 and Industry 5.0: A Hybrid Paradigm for Sustainable and Human-Centric Manufacturing

2025-07-31T21:29:04+03:00

Smart manufacturing is made up of two views. Industry 4.0 encourages digitization and
automation of processes, while Industry 5.0 focuses on systems that put people first. Climate change,
pandemics, hybrid and conventional warfare, and refugees were all issues that Industry 5.0 dealt with. To
bring people back into corporate decision-making, we need long-term and strong solutions. This study
suggests a mix of Industry 4.0 and Industry 5.0 for operations that are highly automated and focused on
value for people. The technology of many jobs improved during the industrial revolutions. "Softwarization"
and digitalization are speeding up. To keep up with digital technology, Industry 4.0 needs to become
Industry 5.0 by combining its strengths. Over the past ten years, Industry 4.0 has made things better and
fixed a lot of problems. Now, Industry 5.0 is possible and needed. Smart manufacturing makes things work
better, but Industry 4.0 doesn't help society very much. This paper talks about the good and bad things about
Industry 5.0 and suggests that more research needs to be done. Industry 5.0 is more about people and
machines working together than it is about technology. In this new industrial revolution, customizing goods
and services will make customers happier and businesses more successful. The paper says that smart cities
and villages should use the latest technology to make Industry 5.0 and Society 5.0. We want to show
business leaders, decision-makers, and researchers how technology can help us reach the SDGs.

Novel Vinyl Substituted N-Heterocyclic Carbene Silver(I) Complex: Synthesis and Structural Characterization

2025-07-31T21:35:34+03:00

Transition metal complexes of N-heterocyclic carbenes (NHCs) containing benzimidazole have
been at the center of intensive research in organometallic chemistry and homogeneous catalysis over the
years [1]. The electronic and steric properties of NHC complexes can be easily modified. This makes
carbene complexes indispensable in homogeneous catalysis. These complexes also have greater stability
against air, moisture and heat compared to their phosphine analogues [2]. In addition to catalysis, M-NHC
complexes are also widely used in the medical field. In addition to their antimicrobial effects, these
compounds have also been shown to be active against cancer. Research on the antimicrobial and anticancer
properties of silver has continued to increase in recent years and there are now many different silver
complexes that exhibit a wide spectrum of antimicrobial and anticancer activity [3]. The current research
work aims to provide alternatives to some products. In this study, a new 1-(4-vinylbenzyl)-3-(alkyl)-5,6
dimethylbenzimidazol-2-ylidene]silver(I) complexes were synthesized. The structures of all compounds
were characterized by 1H NMR, 13C NMR and IR spectroscopy techniques.properties.

Geri Dönüştürülmüş Plastik Atık Malzemeler ile Beton Üretimi: Yapısal Performans ve Sürdürülebilirlik

2025-07-31T21:38:54+03:00

Günümüzde yapı malzemelerinde çevresel sürdürülebilirlik arayışı, özellikle çimento esaslı
ürünlerde alternatif hammadde kullanımını ön plana çıkarmaktadır. Bu doğrultuda, geri dönüştürülmüş
plastik atıkların çimento esaslı harçlarda değerlendirilmesi, hem doğal kaynak tüketiminin azaltılması
hem de atık yönetimine katkı sağlanması açısından önem taşımaktadır. Bu çalışmada, geri dönüştürülmüş
(PET) plastik atık malzeme çimento harcına ince agrega yerine hacimce %1 , %1.5 , %5 ve %10
oranlarda ikame edilerek, yapısal performans üzerindeki etkileri incelenmiştir.
Deneysel çalışmada, TS EN 196-1 standardına uygun olarak 40×40×160 mm boyutlarında prizma harç
numuneleri üretilmiş ve 28 günlük kür süreci sonrasında mekanik ve fiziksel testlere tabi tutulmuştur.
Sertleşmiş numuneler üzerinde eğilme dayanımı ve ardından kırılan parçalarda basınç dayanımı (her ikisi
TS EN 196-1’e göre) uygulanmıştır. Ayrıca, farklı atık türleri ve ikame oranlarının harçların dayanıklılık
özellikleri üzerindeki etkileri karşılaştırmalı olarak değerlendirilmiştir.
Elde edilen bulgular, düşük ve orta düzeydeki ikame oranlarında geri dönüştürülmüş plastik ve atık
malzemelerin harç dayanımında kabul edilebilir seviyelerde performans sergileyebileceğini
göstermektedir. Bu çalışma, inşaat sektöründe sürdürülebilir ve çevre dostu harç tasarımlarının mümkün
olabileceğini gösterecek ve döngüsel ekonomiye yönelik uygulamalara bilimsel katkı sunmayı
amaçlamaktadır.

