RL devrelerinin fizik bilgili makine öğrenimi tabanlı modellenmesi
Physics-informed machine learning based modeling of RL circuits
- Tez No: 1025051
- Danışmanlar: DR. ÖĞR. ÜYESİ BİLAL USANMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmada, fiziksel sinir ağları (Physics-Informed Neural Networks, PINN) yaklaşımı kullanılarak RL devresinin zamana bağlı akım davranışının modellenmesi amaçlanmıştır. Çalışmanın temel odağı, veri temelli öğrenme yöntemlerinin fiziksel tutarlılık eksikliğini azaltan PINN yaklaşımının etkinliğinin incelenmesidir. Yöntem: Çalışma deneysel bir RL devresi üzerinde gerçekleştirilmiştir. Programlanabilir gömülü devre (Arduino Uno) ve Akım sensörü (INA226) sensörü aracılığıyla akım-zaman verileri elde edilmiştir. Veriler ön işleme tabi tutulmuş ve gürültü etkisi azaltılmıştır. RL devresi V(t)=L dI(t)/dt+ R I(t) Diferansiyel denklemi ile modellenmiş ve bu fiziksel bilgi PINN modeline kısıt olarak entegre edilmiştir. Model PyTorch ortamında geliştirilmiş olup giriş olarak zaman, çıkış olarak akım değerini kullanmaktadır. Eğitim sürecinde veri kaybı ve fiziksel kısıt kaybından oluşan hibrit bir fonksiyon Adam optimizasyon algoritması ile minimize edilmiştir. Bulgular: PINN modelinin deneysel verilerle uyumlu tahminler ürettiği ve fiziksel kısıtı sağlayan çözümlere yakınsadığı görülmüştür. Hata metriklerinde düşük MSE, RMSE ve MAE değerleri elde edilmiştir. Modelin tahminlerinin deneysel veriler ve analitik çözüm ile genel olarak uyumlu olduğu belirlenmiştir. Klasik yapay sinir ağı modeli daha düşük veri hatası üretmesine rağmen fiziksel tutarlılık açısından daha sınırlı kalmıştır. PINN modelinin ise daha dengeli ve fiziksel olarak anlamlı sonuçlar ürettiği gözlemlenmiştir. Ayrıca modelin farklı veri setleri üzerinde de benzer performans gösterdiği tespit edilmiştir. Sonuç: Sonuçlar, PINN yaklaşımının sınırlı deneysel veri ile RL devresinin fiziksel davranışını öğrenebildiğini ve yalnızca veri uyumuna dayalı yöntemlere kıyasla daha kararlı ve fiziksel olarak anlamlı çözümler üretmiştir.
Özet (Çeviri)
Purpose: In this study, it is aimed to model the time-dependent current behavior of an RL circuit using Physics-Informed Neural Networks (PINN). The main focus of the study is to investigate the effectiveness of the PINN approach, which reduces the lack of physical consistency observed in data-driven learning methods. Method: The study was conducted on an experimental RL circuit. Current–time data were obtained using an Programmable embedded device (Arduino Uno) and an current sensor (INA226 ). The collected data were preprocessed to reduce noise effects. The RL circuit was modeled using the differential equation V(t)=L dI(t)/dt+ R I(t), and this physical law was incorporated into the PINN model as a constraint. The model was developed in the PyTorch environment, taking time as input and current as output. During training, a hybrid loss function consisting of data loss and physics-based constraint loss was minimized using the Adam optimization algorithm. Results: It was observed that the PINN model produced predictions consistent with experimental data and converged toward solutions that satisfy the physical constraints. Low MSE, RMSE and MAE values were obtained. The model's predictions were generally in agreement with both experimental data and the analytical solution. Although the classical artificial neural network model achieved lower data error, it was more limited in terms of physical consistency. The PINN model, on the other hand, produced more balanced and physically meaningful results. In addition, it was found that the model exhibited similar performance across different datasets. Conclusion: The results demonstrate that the PINN approach can learn the physical behavior of an RL circuit using limited experimental data and produces more stable and physically consistent solutions compared to purely data-driven methods.
Benzer Tezler
- Yeni Cami'nin akustik açıdan performans değerlendirmesi
Evaluation of the acoustical performance of the New Mosque
EVREN YILDIRIM
Yüksek Lisans
Türkçe
2003
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SEVTAP YILMAZ DEMİRKALE
- İzmir'de bazı yolların kapatılarak yaya bölgeleri oluşturma da kent peyzajını geliştirme açısından yeniden planlanması üzerinde araştırmalar
Başlık çevirisi yok
BAHAR TÜRKYILMAZ
Yüksek Lisans
Türkçe
1985
Şehircilik ve Bölge PlanlamaEge ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
- 1,3-difenil-4,5-bis(hidroksiimino)-imidazolidin ve Ni(II), Cu(II), Pd(II), UO2(VI) komplekslerinin sentezi
Başlık çevirisi yok
VEFA AHSEN
Doktora
Türkçe
1984
Kimya MühendisliğiUludağ ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZER BEKAROĞLU
- Türkiye trafik düzeninde kazaların azaltılması açısından yeni trafik kanunu uygulaması ile ilgili sorunlar ve çözüm yolları
Başlık çevirisi yok
ERDAL UÇAR
Yüksek Lisans
Türkçe
1986
UlaşımGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
PROF. DR. RIDVAN EGE