Geri Dön

Uçuş parametrelerinin derin öğrenme ile tahmini: Boeing 737-300 kalkış hızı uygulaması

Prediction of flight parameters using deep learning: A Boeing 737-300 takeoff speed application

PDF İndir

  1. Tez No: 1020356
  2. Yazar: HÜSEYİN ALP AYAZ
  3. Danışmanlar: DOÇ. DR. MEHMET KONAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Havacılık ve Uzay Mühendisliği, Aeronautical Engineering
  6. Anahtar Kelimeler: Derin öğrenme, kalkış hızı tahmini, LSTM, Boeing 737-300, Bayesçi hiperparametre optimizasyonu, uçuş güvenliği, Deep learning, takeoff speed prediction, LSTM, Boeing 737-300, Bayesian hyperparameter optimisation, flight safety
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Havacılık Elektrik ve Elektroniği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Havacılık alanında uçuş güvenliği ve performansı kritik öneme sahiptir; uçuş kazalarının önemli bir kısmı, toplam uçuş süresinin küçük bir bölümünü olusturan kalkıs ve iniş fazlarında meydana gelmektedir. Klasik analitik yöntemler, kalkış hızını etkileyen parametreler arasındaki doğrusal olmayan ilişkileri yeterince modelleyememekte; bu durum öğrenme tabanlı yaklaşımları öne çıkarmaktadır. Bu tez çalışmasında Boeing 737-300 ticari uçağının kalkış hızı tahmini problemi; basınç irtifası, dış ortam sıcaklığı, brüt ağırlık ve flap açısı girdileri kullanılarak dört derin öğrenme mimarisi — çok katmanlı algılayıcı (MLP), tek boyutlu evrişimli sinir ağı (1B-CNN), uzun kısa süreli bellek (LSTM) ağı ve çok baslı öz-dikkat içeren geniş-derin mimari — ile ele alınmıştır. Görülmemiş örneklerden oluşan ayrı bir test dosyası üzerinde en düşük RMSE ve MSE değerleri LSTM modelinde elde edilmiş; Keras Tuner kütüphanesi ile uygulanan Bayesçi hiperparametre optimizasyonu sonrasında ayarlanmış LSTM modeli, literatürdeki klasik makine öğrenmesi temel modelleriyle kıyaslanabilir basarım sergilemiştir. Elde edilen sonuçlar, önerilen modellerin Boeing 737-300 kalkış hızı tahmininde pilotlara yardımcı olabilecek etkili bir alternatif sunduğunu göstermektedir.

Özet (Çeviri)

Flight safety and performance are critical considerations in modern aircraft design; a substantial portion of in-service accidents occur during the takeoff and landing phases, which constitute only a small fraction of total flight time. Classical analytical methods struggle to capture the nonlinear relationships among the parameters that influence takeoff speed, which motivates the adoption of learning-based approaches. This thesis addresses the takeoff speed prediction problem of the Boeing 737-300 commercial aircraft using pressure altitude, outside air temperature, gross weight and flap angle as inputs. Four deep learning architectures — a multilayer perceptron (MLP), a one-dimensional convolutional neural network (1D-CNN), a long short-term memory (LSTM) network, and a wide-and-deep architecture with multi-head self-attention — are trained under an identical pre-processing pipeline and evaluated on a separate held-out test file. The LSTM model attains the lowest RMSE and MSE values among the four architectures; subsequent Bayesian hyperparameter optimisation via the Keras Tuner library yields a tuned LSTM whose performance is comparable to the classical machine learning baselines reported in the literature. The results indicate that the proposed models provide an effective alternative tool for takeoff speed prediction in support of pilot decision-making.

Benzer Tezler

  1. Tez No

    917249

    Advanced visual odometry and depth estimation techniques for unmanned aerial systems (UAS) in U-Space environments

    İnsansız hava araçları (İHA) için gelişmiş görsel odometri ve derinlik tahmin teknikleri U-Space ortamlarında

    SEYED ERFAN SEYED ROGHANI

    Doktora

    İngilizce

    İngilizce

    2024

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRE KOYUNCU

  2. Tez No

    671673

    Nonlinear model based guidance with deep learning based target trajectory prediction against agile attack patterns

    Çevik saldırı manevralarına karşı derin öğrenme tabanlı tehdit yörünge tahmini ile doğrusal olmayan model öngörülü kontrol

    ABDULLAH SADIK SATIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DOÇ. DR. NAZIM KEMAL ÜRE

  3. Tez No

    651839

    İnsansız hava aracı ile fotogrametrik temelli görüntü alımı ve uçuş optimizasyonu

    Photogrammetric based image acquisition and flight optimization by unmanned aerial vehicle

    HASAN BİLGEHAN MAKİNECİ

    Doktora

    Türkçe

    Türkçe

    2020

    Mühendislik BilimleriKonya Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN KARABÖRK

  4. Tez No

    883414

    Deep learning-based keypoints driven visual inertial odometry for GNSS-denied flight

    Yapay sinir ağları tabanlı nokta çıkarıcılı görsel-ataletsel odometri ile GPS'siz ortamda uçuş

    ARSLAN ARTYKOV

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    DOÇ. DR. EMRE KOYUNCU

  5. Tez No

    963027

    A transformer-based archıtecture: The ınformer model for uav power consumptıon estımatıon

    İha güç tüketimi tahmini için transformer tabanlı ınformer modeli

    AHMET KAAN DURMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜLAY ÖKE GÜNEL

Geri Dön