Elektrikli hava araçlarında kullanılan bataryalar için durum kestirimi
State estimation for batteries used in electric air vehicles
- Tez No: 1021294
- Danışmanlar: PROF. DR. HAKAN OKTAL
- Tez Türü: Doktora
- Konular: Enerji, Elektrik ve Elektronik Mühendisliği, Havacılık ve Uzay Mühendisliği, Energy, Electrical and Electronics Engineering, Aeronautical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Havacılık Elektrik ve Elektroniği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrikli dikey kalkış ve iniş (eVTOL) hava araçlarının operasyonel güvenliği, batarya durum parametrelerinin yüksek hassasiyetle izlenmesine bağlıdır. Fonksiyon Durumu (SoF) ve Kalan Faydalı Ömür (RUL) gibi ileri düzey güvenlik metriklerinin elde edilebilmesi, öncelikle Sağlık Durumu (SoH) ve Şarj Durumu'nun (SoC) doğru kestirilmesini gerektirmektedir, zira yüksek doğruluklu bir SoC hesabı, bataryadaki yaşlanmaya bağlı kapasite sönümlenmesinin (SoH) önceden tam olarak bilinmesine dayanmaktadır. Bu kapsamda, çalışmanın ilk aşamasında 10 farklı makine öğrenmesi algoritması değerlendirilmiş ve fiziksel laboratuvar testleriyle doğrulanan XGBoost algoritmasının batarya kapasite kayıplarını %1,18 ile %2,12 gibi oldukça düşük hata marjlarıyla öngörebildiği kanıtlanmıştır. İnşa edilen bu güvenilir SoC ve SoH temelinin üzerine, havacılıktaki uçuş-kaza veri kıtlığını aşmak amacıyla birinci dereceden Thevenin eşdeğer devre modeli ve Monte Carlo yöntemi kullanılarak 3000 adet uçuş senaryosu simüle edilmiş ve hibrit bir dijital ikiz kurgulanmıştır. Sentetik veri setiyle eğitilen XGBoost regresyon modeli, 1200 saniyelik görev profilinde RUL değerini 23,77 saniyelik ortalama mutlak hata (MAE) ile tahmin etmiştir. Görev başarı olasılığını (SoF) sınıflandıran Random Forest algoritması ise %97,87 doğruluk ve 0,9718 F1-Skoru elde ederek“sessiz arıza”(gerilim çökmesi) risklerini başarıyla tespit etmiştir. Son olarak, entegre edilen“Uçuş Danışmanı”karar destek mekanizması, riskli uçuş senaryolarında proaktif operasyonel müdahaleler üreterek potansiyel kazaları engellemiş olup, geliştirilen bu mimarinin havacılık güvenliğine dinamik bir katkı sağlaması beklenmektedir.
Özet (Çeviri)
The operational safety of electric vertical take-off and landing (eVTOL) aircraft strongly relies on the highly accurate monitoring of battery state parameters. Obtaining advanced safety metrics such as State of Function (SoF) and Remaining Useful Life (RUL) primarily requires the accurate estimation of State of Health (SoH) and State of Charge (SoC); because a highly accurate SoC calculation depends on precisely knowing the capacity fade (SoH) due to battery aging in advance. In this context, the first phase of the study evaluated 10 different machine learning algorithms, and it was proven through physical laboratory tests that the XGBoost algorithm can predict battery capacity losses with remarkably low error margins, ranging from 1.18% to 2.12%. Building upon this reliable SoC and SoH foundation, a hybrid digital twin was constructed to overcome the run-to-failure data scarcity in aviation by simulating 3,000 distinct flight scenarios using a first-order Thevenin equivalent circuit model and the Monte Carlo method. Trained with this synthetic dataset, the XGBoost regression model estimated the RUL value with a Mean Absolute Error (MAE) of 23.77 seconds during a 1,200-second mission profile. Furthermore, the Random Forest algorithm classifying the mission success probability (SoF) achieved 97.87% accuracy and an F1-Score of 0.9718, successfully detecting“silent failure”(voltage collapse) risks. Finally, the integrated“Flight Advisor”decision support mechanism generated proactive operational interventions in risky flight scenarios to prevent potential accidents, which is expected to provide a dynamic contribution to aviation safety.
Benzer Tezler
- Estimation of remaining useful life by using neural network method for lithium based batteries in aviation applications
Havacılıkta kullanılan lityum tabanlı bataryaların yapay sinir ağları ile ömür kestirmine katkılar
HÜSEYİN SELÇUK POLATÖZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Modelling longitudinal motion of an electric vehicle and wheel slip control through NN based uncertainty prediction
Elektrikli aracın boyuna hareketinin modellenmesi ve yapay sinir ağı tabanlı belirsizlik kestirimli tekerlek kayma kontrolü
DUYGU ÖZYILDIRIM
Yüksek Lisans
İngilizce
2021
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. OVSANNA SETA ESTRADA
- Elektrikli araçlardaki lityum-iyon bataryalar için modelleme ve şarj durumunun kestirimi
Modelling and state of charge estimation for lithium-ion batteries in electric vehicles
KENAN YILDIRIM
Yüksek Lisans
Türkçe
2021
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Model based state of charge estimation of zinc-air batteries
Çinko-hava tipi bataryalarda model tabanlı şarj durumu kestirimi
BURAK SATILMIŞOĞLU
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. FİKRET ÇALIŞKAN
- Devrelerin büyük işaret cevaplarının bilgisayar yardımıyla bulunması
Başlık çevirisi yok
NÜKHET GÜNEYİ
Yüksek Lisans
Türkçe
1985
Elektrik ve Elektronik MühendisliğiUludağ ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ERGÜR TÜTÜNCÜOĞLU