Rastgele orman algoritması destekli hibrit derin sinir ağları kullanarak yarış lastiklerinde dikey kuvvet tahmin sistemi geliştirilmesi
Development of a vertical force prediction system for racing tires using random forest algorithm supported hybrid deep neural networks
- Tez No: 935781
- Danışmanlar: PROF. DR. HÜSEYİN METİN ERTUNÇ
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Araç güvelik sistemlerinin iyileştirilmesi amacı ile araç lastiklerinden elde edilecek bilgilerin kullanılması düşüncesi, son çeyrek yüzyılın popüler konuları arasında yer almaktadır. Gelişen teknoloji ile otonom araçların hayata geçirilmeleri için yapılan çalışmalar“Akıllı Lastik”olarak adlandırılan bu teknolojinin daha da ilgi görmesini sağlamıştır. Bu konuda yapılan birçok çalışma içerisinden sadece TPMS olarak adlandırılan“Lastik Basınç İzleme Sistemi”aktif olarak araçlarda kullanılabilir duruma getirilebilmiştir. Fakat araç lastiklerinden elde edilebilecek bilgiler basınç ile sınırlı değildir. Kullanılacak doğru sensörler ve yöntemler ile lastik üzerine etki eden kuvvetler, lastik kayma miktarı, lastik aşınma durum bilgisi, yol koşulları ve lastik yol arası sürtünme kuvveti gibi birçok bilginin lastikten alınarak kullanılabilmesi“Akıllı Lastik”teknolojilerinden ve bu konudaki çalışmalardan beklenen çıktılardır. Bu çalışmanın amacı, bir test düzeneğinden elde edilen ivme, basınç ve hız verilerinden yararlanarak, yarış lastiklerindeki dikey lastik kuvvetlerini doğru bir şekilde tahmin etmektir. Tahmin doğruluğunu artırmak için Rastgele Orman Algoritmasıyla Derin Öğrenme yapısının birleştirildiği, Rastgele Orman Algoritması Destekli Derin Sinir Ağı (RFADNN) adı verilen hibrit bir model tanıtılmaktadır. Derin öğrenme yapısı, karmaşık özellikleri ortaya çıkarmaktadır ve sonrasında Rastgele Orman Modeli, dikey lastik kuvvetlerini tahmin etme doğruluğunu iyileştirmek için bu özellikleri analiz etmektedir. Test verileriyle doğrulanan bu yaklaşım, standart modellerden daha iyi performans göstererek 0,773 kgf değerinde bir Ortalama Mutlak Hata (MAE) elde edilmesini sağlamakta ve RFADNN yönteminin avantajını ortaya koymaktadır. Bu karşılaştırma, otomotiv mühendisliğindeki karmaşık tahmin zorluklarına kapsamlı bir çözüm sağlamak için, ileri derin öğrenmeyi geleneksel makine öğrenimiyle birleştirmenin önemini vurgulamaktadır.
Özet (Çeviri)
The idea of using information obtained from vehicle tires to improve vehicle safety systems has become one of the popular topics in the last quarter century. With the advancement of technology, efforts to implement autonomous vehicles have further increased interest in this technology, known as“Smart Tire.”Among the many studies conducted on this subject, only the Tire Pressure Monitoring System (TPMS) has been made available for active use in vehicles. However, the information that can be obtained from vehicle tires is not limited to just pressure. With the right sensors and methods, various data such as forces acting on the tire, tire slippage, tire wear status, road conditions, and the friction force between the tire and the road can be obtained and utilized. These are the expected outcomes from“Smart Tire”technologies and the studies conducted in this field. The aim of this study is to accurately predict the vertical tire forces in racing tires using acceleration, pressure, and speed data obtained from a test rig. To enhance prediction accuracy, a hybrid model called Random Forest Assisted Deep Neural Network (RFADNN) is introduced, which combines the Random Forest Algorithm with a deep learning structure. The deep learning framework effectively extract complex features, which the Random Forest Model then analyzes to improve the accuracy of vertical tire force predictions. Validated with test data, this approach outperforms standard models, achieving a Mean Absolute Error (MAE) of 0.773 kgf, highlighting the advantage of the RFADNN method in predicting vertical forces for racing tires. This comparison emphasizes the significant benefits of combining advanced deep learning techniques with traditional machine learning to provide a comprehensive solution for complex prediction challenges in automotive engineering.
Benzer Tezler
- Açıklanabilir yapay zeka kullanarak saldırı tespit sistemi geliştirme
Developing an intrusion detection system using explainable artificial intelligence
SAMED AL
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. ŞEREF SAĞIROĞLU
- Mathematical model-based clinical decision support system algorithm design study that can support the diagnosis of celiac disease
Çölyak hastalığının teşhisine destek verebilecek matematik model tabanlı kds algoritması tasarımı
ELİF KESKİN BİLGİÇ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DR. İNCİ ZAİM GÖKBAY
DOÇ. DR. YUSUF KAYAR
- Cardiorisk-AI: Biomedical engineering framework for the development and deployment of a machine learning tool for cardiovascular risk prediction
Cardiorisk-AI: Kardiyovasküler risk tahmini için makine öğrenmesi aracının geliştirilmesi ve uygulanmasına yönelik biyomedikal mühendislik çerçevesi
ALI FAIQ JARI ALSAADAWI
Yüksek Lisans
İngilizce
2025
BiyomühendislikBahçeşehir ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BORA BÜYÜKSARAÇ
- Dinamik yapı-kazık-zemin etkileşiminin çözümlenmesi ve makine öğrenmesiyle tahmini
Analysis of dynamic soil-pile-structure interaction and prediction with machine learning
MUHAMMET DİNGİL
Doktora
Türkçe
2025
İnşaat Mühendisliğiİskenderun Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT ÖRNEK
- Görüntü işleme ve sensör verisi analizi ile süt siğirlarinda erken mastitis tespiti
Early detection of mastitis in dairy cattle using image processing and sensor data analysis
OSMAN TUĞRUL ORHAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolManisa Celal Bayar ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF ÖZÇEVİK