Energy Infrastructure-Based Fire Risk: The Impact of Electric Transmission Lines on Forest Ecosystems and Social Policy with Prevention Strategies

2025-07-31T21:43:56+03:00

In recent years, the rising frequency and intensity of forest fires globally have been driven not
only by climate change-related natural factors but also by human-induced infrastructure vulnerabilities.
Among the most at-risk areas are forested and rural regions intersected by power transmission lines. In
arid, windy, and low-humidity environments, technical issues such as poor maintenance, equipment
failure, inadequate insulation, or collapsed poles can generate sparks that ignite fires. These fires
endanger ecosystems and also disrupt livelihoods, essential services, and social well-being in affected
communities. This study investigates the relationship between energy transmission infrastructure and
forest fires from an integrated perspective encompassing engineering, environmental safety, and social
policy. Numerous international incidents, particularly in countries like the USA and Australia, highlight
faulty power infrastructure as a critical cause of large-scale fires. Accordingly, such fires should be
regarded not only as environmental disasters but also as technological and social crises. To mitigate these
risks, the study proposes several technical strategies: routine and autonomous inspection of power lines
via unmanned aerial vehicles (UAVs); early fault detection using thermal imaging technologies at cables
and connectors; creation of protective zones of at least 10 meters along power line routes; and
deployment of AI-powered spark detection sensors and smart grids equipped with fast-acting circuit
breakers. The study also explores the broader impacts of power outages during wildfires. These outages
can severely hinder emergency response capabilities, disrupt communication systems and healthcare
services, and destabilize supply chains for food and basic needs. Such disruptions tend to exacerbate
social inequalities, particularly in rural areas marked by high vulnerability. In conclusion, forest fires
represent a complex interplay between environmental risks, infrastructure safety, and social resilience.
Managing these risks effectively requires a multidisciplinary approach that incorporates disaster risk
reduction, rural development, and climate justice-oriented social policies. Key priorities should include
continuous monitoring of energy infrastructure, legal enforcement of maintenance responsibilities, and
targeted infrastructure investment in socially disadvantaged regions to ensure sustainable disaster
preparedness and response.

Optimization of Laser Micromachining using Advanced Predictive Deep Learning

2025-07-31T21:48:58+03:00

Ultrashort pulse laser micromachining is a transformative technology for precision
manufacturing, enabling intricate microchannel fabrication across diverse applications such as
semiconductors and microfluidics. This research presents a novel Deep Neural Network (DNN)-based
simulator designed to autonomously predict optimal laser processing parameters, enhancing energy
efficiency and precision. Implemented in Python within a Jupyter Note- book environment, the simulator
leverages critical inputs, including microchannel dimensions, refractive index, optical absorption
coefficient, and propagation loss, to optimize laser settings for materials like fluorides, germanates, and
silicates. The model achieves high predictive accuracy, with R² scores exceeding 0.98 for pulse duration,
repetition rate, and speed, and 0.93 for pulse energy, as validated through metrics like Mean Absolute
Error (MAE) and Mean Squared Error (MSE). This work establishes a robust framework for automated
parameter optimization, reducing experimental trials and advancing smart manufacturing. Future
enhancements include real-time parameter adjustment and expanded material compatibility, positioning
the simulator as a pivotal tool for industrial and academic applications.

