Savunma sanayinde yüksek güçlü pillerde şarj durumu tahmini için makine öğrenmesi kullanılması
Using machine learning for state of charge estimation in high poker batteries in the defense ındustry
- Tez No: 942514
- Danışmanlar: PROF. DR. EMRE BİÇER
- Tez Türü: Yüksek Lisans
- Konular: Savunma ve Savunma Teknolojileri, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sivas Bilim ve Teknoloji Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Lityum iyon piller, yüksek enerji yoğunluğu, hafif yapısı ve uzun ömrü nedeniyle enerji depolama sistemlerinde yaygın olarak tercih edilmektedir. Bu piller, ulaşım sektörü, tüketici elektroniği ve yenilenebilir enerji uygulamaları gibi çeşitli alanlarda kullanılmaktadır. Ancak, SoC'nin doğru bir şekilde tahmin edilmesi, bu pillerin verimli ve güvenli bir şekilde kullanılabilmesi için büyük öneme sahiptir. Bu çalışmada, farklı işletim koşullarında 500 şarj-deşarj döngüsüne tabi tutulan 8 lityum iyon pilden elde edilen bir veri seti kullanılmıştır. Veri seti, pil sıcaklığı, uygulanan deşarj akımı ve şarj-deşarj döngüsü sayısı gibi parametreleri içermektedir. Veri ön işleme aşamasında, eksik veriler işlenmiş, aykırı değerler tespit edilmiş ve özellik mühendisliği görevleri gerçekleştirilmiştir. Bu veri seti ile çeşitli makine öğrenmesi algoritmaları uygulanmıştır. Uygulanan makine öğrenmesi yöntemlerinden Random Forest Regressor modeli en başarılı sonucu elde etmemizde etkin model olmuştur.
Özet (Çeviri)
Lithium-ion batteries are widely preferred in energy storage systems due to their high energy density, lightweight structure, and long lifespan. These batteries are utilized in various fields such as the transportation sector, consumer electronics, and renewable energy applications. However, the accurate estimation of the State of Charge (SoC) is of great importance to ensure the efficient and safe utilization of these batteries. In this study, a dataset obtained from eight lithium-ion batteries subjected to 500 charge-discharge cycles under different operating conditions was used. The dataset includes parameters such as battery temperature, applied discharge current, and the number of charge-discharge cycles. During the data preprocessing phase, missing values were handled, outliers were identified, and feature engineering tasks were carried out. Various machine learning algorithms were applied to the dataset. Among the implemented machine learning methods, the Random Forest Regressor model was found to be the most effective in achieving the highest prediction performance.
Benzer Tezler
- Elektrikli araç bataryaları için kobalt içermeyen lityumca zengin li-iyon pil katot aktif malzemesi (Li1,2NixMnyAl0,8-x-yO2) geliştirilmesi ve karakterizasyonu
Development & characterization of cobalt-free lithium-rich Li-ion battery cathode active materials (Li1,2NixMnyAl0,8-x-yO2) for electric vehicle batteries
HALİS GENÇER KÜL
Doktora
Türkçe
2025
İstanbul Teknik ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Bir ısıl pil modülünün modellenmesi ve simülasyonu
Modelling and simulation of a thermal battery modul
GAMZEPELİN AKSOY
- Savunma sanayinde inovasyonun yeri ve önemi: OECD ülkeleri değerlendirilmesi
The importance and economic impacts of innovation and R&D activities fort he defence industry
MUSA ERZİNCANLI
- Savunma sanayinde inovasyon temelli bir strateji merkezi: Konya
An innovation-based strategy center in the defense industry: Konya
AYŞE ÖZGE ARTEKİN
- Developing 3D-printable high performance polymer composites for thermal management applications
3B-basılabılır yüksek performanslı polimer kompozitlerin termal yönetim sistemleri için geliştirilmesi
YUNUS EMRE BOZKURT
Yüksek Lisans
İngilizce
2020
İstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
Yükleniyor...