Contributions to the determination of optimized driving strategies for electric vehicles using artificial intelligence based methods
Elektrikli araçlar için yapay zeka tabanlı yöntemlerle en uygunlaştırılmış sürüş stratejilerinin belirlenmesine katkılar
- Tez No: 962042
- Danışmanlar: DOÇ. DR. DERYA AHMET KOCABAŞ, DOÇ. DR. GÜLCİHAN ÖZDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 159
Özet
Günümüzde ulaşım sistemlerinin, çevresel sürdürülebilirlik ve enerji verimliliği hedefleri doğrultusunda yeniden şekillendiği bir dönüşüm süreci yaşanmaktadır. Bu dönüşümün temelinde, karbon emisyonlarının azaltılması, fosil yakıtlara olan bağımlılığın düşürülmesi ve enerji kaynaklarının daha verimli kullanılması gibi çok boyutlu hedefler yer almaktadır. Bu bağlamda, elektrikli araçlar; içten yanmalı motorlu araçlara kıyasla sundukları düşük emisyon, yüksek tahrik sistemi verimliliği ve elektrikli tahrik mimarisine özgü bazı teknik avantajlar sayesinde küresel ölçekte giderek artan bir şekilde benimsenmektedir. Ancak elektrikli araçların geniş çaplı yaygınlaşmasının önünde hala bazı teknik ve operasyonel sınırlılıklar bulunmaktadır. Batarya sistemlerinin fosil yakıtlarla karşılaştırıldığında düşük özgül enerji yoğunluğuna sahip olması, bu durumun doğrudan bir sonucu olarak ortaya çıkan menzil kısıtları, uzun şarj süreleri ve şarj altyapısının bölgesel eşitsizliği gibi faktörler, bu araçların kullanımında enerji yönetimi açısından dikkatle ele alınması gereken konular arasında yer almaktadır. Ayrıca, elektrikli araçların enerji tüketimi; yol eğimi, hız değişimleri ve toplam seyahat süresi gibi parametrelere karşı oldukça hassas bir yapı sergilemektedir. Bu nedenle, elektrikli araçların operasyonel verimliliğini artırmaya yönelik yeni stratejilerin geliştirilmesi, mevcut araştırmalarda öncelikli çalışma alanlarından biri haline gelmiştir. Özellikle belirli bir rotanın, belirlenmiş bir zaman kısıtı altında minimum enerji tüketimiyle tamamlanmasını sağlayacak uygun sürüş stratejilerinin tasarlanması, çok değişkenli bir optimizasyon problemi olarak ele alınmakta ve güncel literatürde önemini giderek artırmaktadır. Bu kapsamda, enerji tüketimini azaltmaya yönelik çözümler yalnızca donanım geliştirmeleriyle sınırlı kalmamakta; yazılım tabanlı akıllı sürüş stratejileri de menzil kaygısını azaltma ve enerji verimliliğini artırma açısından giderek daha fazla ön plana çıkmaktadır. Mevcut literatürdeki enerji optimizasyonu yaklaşımları genellikle ya yüksek doğruluklu ancak hesaplama açısından yoğun ve bu nedenle gerçek zamanlı uygulamalar için elverişsiz kılan simülasyon modellerine dayanmakta ya da hızlı ancak fiziksel doğruluktan ödün veren basitleştirilmiş modellere başvurmaktadır. Bu durum, performans ve hesaplama verimliliği arasında sürekli bir denge arayışını beraberinde getirmektedir. Bu tez çalışması, bahsedilen bu kritik boşluğu doldurarak, detaylı bir Simulink tabanlı araç simülasyon modelini, büyük veri setlerinden öğrenen makine öğrenmesi (ML) tabanlı vekil modellemeyi ve karmaşık optimizasyon problemlerini çözebilen meta-sezgisel algoritmaları entegre eden birleşik, esnek ve ölçeklenebilir bir mimari önermektedir. Bu entegre ve modüler yaklaşım, çeşitli yol geometrilerine hızlı ve adaptif bir şekilde uyum sağlayarak, enerji-optimal hız profilleri üretmeyi hedeflemektedir. Tezin kapsamlı içeriği, elektrikli araçların tarihsel gelişiminden güncel durumuna, farklı elektrikli araç tiplerinin incelenmesine ve özellikle BEV sistem mimarisine dair derinlemesine bir bakış açısı sunmaktadır. Bu genel bakış, çalışmanın odak noktası olan BEV'lerin çalışma prensiplerini ve batarya sistemi, elektrik motoru ve güç elektroniği gibi temel bileşenlerinin önemini