A deep learning based digital twin framework for track stiffness estimation using axle box acceleration data
Aks kutusu ivme verilerine dayalı hat rijitliği tahmini için derin öğrenme tabanlı dijital ikiz yaklaşımı
- Tez No: 1004226
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ZAHİD HAMARAT
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mechatronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Demiryolu altyapısının güvenilirliği, işletme güvenliği, yolcu konforu ve bakım planlamasını doğrudan etkileyen temel bir parametre olan hat rijitliğinin değerlendirilebilmesine bağlıdır. Ancak hat rijitliği, işletmede bulunan demiryolu sistemlerinde doğrudan veya rutin olarak ölçülebilen bir büyüklük değildir. Kontrollü koşullar altında rijitliği karakterize etmeye yönelik sınırlı sayıda deneysel ve yerinde ölçüm çalışması bulunsa da, bu yöntemler genellikle maliyetli, müdahaleci ve sürekli izleme için uygun değildir; ayrıca evrensel olarak kabul edilmiş veya standartlaştırılmış bir ölçüm prosedürüne sahip değildir. Buna ek olarak, hat rijitliği farklı işletme ve çevresel koşullar altında zamana bağlı olarak değişim göstermekte olup, bu durum doğrudan değerlendirmeyi daha da karmaşık hale getirmektedir. Bu zorluklara yanıt olarak, bu çalışmada hat rijitliğinin dolaylı olarak gözlemlenebilir bir parametre olarak ele alındığı, dijital ikiz odaklı bir çerçeve önerilmektedir. Önerilen yaklaşımda, LS-DYNA ile simüle edilen aks kutusu ivmesi (axle-box acceleration, ABA) sinyalleri, Konvolüsyonel Sinir Ağları (CNN) ve Hızlı Fourier Dönüşümü (FFT) tabanlı özellik çıkarımı ile birleştirilerek balast rijitliği tahmin edilmektedir. Güvenilir saha ölçümlerinin sınırlı olması nedeniyle simülasyon tabanlı bir yaklaşım benimsenmiş; sayısal model, fiziksel tutarlılığı sağlamak amacıyla literatürde yayınlanmış çalışmalarla doğrulanmıştır. Önerilen hibrit CNN+FFT mimarisi, CNN'in hiyerarşik özellik öğrenme yeteneğini FFT tabanlı özelliklerin spektral duyarlılığı ile birleştirmektedir. Sonuçlar, temel CNN modeli ile hibrit CNN+FFT modelinin noktasal tahmin doğruluğu açısından benzer performans sergilediğini; buna karşın hibrit yaklaşımın, farklı hat düzensizliği seviyeleri ve işletme koşulları boyunca hata dağılımını dengeleyerek aşırı uyumu azalttığını ve daha iyi bir genelleme performansı sağladığını göstermektedir.
Özet (Çeviri)
The reliability of railway infrastructure depends on the ability to assess track stiffness, a key parameter influencing operational safety, passenger comfort, and maintenance planning. However, track stiffness is not directly or routinely measurable in operational railway systems. Although a limited number of experimental studies have attempted to characterize stiffness under controlled conditions, such approaches are typically costly, intrusive, and unsuitable for continuous monitoring, and they lack a universally accepted or standardized measurement procedure. Furthermore, track stiffness evolves dynamically under varying operational and environmental conditions, which further complicates its direct assessment. To address these challenges, this study proposes a digital twin–oriented framework in which track stiffness is treated as an indirectly observable parameter. The framework integrates LS-DYNA–simulated axle-box acceleration (ABA) signals with Convolutional Neural Networks (CNN) and Fast Fourier Transform (FFT)-based feature extraction to estimate ballast stiffness. A simulation-based approach is adopted due to the limited availability of reliable field measurements, and the numerical model is validated against published references to ensure physical consistency. The proposed hybrid CNN+FFT architecture combines the hierarchical feature-learning capability of CNNs with the spectral sensitivity of FFT-derived features. While both the baseline CNN and the hybrid CNN+FFT models achieve comparable pointwise prediction accuracy, the hybrid approach demonstrates improved generalization performance by reducing overfitting and stabilizing prediction errors across varying track irregularity levels and operating conditions.
Benzer Tezler
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Sivil Havacılıkİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN
- Predictive maintenance in substation automation system using deep learning
Derin öğrenme ile trafo merkezi otomasyon sisteminde kestirimci bakım
SARMAD NAJEEB HABEEB ALABBAD
Doktora
İngilizce
2026
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ALTINKAYA
- Performance analysis, anomaly detection and predictive maintenance studies using deep learning methods in power plants
Elektrik üretim santrallerinde derin öğrenme metodlarını kullanarak performans analizi, anomali tespiti ve kestirimci bakım çalışmaları
KERİM EMRE AKSAY
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik MühendisliğiÇukurova ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TÜMAY
- Veri güdümlü dijital ikiz modeli ile freze takım tezgahı takım aşınma tahminlemesi ve kesme parametreleri optimizasyonu
Prediction of tool wear and cutting parameter optimization of milling machine tool with data-driven digital twin model
GİZEM BURUN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Applications of artificial intelligence for the security of networks
Ağ güvenliği için yapay zeka uygulamalari
SELEN GEÇGEL ÇETİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT