Bu çalışmada, 5G, 6G ve radar uygulamaları için 38 GHz ve 55 GHz frekanslarında çalışan ışıma örüntüsü yeniden yapılandırılabilir bir anten önerilmektedir. Anten, ışıma örüntüsü ve frekans yeniden yapılandırılabilirliğini sağlamak için tek bir BAR64-02V RF anahtarı kullanmakta olup, karmaşık besleme sistemlerine ihtiyaç duymadan etkin hüzme yönlendirmesi sunmaktadır. 38 GHz frekansında, Phi = 90° (180°’den 50°’ye) ve Theta = 90° (–50°’den –131°’ye) açılarında belirgin hüzme kaymaları gözlemlenmiştir. 55 GHz’de ise Phi = 0° yönünde – 120°’den –108°’e bir kayma meydana gelmiştir. ON durumunda anten üç bantlı, OFF durumunda ise çift bantlı çalışma sergilemektedir. 38 GHz’de %93, 55 GHz’de %90,6 radyasyon verimi elde edilmiştir. Simülasyon sonuçları, VSWR ve S11 parametrelerinin tüm durumlarda empedans uyumu sağladığını göstermektedir. Tasarım, mm-Dalga uygulamaları için bir aday olup, hüzme şekillendirme, girişim azaltma ve sinyal kalitesini artırma gibi avantajlar sunarak yeni nesil kablosuz ve radar sistemleri için önemli bir potansiyel göstermektedir.
This study investigates the prediction of exhaust emissions (CO, CO₂, and NOx) from a diesel engine fueled with biodiesel-diesel blends and compressed natural gas (CNG) using deep learning models. Biodiesel derived from canola, sunflower, and corn oils was blended with conventional, while CNG was introduced at flow rates of 0, 5, 10, and 15 liters per minute (lt/min). Two deep learning architectures, Gated Recurrent Units (GRU) and Long Short-Term Memory (LSTM), were employed to predict emissions. The models' performance was evaluated using metrics such as R², RMSE, and Kling-Gupta Efficiency (KGE). The results demonstrated that both models achieved high accuracy, with R² and KGE values exceeding 0.93 for all emission types. The GRU model showed superior performance in predicting CO and NOx emissions, while the LSTM model excelled in predicting CO₂ emissions. The study highlights the potential of deep learning models in accurately predicting exhaust emissions and optimizing fuel blends for reduced environmental impact.