vurgular. Çalışma, enerji verimli sürüş stratejilerine yönelik literatürü detaylı bir şekilde gözden geçirmiş; kural tabanlı ve bulanık mantık yaklaşımlarından optimizasyon tabanlı kontrol metotlarına, makine öğrenmesi tabanlı yöntemlerden meta-sezgisel tekniklere ve hibrit yaklaşımlara kadar geniş bir yelpazeyi ele almıştır. Bu kapsamlı literatür değerlendirmesi, mevcut çalışmaların güçlü ve zayıf yönlerini belirleyerek, bu tezde önerilen hibrit ve modüler çerçevenin önemini desteklemiştir. Çerçevenin metodolojik temelini, bir BEV'in elektrikli aktarma organlarını temsil eden bir MATLAB/Simulink modeli oluşturmaktadır. Bu model, aracın enerji tüketimi ve dinamik performansı üzerinde doğrudan etkisi olan her bir ana bileşenin fiziksel prensiplere dayalı, dinamik davranışını taklit edecek şekilde tasarlanmıştır. Modelde yer alan kritik bileşenler arasında; aracın enerji depolama ve güç sağlama işlevini üstlenen bir batarya modeli; batarya gerilimini motorun çalışma gerilimi gereksinimlerine uygun hale getiren bir DC-DC düşürücü dönüştürücü; doğru akımı motorun ihtiyacı olan üç fazlı alternatif akıma dönüştüren bir invertör; ve sektör tabanlı komütasyon mantığına sahip bir Fırçasız Doğru Akım (BLDC) motor yer almaktadır. Ayrıca, aracın üzerine etkiyen aerodinamik sürükleme, yuvarlanma direnci ve yol eğiminden kaynaklanan yerçekimi kuvveti gibi dış kuvvetleri dikkate alarak aracın boylamsal hareketlerini yöneten bir araç dinamiği modülü de bu sistemin parçalarından biridir. Her bir alt sistemin modellenmesi, ilgili bölümlerde yer alan Newton'un hareket yasaları, Kirchhoff'un devre yasaları gibi temel fiziksel yasalar, elektromekanik prensipler ve ampirik denklemlerle açıklanmıştır. Modelde kullanılan PID kontrolör, referans hız profilinin hassas bir şekilde takip edilmesini sağlayarak, hız takibi hatalarını minimize etmiş ve böylece sürüş konforuna ve zaman kısıtlamalarına uyuma önemli katkı sağlamıştır. Bu kapsamlı modelleme aşaması, çerçevenin sonraki adımları için güvenilir ve gerçekçi bir simülasyon ortamı sunarak, tezin metodolojik iskeletini oluşturmuştur. Hibrit, veri odaklı optimizasyon stratejisinin ilk ve temel adımı, vekil modelleri eğitmek için kullanılacak çeşitli bir veri setinin oluşturulmasıdır. Bu amaçla, düz, yokuş yukarı ve yokuş aşağı segmentleri içeren bir yol üzerinde binlerce rastgele ancak fiziksel olarak makul hız profili simüle edilmiştir. Bu veri üretimi süreci, simülasyon yürütme ve bunu takiben veri işleme adımlarını içermekte olup, oluşturulan profillerin teorik olmaktan ziyade pratik olarak uygulanabilir olmasını sağlamıştır. Her bir simülasyon için, toplam enerji kullanımı, seyahat süresi, aracın hızı, konumu, ivmesi ve gücü gibi ana performans çıktıları sistematik olarak kaydedilmiştir. Daha sonra, elde edilen bu ham veriler, makine öğrenmesi eğitimi için uygun formata dönüştürülerek yapılandırılmış bir veri seti oluşturulmuştur. Bu geniş veri havuzu, optimizasyon aşamasında, her iterasyonda zaman alıcı simülasyonlara ihtiyaç duymadan enerji ve zaman çıktılarını hızlı ve doğru bir şekilde tahmin etmeye olanak tanıyan vekil modelleri eğitmek için kullanılmıştır. Vekil makine öğrenmesi modellerinin eğitimi ve değerlendirilmesi aşamasında veri seti, eğitim ve test kümelerine ayrılmış ve modelin genelleme yeteneğini sağlamak amacıyla 10 kat çapraz doğrulama tekniği kullanılmıştır. MATLAB'ın ilgili araç kutusundaki çeşitli vekil modeller eğitilmiş ve bunların performansları Kök Ortalama Kare Hatası (RMSE) gibi metriklerle değerlendirilmiştir. En düşük RMSE değerlerine sahip en iyi 10 model seçildikten sonra, bu modeller test veri setleri üzerinde tekrar değerlendirilmiş ve nihayetinde hem zaman hem de enerji tüketimi tahminleri için en iyi