Türkçe Metinlerde Duygu Tespiti: NLP ve Makine Öğrenmesi Yaklaşımı

2025-07-31T21:53:45+03:00

Bu çalışma, Türkçe metinlerde insan duygularının otomatik olarak tespitine yönelik doğal dil
işleme (NLP) ve makine öğrenmesi tekniklerinin uygulanmasını ve değerlendirilmesini amaçlamaktadır.
Duygu tespiti; sosyal medya analizi, müşteri geri bildirimi, ruh sağlığı takibi ve insan-bilgisayar
etkileşimi gibi birçok alanda kritik bir rol oynamaktadır. Bu kapsamda, çalışmada Logistic Regression,
Naive Bayes ve Support Vector Machine (SVM) algoritmaları kullanılarak kapsamlı bir karşılaştırmalı
analiz gerçekleştirilmiştir. Modelin eğitimi ve test süreçleri, Kaggle platformundan temin edilen TREMO
veri kümesi üzerinde yürütülmüş; TF-IDF tabanlı özellik çıkarımı ile birlikte hiperparametre
optimizasyonu uygulanmıştır. Elde edilen sonuçlar, özellikle Logistic Regression algoritmasının %79,7
doğruluk oranı ile en yüksek performansı sergilediğini ortaya koymuştur. Bu bulgular, klasik makine
öğrenmesi yöntemlerinin Türkçe duygu analizinde etkili çözümler sunabileceğini ve modellerin hangi
kelimeleri belirleyici olarak değerlendirdiğini göstermesi açısından önem arz etmektedir.

SPORCULARDA KARBONHİDRAT TÜKETİMİ

2025-07-31T21:59:02+03:00

Sporcuların antrenmanlarda yüksek verim elde edebilmesi ve egzersiz sonrası yıpranmayı en aza
indirebilmesi için dengeli bir beslenme programı oldukça önemlidir. Bu programın en temel yapı
taşlarından biri de karbonhidratlardır. Karbonhidratlar, vücudun temel enerji kaynağı olarak yoğun
egzersizlerde kaslarda glikojen depolarını besleyerek sporcuların dayanıklılığını artırır. Antrenman
öncesinde yeterli miktarda karbonhidrat tüketilmesi, yorgunluk hissini geciktirirken performans
düşüşlerinin de önüne geçer. Antrenman ya da müsabaka sırasında karbonhidrat alımı, özellikle uzun
süren aktivitelerde enerjinin sürekliliğini sağlar. Antrenman bittikten sonra karbonhidrat alımının
proteinle birlikte yapılması ise hem enerji depolarının yeniden dolmasına katkıda bulunur hem de kas
dokusunun onarımını hızlandırır. Bu derlemede, sporcularda karbonhidrat tüketiminin farklı antrenman
evrelerindeki rolü, alınması gereken miktar ve hangi kaynaklardan sağlanabileceği gibi başlıklar ele
alınmaktadır. Ayrıca farklı spor branşlarında karbonhidrat planlamasının nasıl değiştiğine dair bilgiler
sunulmaktadır. Bu sayede antrenörlerin ve sporcuların antrenman ve müsabaka dönemlerinde doğru
karbonhidrat stratejileri geliştirmesi desteklenmektedir. Bilimsel bulgular, sporcunun yaşına, yaptığı spor
dalına ve antrenman yoğunluğuna göre karbonhidrat gereksiniminin değiştiğini göstermektedir. Bu
nedenle karbonhidrat tüketiminin planlanması, bireysel farklılıklar gözetilerek yapılmalıdır. Doğru bir
planlama ile sporcular hem performanslarını koruyabilir hem de sakatlanma riskini azaltabilir.

