Yakıt hücresi sistem verimliliğinin makine öğrenmesi yöntemleriyle analizi ve tahmini
Analysis and prediction of fuel cell system efficiency using machine learning methods
- Tez No: 1002877
- Danışmanlar: DR. ÖĞR. ÜYESİ BURCU YILMAZEL
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Yazılımı Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Proton değişim membranlı yakıt hücrelerinde performans tahmini amacıyla makine öğrenmesi tabanlı yöntemlerin kullanımı yaygınlaşmıştır. Ancak raporlanan model performansı yalnızca seçilen algoritmaya değil, kullanılan değerlendirme stratejisine de bağlıdır ve bu yöntemsel etki yakıt hücresi literatüründe sistematik biçimde incelenmemiştir. Bu doktora tezi, farklı değerlendirme stratejilerinin raporlanan performansı, aşırı uyum yanlılığını ve model seçimini nasıl etkilediğini inceleyerek söz konusu boşluğu ele almaktadır. Bu amaçla, yeniden örnekleme eksenini (tek eğitim–test ayırma ve 𝑘-katlı çapraz doğrulama) hiperparametre ayarlama ekseninden (ayarsız ve ayarlı) ayrıştıran kontrollü bir 2 × 2 faktöriyel tasarım kurulmuştur. Dört değerlendirme stratejisi — Eğitim–Test Temeli, Ayarlı Eğitim–Test Bölünmesi, 𝑘-Katlı Çapraz Doğrulama ve İç İçe Çapraz Doğrulama — üç veri kümesi üzerinde, farklı algoritmik aileleri temsil eden regresyon modelleriyle akım yoğunluğu tahminleri açısından karşılaştırılmıştır. Bulgular, test 𝑅2 değerlerinin büyük ölçüde yeniden örnekleme ekseninden etkilendiğini, aşırı uyum göstergelerinin ise hem yeniden örnekleme hem de hiperparametre ayarlamasına duyarlı olduğunu göstermektedir. Eğitim–test ayırma temelli stratejiler genel olarak daha iyimser tahminler üretirken, iç içe çapraz doğrulama daha temkinli ve kararlı tahminler sunmaktadır. Sonuç olarak bu tez, iç içe çapraz doğrulamayı referans protokol olarak önermekte; standart 𝑘-katlı çapraz doğrulamayı ise hesaplama açısından daha düşük maliyetli bir alternatif olarak sunmaktadır.
Özet (Çeviri)
Machine learning has become widely adopted for proton exchange membrane fuel cell (PEMFC) performance prediction. However, reported model performance depends not only on the selected algorithm but also on the evaluation strategy used during model development, and this methodological effect has not been systematically investigated in the fuel cell literature. This dissertation addresses this gap by examining how different evaluation strategies influence reported performance, overfitting bias, and model selection. To this end, a controlled 2 × 2 factorial design is constructed to separate the resampling axis (single hold-out versus 𝑘-fold cross-validation) from the hyperparameter tuning axis (untuned versus tuned). Four evaluation strategies — Train–Test Baseline, Tuned Train– Test Split, 𝑘-Fold Cross-Validation, and Nested Cross-Validation — are compared across three datasets, using regression models representing different algorithmic families, for both current density and power density prediction. The findings show that test 𝑅2 is influenced mainly by the resampling dimension, whereas overfitting indicators respond to both resampling and hyperparameter tuning. Hold-out-based strategies generally produce more optimistic estimates, while nested cross-validation yields more conservative and stable estimates. Overall, this dissertation proposes nested cross-validation as the reference protocol, while standard 𝑘-fold cross-validation is presented as a computationally less demanding alternative.
Benzer Tezler
- Energy management system of hybrid fuel cell/battery system under low-temperature conditions
Düşük sıcaklık koşullarında hibrit yakıt hücresi/batarya sisteminin enerji yönetim sistemi
BAŞAK GÖK
Doktora
İngilizce
2026
Makine MühendisliğiGebze Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RECEP ÖNLER
- Makine öğrenmesi kullanarak Türkiye'de elektrikli araç şarj istasyonlarının potansiyel kullanım performansının mekânsal tahmini
Spatial estimation of potential utilization performance of electric vehicle charging stations in Türkiye using machine learning methods
SERKAN TANRIVERDİ
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADALET DERVİŞOĞLU
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Performance evaluation of intermediate temperature solid oxide fuel cell integrated with advanced supercritical carbon dioxide Brayton cycles
Gelişmiş süperkritik karbondioksit Brayton çevrimleri ile entegre orta sıcaklık katı oksit yakıt hücresinin performans değerlendirmesi
SEMANUR BEYGÜL
Yüksek Lisans
İngilizce
2024
Makine MühendisliğiDokuz Eylül ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILDIZ KALINCI
- Hava soğutmalı bir pem yakıt pilinin bir boyutlu ve üç boyutlu termal analizi
One dimensional and three dimensional thermal analysis of an air-cooled pem fuel cell
MEHMET SÜHA İŞİ
Yüksek Lisans
Türkçe
2024
EnerjiDoğuş ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN UTKU HELVACI