ÇAMAŞIR KURUTMA MAKİNESİ VERİLERİNDEN TEKSTİL ÖZELLİKLERİ ALGILANARAK KURUTMA VERİMLİLİĞİNİN ARTIRILMASI

Creative Commons License

Gider M., KASAPBAŞI M. C.

İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, cilt.25, sa.49, ss.1-17, 2026 (TRDizin)

Özet

Bu çalışma, çamaşır kurutma makinelerinde yer alan iletkenlik sensörlerinden elde edilen veriler yardımıyla tekstil türü, yük miktarı ve giriş nem seviyesini belirlemeyi; bu sayede kurutma süresini optimize etmeyi amaçlamaktadır. Yapay zekâ tabanlı modeller, tekstil özelliklerini otomatik olarak tanımlayarak her yüke özel kurutma stratejileri geliştirmeye imkân tanımaktadır. Uygulanan makine öğrenmesi ve yapay sinir ağı algoritmaları sayesinde, kurutma süresinde ortalama %33 oranında tasarruf sağlanmıştır. Model doğruluk oranları %86 ile %95 arasında değişmiş, en yüksek başarı Çok Katmanlı Algılayıcı (Multilayer Perceptron – MLP) mimarisi ile elde edilmiştir. Bu bulgular, önerilen sistemin hem kullanıcı deneyimini iyileştirdiğini hem de sürdürülebilir kurutma teknolojilerine katkı sunduğunu göstermektedir.
This study aims to optimize drying time in tumble dryers by determining textile type, load amount, and initial moisture level using data obtained from built-in conductivity sensors. Artificial intelligence-based models enable the automatic identification of textile characteristics, allowing the development of customized drying strategies for each load. Through the implementation of machine learning and artificial neural network algorithms, an average of 33% reduction in drying time was achieved. The model accuracy ranged between 86% and 95%, with the highest performance obtained using a Multilayer Perceptron (MLP) architecture. These findings indicate that the proposed system not only improves user experience but also contributes to the advancement of sustainable drying technologies.