Taşıt yol yüklerinin yapay sinir ağları uygulamaları ile modellenmesi
Modelling vehicle road load data with neural network applications
- Tez No: 422176
- Danışmanlar: PROF. İRFAN YAVAŞLIOL
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2016
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Enerji Bilim Dalı
- Sayfa Sayısı: 121
Özet
Günümüz rekabet şartlarında otomotiv sektörünün değişen müşteri beklentilerine mümkün olan en kısa zamanda ve geniş ürün çeşitliliği sunarak karşılık verebilmesi gerekmektedir. Buna bağlı olarak ürün geliştirme süreçlerinin basit ve verimli hale getirilmesi ihtiyacı doğmuştur. Bu durum sektörün test ve prototip maliyetlerini düşürecek, iş gücü ve zaman ihtiyacını azaltacak teknolojilere olan ilgisini arttırmıştır. Yapısal dayanım testleri bu metotların uygulandığı süreçlerin başında gelmektedir. Bu çalışmanın amacı yapay sinir ağları (YSA) uygulamasını kullanarak aracın yapısal dayanım performansını etkileyen kritik yol yüklerini kolay, ucuz ve hızlı bir şekilde tespit edilmesine imkân vermektir. Çalışma kapsamında hafif ticari sınıfındaki bir araç ile test pistindeki farklı yollardan yol verisi toplanmıştır. Devam eden süreçte bu verilerin bir kısmı ile eğitilen ileri beslemeli çok katmanlı algılayıcı modeli kurulmuştur. Bu YSA modelinin daha önce görmediği yollar için ivme ve yerdeğiştirme gibi elde edilmesi kolay ve ucuz olan verileri kullanarak taşıta etki eden yol yüklerini öngörebilmesi amaçlanmıştır. Doğrusal, yanal ve dikey kuvvet eksenleri için tüm pistlerin ortalama Pearson çarpım-moment korelasyon katsayısı (R) değerleri sırasıyla 0,92 , 0,89 ve 0,95 olmuştur. Test pisti üzerinden ölçülen ve YSA modeli ile hesaplanan kuvvet verilerinin hasar etkileri potansiyel hasar yoğunluğu yöntemi ile karşılaştırılmıştır. Model çıktılarında yapısal dayanım testlerinde ve analizlerinde baskın etkiye sahip bileşen olan dikey eksenli kuvvet girdilerdeki (Fz) ortalama hata değeri %16,6 olarak hesaplanmıştır. Bu durum başta dikey eksenli kuvvet girdileri olmak üzere her üç eksen için de kabul edilebilir hata oranları içerisinde öngörüler yapılabildiğini göstermektedir. Bu çalışmada açıklanan yaklaşım sayesinde minimum veri kanalı kullanılarak müşteri kullanımını ifade edecek çok sayıdaki bilginin öngörülebileceği gösterilmiştir.
Özet (Çeviri)
Automotive industry must meet the customer expectations in the shortest time with in a wide product range in order to meet today's increasing competition conditions. In parallel with this necessity; product development processes should be simplificated and become more efficient. In this case; methodologies; which decrease the testing, prototype and labor costs and shorten the product development process; becomes popular for automotive industry. Structural durability tests are one of the critical verification processes that these new methodologies can be implemented. Aim of this study is to define the road load data which directly effects the durability performance of a vehicle in a short, basic and easy way by using neural network methodology. Within the scope of this study; road load data were collected from several different tracks of a proving ground by a light commercial vehicle. A feedforward multilayer perceptron model was created which was trained with a portion of RLD that collected from proving ground. Target is to make this neural network model capable of predicting the wheel forces by using acceleration and displacement data as an input. At the end of training and optimisation process; artificial neural network model was able to predict the wheel forces in longitudinal, lateral and vertical axis with a correlation coefficient of 0,94 , 0,89 ve 0,95 respectively. Collected and predicted forces were also compared in terms of damage effect by using potential damage intensity. Obtained Error is only %16,6 for vertical axis forces which are dominant at full chassis fatique tests and analysis. With the help of ANN methodology it will be possible to acquire critical road load data by using simple input information.
Benzer Tezler
- İstanbul 2023 yılı arazi örtüsü/kullanım tahmininin yapay sinir ağları ve mantıksal regresyon metotları ile modellenmesi
Modeling land use/cover prediction of istanbulfor 2023 with methods of artificial neuralnetworks and logistic regression
CEMRE FAZİLET ALDOĞAN
Yüksek Lisans
Türkçe
2019
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UĞUR ALGANCI
- Ege bölgesi doğal akarsularında katı madde taşınımı için ampirik, regresyon ve yapay zeka yöntemlerinin uygulanması
Application of empirical, regression and artificial intelligence methods for the sediment transport in natural streams of the Aegean region
ASLI ÜLKE
Doktora
Türkçe
2010
İnşaat MühendisliğiDokuz Eylül ÜniversitesiHidrolik Hidroloji ve Su Kaynakları Ana Bilim Dalı
DOÇ. DR. SEVİNÇ ÖZKUL
PROF. DR. GÖKMEN TAYFUR
- Çok doymamış yağ asitleri bakımından zengin alg ilave edilen yemlerin levrek (Dicentrarchus albrax L., 1758)'de büyüme performansı ve vücut komposizyonuna etkisi
Effects of pufa (Polyunsaturated fatty acids) enriched algae added diets on growth and body composition of sea bass (Dicentrarchus labrax L., 1758)
KAMİL MERT ERYALÇIN
Yüksek Lisans
Türkçe
2006
Su Ürünleriİstanbul ÜniversitesiSu Ürünleri Yetiştiriciliği Ana Bilim Dalı
PROF. DR. ERDAL ŞENER
- Sabit güçlü yüklere sahip doğru akım mikro şebekelerde öğrenme tabanlı gerilim regülasyonu
Learning-based voltage regulation in direct current micro-grids with constant power loads
MUSTAFA GÜNGÖR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET EMİN ASKER