Geri Dön

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

PDF İndir

  1. Tez No: 935781
  2. Yazar: SEMİH ÖNGİR
  3. Danışmanlar: PROF. DR. HÜSEYİN METİN ERTUNÇ
  4. Tez Türü: Doktora
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Kocaeli Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 127

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

  1. Tez No

    470649

    Computational approaches to study drug resistance mechanisms

    İlaç direnç mekanizmaları için işlemsel yaklaşımlar

    ZOYA KHALID

    Doktora

    İngilizce

    İngilizce

    2017

    BiyolojiSabancı Üniversitesi

    Moleküler Biyoloji-Genetik ve Biyomühendislik Ana Bilim Dalı

    Prof. Dr. İSMAİL ÇAKMAK

  2. Tez No

    915356

    Ai-powered web application security mechanisms

    Yapay zeka destekli ağ uygulaması güvenliği düzenekleri

    DİLEK YILMAZER DEMİREL

    Doktora

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET TAHİR SANDIKKAYA

  3. Tez No

    817162

    Optical scattering based random forest assisted particle detection and classification

    Optik saçılma temelli rastgele orman destekli parçacık tespiti ve sınıflandırılması

    SİNAN GENÇ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiAbdullah Gül Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KUTAY İÇÖZ

    DR. ÖĞR. ÜYESİ TALHA ERDEM

  4. Tez No

    845832

    Elektrik motorlarında kestirimci bakım için uç hesaplama ve dijital ikiz destekli test ortamı ve yapay zeka modeli

    Artificial intelligence model and test environment for predictive maintenance in electric motors with edge computing and digital twin enabled

    EDA AKALP

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ENİS KARAARSLAN

    DOÇ. DR. MOHARRAM CHALLENGER

  5. Tez No

    855806

    Açıklanabilir yapay zekâ yöntemlerine dayalı bilgisayar destekli tahmin modelinin geliştirilmesi: metabolomik teknolojileri üzerine uygulaması

    Development of a computer-aided predictive model based on explainable artificial intelligence methods: application on metabolomics technologies

    FATMA HİLAL YAĞIN

    Doktora

    Türkçe

    Türkçe

    2024

    Biyoistatistikİnönü Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DOÇ. DR. HARİKA GÖZDE GÖZÜKARA BAĞ

    DR. ÖĞR. ÜYESİ DİNÇER GÖKSÜLÜK

Geri Dön