Geri Dön

Yapay sinir ağları kullanılarak hava veri bilgisayarı parametrelerinin hesaplanması

The calculations of air data parameters using artificial neural networks

  1. Tez No: 374321
  2. Yazar: SEDA ARIK
  3. Danışmanlar: DOÇ. DR. İLKE TÜRKMEN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Sivil Havacılık, Civil Aviation
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2014
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Sivil Havacılık Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 103

Özet

Hava Veri Bilgisayarı (ADC) hava araçları için önemli bir cihaz olup ADC'nin performansı uçuş güvenliğini ve verimini doğrudan etkilemektedir. ADC statik hava basıncı (SAP), dinamik hava basıncı (DAP) ve toplam hava sıcaklığı (TAT) gibi ölçümleri çeşitli sensörler vasıtasıyla alarak irtifa, kalibre edilmiş hava hızı (CAS), Mach sayısı, statik hava sıcaklığı (SAT) gibi hava veri parametrelerini hesaplamaktadır. Bahsedilen bu parametreler uçuş kontrol sistemleri ve navigasyon sistemleri için büyük öneme sahiptir. ADC bu parametreleri hesaplamak için farklı karmaşık doğrusal olmayan eşitlikler kullanmaktadır. Bu nedenle ADC'nin en doğru şekilde ve hassas bir hesaplama yapması önemlidir. Çünkü ADC'de herhangi bir arıza olması halinde hava aracında hava veri parametrelerini hesaplamak için kullanılabilecek herhangi bir alternatif yöntem bulunmamaktadır. Bu tez çalışmasında, hava veri parametrelerinin hesaplanması konusunda literatürde mevcut olan çalışmaların incelenmesi ve yapay sinir ağları kullanılarak geleneksel hava veri parametreleri hesaplama yöntemlerine alternatif bir yöntemin ortaya konulması amaçlanmıştır. Bu kapsamda, literatürde ADC parametrelerini hesaplamak için yapılan çalışmalar incelenmiştir. Bu çalışmalara alternatif olması açısından yapay zekanın bir alt dalı olan Yapay Sinir Ağlarına (YSA) dayanan bir yöntem sunulmuştur. YSA, özel işlem gerektiren hesaplama tekniklerinden farklı olarak kullanıcı tarafından sunulan giriş-çıkış paternlerini“deneyim ile öğrenerek”problemi çözebildiği için son derece karmaşık doğrusal olmayan problemlerin çözümünde etkin bir şekilde kullanılmaktadır. YSA, beynin bilgi işleme yöntemine benzer şekilde bir öğrenme sürecinden sonra bilgiyi toplama, hücreler arasındaki bağlantı ağırlıkları ile bu bilgiyi saklama ve genelleme yeteneğine sahip paralel dağılmış bir işlemcidir. Genelleme YSA'nın eğitim ya da öğrenme sürecinde karşılaşmadığı girişler için de uygun tepkileri üretmesi olarak tanımlanmaktadır. Bu üstün özellikleri nedeniyle bu tez çalışmasında YSA tercih edilmiştir. Önerilen YSA modelini eğitmek ve ADC parametrelerini hesaplamak için Boeing 737-400 uçağına ait Digital Flight Data Acquisition Unit (DFDAU)'ten elde edilen eğitim veri seti kullanılmıştır. Farklı ağ yapıları denenerek tablo halinde sunulmuş ve optimum sonuç için grafikler verilmiştir. Simülasyon sonuçları, önerilen sinir ağı metodunun ADC arızalarında hava veri parametrelerini hesaplamak için alternatif bir yöntem olarak kullanılabileceğini göstermiştir. Bunun yanında hava veri parametrelerinin hesaplanması için önerilen bu metot geleneksel ADC eşitliklerine göre basit ve yüksek doğrulukta bir hesaplama yöntemi sağlamaktadır.

Özet (Çeviri)

Air Data Computer (ADC) is an important device for aircraft and the performance of ADC directly affects flight safety and efficiency. The ADC provides accurate information on air data parameters such as altitude, calibrated airspeed (CAS), Mach number, static air temperature (SAT), etc. by using quantities of static air pressure (SAP), dynamic air pressure and total air temperature (TAT) that derived from measurements by sensors connected to probe. These parameters have great importance for flight control systems and navigation systems. The ADC uses different complex nonlinear equations to calculate these parameters. Therefore it is important to make the most accurate and precise calculation of ADC. Because, when ADC is failed there is no way any alternative method to be used to calculate the air data parameters in the aircraft. The aim of this thesis is that to examine the studies about calculations of air data parameters in the literature and to present an alternative way for calculation of air data parameters using artificial neural networks (ANNs). In this context, the studies about calculations of air data parameters in the literature were examined. As an alternative to these studies, a method based on ANN which is a subfield of artificial intelligence was presented. The behavior of an ANN based system is unlike conventional computing machines that require specific instructions for solving problems. Instead of this, ANN can solve a problem“with experience and learning”the input-output patterns provided by the designer and for this reason ANN is effectively used in the solution of highly complex nonlinear problems. In a similar way to the information processing methods of brain, ANN is a massively parallel distributed processor that has the properties such as collection of information, storing this information with the connection weights between cells and capability to generalize the information after a learning process. Generalization of the ANN is ability to handle unseen or new data. The ANN was preferred in this thesis because of these effective features. The data set used to train proposed ANN model was obtained from Digital Flight Data Acquisition Unit (DFDAU) of a commercial Boeing737-400 type aircraft. The different network structures have been built and the results of them have been presented in tabular form and the graphs for optimum results have been given. Simulation results show that the proposed neural method can be used as an alternative air data computation method when ADC is failed. The proposed method also provides simple and high accuracy method for computation of the air data parameters instead of traditional ADC equations.

Benzer Tezler

  1. Estimating forest parameters using point cloud data

    Orman parametrelerinin nokta bulutu verilerinden çıkarımı

    ADİL ENİS ARSLAN

    Doktora

    İngilizce

    İngilizce

    2022

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESRA ERTEN

  2. Recurrent neural network based approaches for electricity consumption forecasting

    Tekrarlayan sinir ağı tabanlı elektrik tüketim tahmini

    ALPER TOKGÖZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE ÜNAL

  3. Evolutionary feature optimization for plant leaf disease detection by deep neural networks

    Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu

    JALAL SADOON HAMEED AL BAYATI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    Prof. Dr. BURAK BERK ÜSTÜNDAĞ

  4. Modeling of the marine diesel engines with comparative machine learning methodologies

    Gemi dizel motorların karşılaştırmalı makine öğrenmesi yöntemleri ile modellenmesi

    MEHMET İLTER ÖZMEN

    Doktora

    İngilizce

    İngilizce

    2024

    Gemi Mühendisliğiİstanbul Teknik Üniversitesi

    Gemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı

    PROF. DR. OSMAN AZMİ ÖZSOYSAL

  5. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK