Alternatif yakıt karışımlarının motor performansı üzerindeki etkisinin makine öğrenme yöntemleri ile araştırılması
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Makine öğrenimi, bilgisayarların algılayıcı verisi ya da veri tabanları gibi veri türlerine dayalı öğrenimini olanaklı kılan algoritmaların tasarım ve geliştirme süreçlerini konu edinen bir bilim dalıdır. Çok büyük miktarlardaki verinin elle işlenmesi ve analizinin yapılması mümkün değildir. Makine öğrenmesi yöntemleri, geçmişteki veriyi kullanarak yeni veri için en uygun modeli bulmaya çalışmaktadır. Amaç geçmişteki verileri kullanarak gelecek için tahminlerde bulunmaktır. Makine öğrenmesi yöntemleri genel olarak literatürde üç ana kısma ayrılmıştır. Bunlar sırasıyla denetimli öğrenme, denetimsiz öğrenme ve takviyeli öğrenme yöntemleridir. Bu çalışmada 1-Propanol, 2-Propanol ve AVGAS ile benzin yakıtı kullanılarak hacimce %5, %10, %15 oranlarında yakıt karışımları ile yapılan motor denemelerinden elde edilen veriler kullanılmıştır. Elde edilen veriler %100 benzin değerleri ile kıyaslanmıştır. Çalışmada 4 silindirli, direkt enjeksiyonlu ve turbo şarj donanımına sahip bir motor kullanılmıştır. Elde edilen ölçüm sonuçları ile makine öğrenmesinde kullanılmak için veri tabanı oluşturulmuştur. Python programlama dili kullanılarak YSA, GAA, DVM ve AB makine öğrenmesi modelleri üzerinden tahmin işlemleri gerçekleştirilmiştir. CO2, HC, O2 değerlerinin tahmininde en uygun modelin 0,9999 R2 değeri ile YSA olduğu bulunmuştur. NO değeri için 0,9996 R2 ve CO değeri için 0,9990 R2 uygunluk değeri ile AB yönteminin olduğu tespit edilmiştir. Motor torku 0,9996 R2 değeri ile GAA yöntemi tarafından tahmin edilmiştir. Motor gücü değeri 0,9999 R2 değeri ile DVM yöntemi tarafından en yüksek değere sahip makine öğrenmesi yöntemi olduğu gösterilmiştir. Özgül yakıt tüketimi için 0,9990 R2 değeri ile AB yönteminin uygun olduğu görülmüştür.
Machine learning is a science that deals with the design and development processes of algorithms that enable computers to learn based on data types such as sensor data or databases. It is not possible to manually process and analyze large amounts of data. Machine learning methods try to find the most suitable model for new data by using the past data. The aim is to make predictions for the future using data from the past. Machine learning methods are generally divided into three main parts in the literature. These are supervised learning, unsupervised learning and reinforcement learning methods, respectively. In this study, the data obtained from the engine tests carried out with 1-Propanol, 2-Propanol and AVGAS and fuel mixtures of 5%, 10%, 15% by volume using gasoline fuel were used. Obtained data were compared with 100% gasoline values. In the study, a 4-cylinder, direct injection and turbocharged engine was used. With the obtained measurement results, a database was created to be used in machine learning. Prediction processes were carried out on ANN, GBA, SVM and AB machine learning models using the Python programming language. It was found that the most suitable model for the estimation of CO2, HC, O2 values was ANN with an R2 value of 0.9999. It has been determined that the AB method has a conformity value of 0.9996 R2 for the NO value and 0.9990 R2 for the CO value. The engine torque was estimated by the GBA method with an R2 value of 0.9996. The motor power value, with an R2 value of 0.9999, has been shown to be the machine learning method with the highest value by the SVM method. For the specific fuel consumption, the AB method was found to be suitable with an R2 value of 0.9990.
Machine learning is a science that deals with the design and development processes of algorithms that enable computers to learn based on data types such as sensor data or databases. It is not possible to manually process and analyze large amounts of data. Machine learning methods try to find the most suitable model for new data by using the past data. The aim is to make predictions for the future using data from the past. Machine learning methods are generally divided into three main parts in the literature. These are supervised learning, unsupervised learning and reinforcement learning methods, respectively. In this study, the data obtained from the engine tests carried out with 1-Propanol, 2-Propanol and AVGAS and fuel mixtures of 5%, 10%, 15% by volume using gasoline fuel were used. Obtained data were compared with 100% gasoline values. In the study, a 4-cylinder, direct injection and turbocharged engine was used. With the obtained measurement results, a database was created to be used in machine learning. Prediction processes were carried out on ANN, GBA, SVM and AB machine learning models using the Python programming language. It was found that the most suitable model for the estimation of CO2, HC, O2 values was ANN with an R2 value of 0.9999. It has been determined that the AB method has a conformity value of 0.9996 R2 for the NO value and 0.9990 R2 for the CO value. The engine torque was estimated by the GBA method with an R2 value of 0.9996. The motor power value, with an R2 value of 0.9999, has been shown to be the machine learning method with the highest value by the SVM method. For the specific fuel consumption, the AB method was found to be suitable with an R2 value of 0.9990.
Açıklama
Anahtar Kelimeler
Alternatif Yakıt Karışımları, AdaBoost, Destek Vektör Makineleri, Gradyan Artırma Algoritması, Yapay Sinir Ağları, Makine Öğrenmesi, Alternative Fuel Mixtures, Support Vector Machines, Gradient Boosting Algorithm, Artificial Neural Networks
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Bilban, S. (2023). Alternatif yakıt karışımlarının motor performansı üzerindeki etkisinin makine öğrenme yöntemleri ile araştırılması. (Yüksek Lisans Tezi). Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Konya.