Elektrikli araçlar için rotoru sargili senkron motorun derin öğrenme yöntemleri ile tasarimi
Design of a wound rotor syn-chronous motor for electric vehi-cles using deep learning meth-ods
- Tez No: 1019934
- Danışmanlar: PROF. DR. AHMET ORHAN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Makinaları Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Elektrikli araç endüstrisinde yüksek verimli motor tasarımı kritik öneme sahip olup geleneksel sonlu elemanlar analizinin uzun çözüm süreleri, geniş parametre uzayının hızlı keşfedilmesini sınırlandırmaktadır. Bu tez çalışmasının amacı, rotoru sargılı senkron motorun elektromanyetik performans parametrelerinin makine öğrenmesi tabanlı vekil modelleme ile hızlı ve doğru biçimde tahmin edilmesidir. Çalışmanın temel hipotezi, derin öğrenme modellerinin ve fizik temelli kayıp fonksiyonlarının sonlu elemanlar simülasyonuna yakın doğrulukta tahmin sağlayabileceği ve farklı algoritmik ailelerin hibrit birleşiminin tekil modellerden üstün performans üreteceğidir. Motor-CAD ortamında Latin Hypercube Sampling yöntemiyle örneklenen ve temizleme süreçleri sonrasında 3351 geçerli örneğe indirgenen veri seti, 23 giriş parametresi ve üç hedef değişkenden (tork, motor verimi, çıkış gücü) oluşmaktadır. Dört algoritmik aileden toplam sekiz model on farklı rastgele tohum değeriyle eğitilmiştir. Optuna hiperparametre optimizasyonu, beş katlamalı çapraz doğrulama, fizik temelli kayıp fonksiyonu, ablasyon çalışması, hibrit stacking modeli, ters tasarım karşılaştırmalı analizi ve SHAP yorumlanabilirlik analizi ile değerlendirilmiştir. FT-Transformer modeli 0.9926 ± 0.0009 belirleme katsayısı ile en yüksek tekil model performansını sağlamış, CatBoost ve FT-Transformer birleşiminden oluşan hibrit stacking modeli ise 0.9965 ± 0.0011 değerine ulaşarak hata oranını yaklaşık %53 azaltmıştır. Ablasyon çalışması, fizik kaybı ağırlığının 0.1 değerinde veri uyumu ile fiziksel tutarlılık arasında dengeyi sağladığını ve elektriksel parametrelerin motor performansı üzerinde geometrik parametrelerden çok daha belirleyici olduğunu ortaya koymuştur. Ters tasarım deneylerinde NSGA-II evrimsel optimizasyonu eğitilmiş vekil modelle birleştirilerek hedef güç ve tork kısıtlarını sağlarken verimi maksimize eden yeni tasarımların üretilmesi sağlanmıştır. 671 test örneğinde güç için 0.88 W ve tork için 0.01 Nm ortalama MAE elde edilmiş, örneklerin %100'ü %5 hata bandında karşılanmış ve algoritma ortalama %88.95 verim seviyesinde tasarımlar üretmiştir. Motor-CAD bağımsız doğrulaması üç test hedefi için tork %2.14, güç %2.14 ve verim 0.66 puan ortalama sapma ile tamamlanmıştır. KNN tabanlı yaklaşım ise hızlı referans çözümü olarak işlev görmüştür. Geliştirilen çerçeve, sonlu elemanlar simülasyonuna kıyasla milisaniye düzeyinde tahmin üreterek motor tasarım sürecini önemli ölçüde hızlandırmakta ve etkileşimli ters tasarım aracıyla mühendislere incelenen konfigürasyon kapsamında kullanılabilir bir karar destek sistemi sunmaktadır.
Özet (Çeviri)
High-efficiency motor design is of critical importance in the electric vehicle industry; however, the long solution times associated with traditional finite element analysis limit the rapid exploration of the vast parameter space. The objective of this thesis is to rapidly and accurately predict the electromagnetic per-formance parameters of a wound-rotor synchronous motor using machine learning-based surrogate model-ing. The central hypothesis of this study is that deep learning models and physics-based loss functions can provide predictions with accuracy comparable to finite element simulations, and that a hybrid combina-tion of different algorithmic families will yield superior performance compared to individual models. The dataset, sampled using the Latin Hypercube Sampling method in the Motor-CAD environment and re-duced to 3351 valid samples following preprocessing, consists of 23 input parameters and three target variables (torque, motor efficiency, and output power). A total of eight models from four algorithmic fami-lies were trained using ten different random seed values. The models were evaluated using Optuna hy-perparameter optimization, five-fold cross-validation, a physics-based loss function, ablation studies, a hybrid stacking model, a comparative analysis of inverse design, and SHAP interpretability analysis. The FT-Transformer model achieved the highest single-model performance with a coefficient of determination of 0.9926 ± 0.0009, while the hybrid stacking model, consisting of a combination of CatBoost and FT-Transformer, reached a value of 0.9965 ± 0.0011, reducing the error rate by approximately 53%. The abla-tion study demonstrated that a physical loss weight of 0.1 strikes a balance between data fit and physical consistency, and that electrical parameters have a far greater influence on motor performance than geomet-ric parameters. In inverse design experiments, NSGA-II evolutionary optimization was combined with a trained surrogate model to generate new designs that maximize efficiency while meeting target power and torque constraints. An average MAE of 0.88 W for power and 0.01 Nm for torque was obtained across 671 test cases; 100% of the cases were met within a 5% error band, and the algorithm produced designs with an average efficiency of 88.95%. The Motor-CAD independent validation was completed with an average deviation of 2.14% for torque, 2.14% for power, and 0.66 points for efficiency across three test targets. The KNN-based approach served as a fast reference solution. The developed framework significantly acceler-ates the motor design process by generating predictions at the millisecond level compared to finite ele-ment simulations and provides engineers with a usable decision support system within the scope of the analyzed configuration through an interactive inverse design tool.
Benzer Tezler
- Vektör kontrol yöntemi için deney düzeneği tasarımı, gerçeklemesi ve bu yöntemin üç fazlı elektrik motorlarında performans karşılaştırması
Design and implementation of experiment setup for vector control method and performance comparison of this method in three phase electric motors
MERTCAN ÖZDAĞ
Yüksek Lisans
Türkçe
2023
Otomotiv Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DR. SIDDIK MURAT YEŞİLOĞLU
- Design of permanent magnet synchronous motor for elevator application
Asansörler için sürekli mıknatıslı senkron motor tasarımı
HOSEIN BAKHTIARZADEH
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. LALE ERGENE
- Elektrikli araçlar için asenkron makinelerde rotor oluk geometrilerinin uzay harmonik ve işletme başarımı üzerine etkilerinin tespitine katkılar
Contributions to determine the effects of different rotor slot geometries on space harmonics and performance in induction machines for electric vehicles
ABDULSAMED LORDOĞLU
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA AHMET KOCABAŞ
- Hafif e-mobilite uygulamalarında entegre şarj sistemi için yüksek verimli ve güç yoğunluklu çok-fazlı E-motor tasarımı ve geliştirilmesi
Design and development of high efficient and power density multi-phase E-motor for integrated charging system in light e-mobility applications
MUSA BURAK YELEK
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT YILMAZ
- Özgün bir sargı yapısı yaklaşımı ile dokuz fazlı dengesiz ve asimetrik sargılı yüzey ve gömülü mıknatıslı senkron motorların elektrikli taşıt uygulaması için tasarımı, modellenmesi ve deneysel doğrulanması
Design, modeling and experimental verification of nine-phase unbalanced and asymmetric winding surface and interior magnet synchronous motors for electric vehicle applications with a novel winding design approach
YÜCEL DEMİR
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. METİN AYDIN