Makine öğrenmesi kullanımı ile taşıt kaynaklı emisyonların modellenmesi
Modeling vehicle-related emissions using machine learning
- Tez No: 920920
- Danışmanlar: PROF. DR. ARSLAN SARAL, PROF. DR. LEVENT KUZU
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Hava kirliliği modellemesi, trafik emisyonları, COPERT, HAD, YOLO, Air pollution modeling, traffic emissions, COPERT, CFD, YOLO
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Çevre Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Çevre Mühendisliği Bilim Dalı
- Sayfa Sayısı: 178
Özet
Fosil yakıtların yanması, çevre ve insan sağlığına zarar veren hava kirleticilerinin başlıca kaynağıdır. Ulaşım sektörü, şehirlerdeki hava kirliliğinin büyük bir kısmından sorumludur. Bu nedenle, taşıt kaynaklı emisyonların tespiti ve etkilerinin belirlenmesi önemlidir. Bu çalışmada, makine öğrenimi ve hesaplamalı akışkanlar dinamiği (HAD) kullanılarak taşıt kaynaklı emisyonlar modellenmiştir. İstanbul Büyükşehir Belediyesi Ulaşım Yönetim Merkezi (İBB-UYM) kameralarından elde edilen görüntüler kullanılarak“otomobil”,“hafif ticari araç”,“otobüs”ve“motosiklet”kategorilerinden oluşan ve 36.841 etiketlenmiş örnek içeren“ISTraffic”veri seti oluşturulmuştur. Veri setinin %70'i ile YOLOv8-SORT (YOLO versiyon 8-Basit Çevrimiçi ve Gerçek Zamanlı Takip) model varyantları eğitilmiş ve %30'u ile performansları test edilmiştir. Rüzgârın ölçüm istasyonuna doğru estiği günler çalışma için seçilmiştir. Kameralar ile trafiğin en yoğun olduğu saatlerde kaydedilen on adet video en yüksek performansı (0,903 [email protected]) gösteren YOLOv8x-SORT nesne algılama algoritması ile işlenerek dört farklı rotada araçların tipi, hızı ve sayıları belirlenmiştir. Modelin hız validasyonu, İBBUYM verileri ile karşılaştırılarak yapılmış ve R2 değeri 0,78 olarak belirlenmiştir. Taşıt kaynaklı saatlik kütlesel emisyonlar COPERTv5.7 kullanılarak hesaplanmış ve HAD modelinde girdi olarak kullanılmıştır. Gerçek arazi üzerinde üç boyutlu trafik kaynaklı CO NO, NO2 kirletici dağılımları, gerçek zamanlı trafik, meteorolojik ve coğrafi veriler kullanılarak on farklı durum ve üç farklı senaryo (en iyi durum, en kötü durum, ortalama değer) için HAD modeli ile elde edilmiştir. Trafiğin en az olduğu saatlerde ölçülen arka plan kirletici konsantrasyonlarının taşıt emisyonlarının önüne geçmesini önlemek için ölçüm sonuçları normalize edilmiş ve karışım yükseklikleri WRF modeli ile belirlenmiştir. Sonuçlar, normalize edilmiş hava kalitesi ölçüm istasyonu kirletici konsantrasyonları ile doğrulanmıştır. HAD modeli, CO ve NOx konsantrasyonlarını tahmin ederken sırasıyla %82 ve %60 R2 değerlerine ulaşmıştır. CO konsantrasyonlarının belirsizlik sınırları dahilinde kaldığı ve çoğunlukla da ortalama değer senaryosuna yakın sonuç ürettiği gözlemlenmiştir. NO konsantrasyonları için de aynı durum söz konusuyken NO2 model tahminleri ölçüm değerinin altında kalmıştır. Fotokimyasal NO2 oluşumunun burada etkili olduğu gözlemlenmiştir. Bu çalışma, taşıt kaynaklı emisyonların makine öğrenmesi ile tahmin edilmesi ve hesaplanmasında yenilikçi bir yöntem sunmaktadır. Tez sonucunda, trafiğin dinamik yapısından kaynaklanan anlık emisyonlar yüksek çözünürlükte tespit edilmiştir.
Özet (Çeviri)
The combustion of fossil fuels is a major source of air pollutants that harm the environment and human health. The transportation sector is responsible for a significant portion of urban air pollution. Therefore, it is crucial to detect and assess the impacts of vehicle emissions. This study models vehicle emissions using machine learning and computational fluid dynamics (CFD). Images obtained from the Istanbul Metropolitan Municipality Traffic Management Center (IBB-UYM) cameras were used to create the“ISTraffic”dataset, which includes 36,841 labeled examples in the categories of“car,”“light duty vehicle,”“bus,”and“motorcycle.”YOLOv8-SORT (You Only Look Once version 8-Simple Online and Real-time Tracking) model variants were trained with 70% of the dataset and tested with 30%. Days when the wind was blowing towards the measurement station were selected for the study. Ten videos recorded during peak traffic hours were processed using the YOLOv8x-SORT object detection algorithm, which showed the highest performance (0.903 [email protected]), to determine the types, speeds, and numbers of vehicles on four different routes. The model's speed validation was performed by comparing it with IBB-UYM data, resulting in an R2 value of 0.78. Hourly mass emissions from vehicles were calculated using COPERTv5.7 and used as input for the CFD model. Three-dimensional traffic-related pollutant distributions of CO, NO, and NO2 were obtained using real-time traffic, meteorological, and geographical data for ten different conditions and three scenarios (best case, worst case, average value) with the CFD model. Background pollutant concentrations measured during the least traffic hours were normalized to prevent them from overshadowing vehicle emissions, and mixing heights were determined using the WRF (Weather Research and Forecasting) model. The results were validated with normalized air quality measurement station pollutant concentrations. The CFD model predicted CO and NOx concentrations with R2 values of 82% and 60%, respectively. CO concentrations were observed to remain within uncertainty limits and mostly close to the average value scenario. While the same was true for NO concentrations, NO2 model predictions were below the measured values, indicating the influence of photochemical NO2 formation. This study presents an innovative method for predicting and calculating vehicle emissions using machine learning. As a result, instantaneous emissions from the dynamic nature of traffic were detected with high resolution.
Benzer Tezler
- Modeling e-scooter user preferences using machine learning methods
Elektrikli skuter kullanıcı tercihlerinin makine öğrenmesi yöntemleri ile modellenmesi
SELİM DÜNDAR
Yüksek Lisans
İngilizce
2025
Mühendislik Bilimleriİstanbul Okan ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNA ALP
- Predictive modeling of non-routine maintenance workload in aircraft operations: a task card-level approach using real mro data and machine learning
Uçak bakım operasyonlarında non-routıne iş yükünün öngörüsel modellemesi: gerçek mro verileri ve makine öğrenmesi ile görev kartı düzeyinde bir yaklaşım
TALHA GÜÇLÜ
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- The information theoretical privacy and the impact of communication channel on information theoretic privacy
Bilgi kuramsal mahremiyet ve haberleşme kanalının bilgi kuramsal mahremiyete etkisi
MEHMET ÖZGÜN DEMİR
Yüksek Lisans
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Advanced approaches to fuzzy cognitive mapping for enhancing convergence, learning, and prediction
Yakınsama, öğrenme ve tahmin performansının iyileştirilmesi için bulanık bilişsel haritalarda ileri yaklaşımlar
MİRAÇ MURAT
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN