Makine öğrenmesi ve dijital ikiz yaklaşımlarıyla fotovoltaik ve rüzgâr tabanlı yenilenebilir enerji–hidrojen sistemlerinin bütünleşik modellenmesi
An integrated modeling framework for photovoltaic and wind-based renewable energy–hydrogen systems with machine learning and digital twin approaches
- Tez No: 1011798
- Danışmanlar: PROF. DR. MURAT GÖKÇEK
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Enerji, Mechanical Engineering, Energy
- Anahtar Kelimeler: Makine öğrenmesi, Sayısal ikiz, Yenilenebilir enerji, Machine learning, Digital twin, Renewable energy
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Niğde Ömer Halisdemir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Enerji Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu doktora tezinde, fotovoltaik, rüzgâr ve hibrit (PV + rüzgâr) yenilenebilir enerji sistemleri için enerji üretiminin tahmin edilmesi ve bu tahminlerin dijital ikiz (digital twin) mimarisi içerisinde değerlendirilmesi amaçlanmıştır. Çalışmada, yenilenebilir enerji üretiminin meteorolojik koşullara yüksek derecede bağlı olması nedeniyle ortaya çıkan belirsizliklerin azaltılması hedeflenmiş; farklı coğrafi lokasyonlara ait uzun dönemli meteorolojik veriler kullanılarak makine öğrenmesi tabanlı ANN, kNN, XGBoost, RF, Lasso gibi tahmin modelleri ile enerji üretim davranışının önce yazılım modeli üzerinde sonra sistemlerin Simulink tabanlı dijital ikiz modeli üzerinde analiz edilmesiyle yöntemin mühendislik açısından uygulanabilirliği değerlendirilmiştir. Hem yazılım hem de dijital ikiz modeli üzerinden yapılan çalışmalarda; ANN ve kNN modelleri fotovoltaik, rüzgâr ve hibrit sistemlerde R² değerlerinin 1'e oldukça yakın olduğu; MAE ve RMSE metrikleri 10-4 mertebesinde performans göstererek yüksek doğrulukta sonuçlar elde edilmiştir. Her iki model üzerinde de Lasso algoritması için elde edilen R² değerleri 0.89–0.93 aralığında kalmış; MAE ve RMSE değerlerinde yüksek artışlar gözlemlenmiştir. Ayrıca dijital ikiz modeline geçildiğinde XGBoost ve RF algoritmalarının R² değerlerinde %4-%7 oranında düşüşler gözlemlenmiş, MAE ve RMSE değerlerinde de benzer şekilde artışlar gözlemlenmiştir. Yazılım testleri ile dijital ikiz simülasyon sonuçlarının birlikte değerlendirilmesi, ANN ve KNN makine öğrenmesi algoritmalarının dijital ikiz ortamında fiziksel sistem davranışını temsil edebilme kabiliyetinin olduğunu ortaya koymuştur.
Özet (Çeviri)
In this doctoral dissertation, the objective is to forecast energy generation for photovoltaic (PV), wind, and hybrid (PV + wind) renewable energy systems and to evaluate these predictions within a digital twin architecture. The study aims to reduce uncertainties arising from the strong dependency of renewable energy generation on meteorological conditions. Long-term meteorological datasets from different geographical locations were utilized, and machine learning–based forecasting models including ANN, kNN, XGBoost, Random Forest (RF), and Lasso were implemented. The energy production behavior was first analyzed within a software-based modeling framework and subsequently evaluated using a Simulink-based digital twin model of the systems, enabling assessment of the engineering feasibility of the proposed methodology. In both the software-based and digital twin–based analyses, ANN and kNN models demonstrated high predictive accuracy across photovoltaic, wind, and hybrid systems, achieving R² error values below 0.01 and MAE and RMSE metrics on the order of 10-4. In contrast, the Lasso algorithm yielded R² values within the range of 0.89–0.93, accompanied by significant increases in MAE and RMSE metrics in both modeling environments. Furthermore, upon transitioning to the digital twin framework, XGBoost and RF algorithms exhibited reductions of approximately 4–7% in R² values, along with corresponding increases in MAE and RMSE metrics. The combined evaluation of software-based tests and digital twin simulation results indicate that ANN and kNN algorithms possess strong capability in representing physical system behavior within a digital twin environment.
Benzer Tezler
- Development of a deep learning assisted webgis framework for updating building databases
Bina veritabanlarının güncellenmesi için derin öğrenme destekli webcbs çatısı geliştirilmesi
RECEP CAN
Yüksek Lisans
İngilizce
2022
Mühendislik BilimleriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ ÖZGÜN OK
- 3B nokta bulutlarının derin öğrenme yöntemiyle semantik segmentasyonu
Semantic segmentation of 3D point clouds using deep learning methods
MERT BEŞİKTEPE
Yüksek Lisans
Türkçe
2022
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
DOÇ. DR. CANER GÜNEY
- Sağlık sistemlerinde simülasyon ve makine öğrenmesi entegrasyonuna dayalı dijital ikiz uygulaması
Simulation and machine learning integrated digital twin application for healthcare systems
NUR SELİN ÖZEN
Doktora
Türkçe
2026
Endüstri ve Endüstri MühendisliğiÇukurova ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. MELİK KOYUNCU
- Elektrik motorlarında kestirimci bakım için uç hesaplama ve dijital ikiz destekli test ortamı ve yapay zeka modeli
Artificial intelligence model and test environment for predictive maintenance in electric motors with edge computing and digital twin enabled
EDA AKALP
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiMuğla Sıtkı Koçman ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENİS KARAARSLAN
DOÇ. DR. MOHARRAM CHALLENGER
- 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