A Graph-Driven Machine Learning Framework for Biomedical Prediction and Spectral Network Modeling

2025-07-31T22:02:23+03:00

The increasing intricacy of biomedical systems has necessitated the development of integrated
computational models that merge predictive precision with structural clarity. This article outlines the
creation and validation of a machine learning-based clinical decision support system for the early
evaluation of heart attack risk, enhanced by a conceptual network architecture relevant to broader
biological contexts, including microbiomes. A clinical dataset comprising nine cardiovascular markers
was used to assess three supervised algorithms: K-Nearest Neighbors, Naive Bayes, and Decision Tree.
The decision tree achieved an accuracy of 98%, validating its efficacy for structured health data. A
Python-based interface was developed, facilitating both manual and PDF data input for real-time clinical
use.
In addition to categorisation, each patient was represented as a node in a similarity network, facilitating
the conversion of flat data into a topological structure. The outputs of machine learning were interpreted
as node labels, serving as the foundation for subsequent applications in microbiome-host interaction
networks and gene co-expression research. This method facilitates the application of spectral graph
techniques, including Laplacian eigenvalue analysis and matrix functionals (e.g., exp(A), cosh(A)), to
investigate structural disturbances in biological systems.
This twin contribution—an accurate clinical prediction tool and a transferable graph-based modelling
framework—facilitates transdisciplinary applications in systems biology and computational
epidemiology. This study advances digital health initiatives by integrating machine learning with
topological reasoning, providing a reproducible basis for predictive modelling in biologically intricate,
network-structured fields.

Influence of Ditch Width and Depth on Velocity Distribution in Irrigation Canals: A Case Study Using ANSYS Fluent

2025-07-31T22:10:17+03:00

With an emphasis on a section of the Abbasia Canal in southern Punjab, Pakistan, this study
investigates how ditch width and depth affect flow behaviour in organized irrigation canals. Three distinct
ditch shapes were assessed using Computational Fluid Dynamics (CFD) modelling in ANSYS Fluent to
see how they affected energy dissipation, turbulence intensity, and velocity distribution. The realizable k-ε
turbulence model was utilized to simulate flow structures and energy losses, while the Volume of Fluid
(VOF) approach was utilized to capture free surface flow behaviour. In order to replicate real-world field
circumstances, each simulation included a perpendicular ditch that was attached to the main canal and
varied in size. The findings show that ditch shape affects hydraulic efficiency by substantially changing
both longitudinal and lateral velocity profiles. With its consistent velocity distribution and low turbulence,
the configuration in Case 2 (3 m broad, 0.75 m deep) showed the best performance, increasing discharge
capacity. However, Case 3 (6 m wide, 1.5 m deep) increased the possibility for sediment deposition and
decreased flow momentum while successfully lowering peak flow velocities and wasted energy. A
moderate balance between these impacts was provided by Case 1. In addition to offering practical advice
for maximizing water delivery, reducing erosion, and promoting sustainable canal infrastructure in semi
arid areas, these findings highlight the significance of ditch design in irrigation canal management.

Derin Öğrenme Uygulamaları ile Kötü Amaçlı Yazılım Tespitinde Model Performans Karşılaştırılması

2025-07-31T22:16:20+03:00

Bu çalışmada, günümüzün hızla artan dijitalleşme ve mobil cihaz kullanımıyla paralel olarak
yükselen kötü amaçlı yazılım tehditlerine karşı derin öğrenme tabanlı yaklaşımların etkinliği incelenmiştir.
Kötü amaçlı yazılım tespiti amacıyla, yaygın makine öğrenimi algoritması olan Uzun Kısa Vadeli Bellek
(LSTM) ile derin öğrenme mimarilerinden Tekrarlayan Sinir Ağı (RNN) ve Derin Sinir Ağı (DNN)
modelleri test edilmiştir.
Deneylerde, gerçek dünya kötü amaçlı yazılım senaryolarını yansıtan ve %50 kötü amaçlı, %50 iyi huylu
bellek dökümlerinden oluşan CIC-MalMem-2022 veri seti kullanılmıştır. Modellerin performansı,
doğruluk (accuracy) ve F1 skoru metrikleri üzerinden değerlendirilmiştir.
Elde edilen bulgular, derin öğrenme modelleri olan Derin Sinir Ağı (DNN) ve Tekrarlayan Sinir Ağı (RNN)
nın, Uzun Kısa Vadeli Bellek (LSTM)’e kıyasla kötü amaçlı yazılım tespitinde önemli ölçüde daha başarılı
olduğunu göstermiştir. Her iki derin öğrenme modeli de %100'e yakın doğruluk oranları ve 0.9998'lik F1
skorları ile üstün performans sergilemiştir. Uzun Kısa Vadeli Bellek (LSTM)de yüksek performans gösterse
de, derin öğrenme modellerinin çok daha az yanlış sınıflandırma yaparak daha güvenilir sonuçlar ürettiği
belirlenmiştir.
Bu çalışma, derin öğrenme tabanlı yaklaşımların kötü amaçlı yazılım tespitinde son derece etkili olduğunu
ve siber güvenlik sistemlerinin güçlendirilmesinde kritik bir rol oynayabileceğini ortaya koymaktadır. Bu
bulgular ışığında, gelecekte daha güvenli bilişim sistemleri oluşturmak için derin öğrenme uygulamalarının
siber güvenlik alanına entegrasyonu büyük önem taşımaktadır.

Statistical Analysis of the Effect of Waste Polymer and Carbon Additives on Porosity in Cementitious Composites

2025-07-31T22:21:19+03:00

Concrete is a building material that has been used extensively throughout human history and has
played a fundamental role in the formation of civilizations. The strength, durability, and longevity of
concrete are affected by many factors, and among these factors, porosity plays a critical role in determining
concrete quality. In recent years, advances in nanotechnology have highlighted the use of nanomaterials,
which impart different properties to building materials, particularly in the construction industry. However,
improper disposal of waste polymers poses a serious problem for the ecosystem. Therefore, the use of waste
polymers as aggregates in cement composites is considered an environmentally friendly approach.
However, considering that the use of polymer alone can lead to a loss of mechanical properties, this study
aimed to achieve synergistic effects by using graphene oxide, reduced graphene oxide, and graphene
nanopellet additives. A total of nine experiments were conducted using the Taguchi method using a
statistical experimental design and an L9(3⁴) orthogonal array. The experimental plan specified the type and
amount of nanomaterial, and the type and amount of polymer as parameters. It was determined that all
parameters had an impact on the porosity of the cement composite, with the polymer type being the most
influential parameter.

Siber Tehditlerin Tanımlanmasında Model Performanslarının Karşılaştırılması: CNN, MLP ve Random Forest

2025-07-31T22:24:36+03:00

Siber güvenlik alanında, özellikle ağ trafiği üzerindeki anomali tespiti, artan saldırı çeşitliliği ve
karmaşıklığı nedeniyle her geçen gün daha kritik hâle gelmektedir. Bu çalışma, KDDTest+ veri seti
üzerinde Convolutional Neural Network (CNN), Multi-Layer Perceptron (MLP) ve Random Forest
algoritmalarının anomali tespit performanslarını karşılaştırmalı olarak incelemektedir. Modeller; doğruluk
oranı, F1 skoru, ROC eğrisi ve öznitelik önem değerleri gibi metrikler üzerinden değerlendirilmiştir.
Random Forest modeli, %99 genel doğruluk ve yüksek F1 skorları ile öne çıkarken, özellikle src_bytes ve
dst_bytes gibi veri aktarımını temsil eden öznitelikler karar verme sürecinde belirleyici olmuştur. CNN
modeli %96,7 doğrulukla başarılı sonuçlar üretmiş; ancak eğitim süresi diğer modellere kıyasla daha uzun
olmuştur. MLP modeli ise daha sade bir yapıya sahip olmasına rağmen %97 doğruluk ve yüksek F1 skoru
ile hızlı ve etkili bir performans sergilemiştir. Sonuçlar, her üç modelin de ağ tabanlı siber saldırıların
tespitinde etkili olduğunu göstermektedir. Model seçimi, uygulama alanına ve veri yapısına göre değişiklik
gösterebilir. Gelecekte bu modellerin hibrit yaklaşımlarla birleştirilmesi, daha güvenli ve proaktif ağ
güvenliği çözümlerine katkı sağlayabilir.