Bataryaların kalan faydalı ömrünün yapay zeka yöntemleri kullanılarak incelenmesi
Investigation of the remaining useful life of batteries using artificial intelligence methods
- Tez No: 994620
- Danışmanlar: DOÇ. DR. MEHMET KONAR, DR. ÖĞR. ÜYESİ TUĞBA TETİK
- Tez Türü: Yüksek Lisans
- Konular: Havacılık ve Uzay Mühendisliği, Aeronautical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Havacılık Elektrik ve Elektroniği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Şarj edilebilir bataryalar, modern teknolojik sistemlerin temel güç kaynakları olarak kritik bir rol oynamaktadır. Ancak bu bataryaların sınırlı bir çevrim ömrüne sahip olması, kullanım ömürleri dolduğunda değiştirilmelerini gerektirir. Bu bağlamda Lityum-iyon bataryalar, yüksek enerji yoğunluğu, hızlı şarj özelliği ve hafiflik gibi avantajları nedeniyle birçok uygulama için ideal bir seçenek olsa da, ısıl bozunma ve yaşlanma gibi önemli dezavantajlar da bulunmaktadır. Bataryaların kullanım ömrünü en üst düzeye çıkarmak için ideal şarj ve saklama koşulları gerekse de, bu koşulların pratikte her zaman optimum düzeyde sağlanamaması, bataryaların Kalan Faydalı Ömrünün (RUL) ve Sağlık Durumunun (SoH) tahmin edilmesini zorunlu kılmaktadır. Bu tür öngörüsel tahminler, sistem güvenliğini artırarak olası kazaların ve öngörülemeyen operasyonel problemlerin önlenmesinde hayati bir öneme sahiptir. Bu çalışmanın temel amacı, Li-ion bataryaların sağlık durumunu yüksek doğrulukla tahmin etmeye yönelik olarak yedi farklı makine öğrenmesi ve derin öğrenme modelinin performansını karşılaştırmalı olarak analiz etmektir. Bu kapsamda, NASA Ames Prognostik Mükemmeliyet Merkezi (Prognostics Center of Excellence, PCOE) tarafından yayımlanan batarya veri seti kullanılmıştır. Çalışmada, RWKV, LSTM, k-NN, GBT, SVM, LR, EL makine öğrenmesi ve derin öğrenme yöntemlerinin SoH ve RUL tahmin yetenekleri incelenmiştir. Elde edilen bulgulara gore, GBT modeli SoH tahmininde en düşük hatayı (RMSE:0.0047) verirken, RWKV modeli RUL tahmininde en kararlı sonuçları (0.96 çevrim sayısı) sunmuştur.
Özet (Çeviri)
Rechargeable batteries play a critical role as fundamental power sources in modern technological systems. However, their limited cycle life necessitates replacement once their operational lifespan is exhausted. In this context, although lithium-ion batteries are considered an ideal option for many applications due to their high energy density, fast-charging capability and lightweight nature, they also exhibit significant drawbacks such as thermal degradation and aging. Although optimal charging and storage conditions are essential to maximize battery lifespan, maintaining such ideal conditions in practice is often challenging. Consequently, the prediction of Remaining Useful Life (RUL) and State of Health (SoH) of batteries becomes indispensable. Such predictive estimations are of vital importance for enhancing system safety and preventing potential accidents and unforeseen operational failures. The primary objective of this study is to comparatively analyze the performance of seven different machine learning and deep learning models for accurately estimating the health state of lithium-ion batteries. In this regard, the battery dataset published by the NASA Ames Prognostics Center of Excellence (PCOE) has been utilized. The study investigates the SoH and RUL prediction capabilities of RWKV, LSTM, k-NN, GBT, SVM, LR, and EL-based machine learning and deep learning methods. According to the results, the GBT model achieved the highest accuracy in SoH estimation (RMSE:0.0047), while the RWKV model demonstrated superior perfomance in RUL prediction (0.96 cycles).
Benzer Tezler
- Dörtyüz minik yıldız 14/16 genç takım futbolcularında kuvvet parametrelerinin tesbiti ve yetenek seçimindeki etkisi
Başlık çevirisi yok
MEDNAN SAÇAKLI
- Implementation of an autonomous photovoltaic based DC supply with motor generator backup
Fotovoltaik tabanlı ve motor generator grubu desteğinde otomatik doğru akım güç kaynağı
LEVENT SİNAN ÖZCAN
Yüksek Lisans
İngilizce
1993
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF.DR. MUAMMER ERMİŞ
- Farklı branş ve düzeydeki erkek sporcularla spor yapmamış olanların psikolojik ihtiyaçları ile bazı sosyal ve sportif özellikleri
Comparison of psychological needs and some psychologic-social and sportive characteristics of elit and nonelite athletes
EMİN KURU