performansı gösteren ve doğrusal olmayan karmaşık ilişkileri modelleme yeteneği gösteren Gaussian Process Regression (GPR) modeli, her iki tahmin için de vekil model olarak belirlenmiştir. Bu vekil modeller, optimizasyon sürecinde saatler, hatta günler sürebilecek maliyetli fiziksel simülasyon döngülerini ortadan kaldırarak, hesaplama verimliliğini katlanarak artırmış ve fiziksel doğruluğu korurken arama sürecini önemli ölçüde hızlandırmıştır. Optimizasyon aşamasında, sürü zekasına dayalı bir meta-sezgisel algoritma olan Parçacık Sürüsü Optimizasyonu (PSO) kullanılmıştır. PSO'nun temel prensipleri, bireysel parçacıkların arama uzayında gezinerek hem kendi en iyi konumlarını hem de sürünün genel en iyi konumunu takip etmeleri ve bu bilgilerle hızlarını ve pozisyonlarını güncellemeleri üzerine kuruludur. Bu sayede algoritma, karmaşık ve yüksek boyutlu arama uzaylarında küresel optimuma doğru etkin bir şekilde yakınsayabilir. Algoritma, 700 metrelik bir yol için belirlenen 300 saniyelik seyahat süresi kısıtlamasını karşılarken enerji tüketimini en aza indiren en uygun hız profilini belirlemek amacıyla kullanılmıştır. Optimizasyon, her bir karar değişkeninin bir yol segmentinin çıkış hızını temsil ettiği 9 boyutlu bir uzayda gerçekleştirilmiştir; bu, algoritmanın rota boyunca hız profili üzerinde segment bazında hassas ve dinamik bir ayarlama yapmasına olanak tanımıştır. Fizibiliteyi sağlamak ve zaman kısıtlamasının kesinlikle ihlal edilmesini önlemek için, hem enerji tüketimini minimize etmeyi hem de hedef zamandan sapmayı cezalandıran, özel olarak tasarlanmış bir maliyet fonksiyonu kullanılmıştır. Bu maliyet fonksiyonu, PSO'nun arama sürecini enerji minimizasyonuna ve zaman kısıtlamasına uyuma doğru etkin bir şekilde yönlendirmiştir. Optimizasyon süreci sonucunda, vekil model tarafından tahmin edilen hız profilinin enerji tüketimi ile doğrulama amacıyla Simulink modelinden elde edilen enerji tüketimi arasında yalnızca %0,4'lük bir fark bulunmuş ve bu iki sonuç oldukça yakın bir eşleşme göstermiştir. Bu durum, vekil modelleme yaklaşımının doğruluğunu ve güvenilirliğini, yani bir başka ifadeyle, fiziksel simülasyon modelinin karmaşıklığını vekil model ile yüksek doğrulukta temsil edebilme yeteneğini bir kez daha teyit etmiştir. Optimizasyon sürecinin enerji tasarrufu potansiyelini ortaya koymak amacıyla, optimize edilmiş hız profili, aynı 700 metrelik rotayı 300 saniye içinde tamamlayan sabit hızlı bir temel durum senaryosu ile kıyaslanmıştır. Optimize edilmiş hız profilinin enerji tüketiminin, sabit hızlı duruma göre yaklaşık %12 daha düşük olduğu belirlenmiştir. Bu önemli fark, toplam yolculuk süresi aynı kalsa bile, özellikle yol eğimi ve anlık hız gibi değişkenleri dikkate alan yol yapısına duyarlı sürüş stratejilerinin enerji tasarrufu açısından ne denli önemli avantajlar sunduğunu göstermektedir. Optimizasyon süreci sonucu elde edilen hız profilinin davranışı ise genel olarak yokuş yukarı segmentlerde gereksiz yüksek tork taleplerinden ve dolayısıyla yüksek akım çekişlerinden kaçınmış; yokuş aşağı inişlerde ise mevcut potansiyel enerjiyi kullanarak düşük hız talebiyle motoru düşük yüke maruz bırakmış ve enerji tüketimini minimize etmiştir. Öte yandan, sabit hız profili, yol eğimindeki değişikliklere yanıt veremediği için, özellikle yokuş yukarı kısımlarda sürekli yüksek güç çekişine neden olarak daha fazla enerji kaybına yol açmıştır. Optimize edilmiş çözümün yol yapısına duyarlı hız ayarlaması, her iki strateji de rotayı aynı sürede tamamlamasına rağmen, daha sürdürülebilir ve verimli bir enerji tüketimi ile sonuçlanmıştır. Tez kapsamında yapılan sistem seviyesi analizleri, optimize edilmiş hız profilinin dinamik davranışını ve araç alt sistemlerinin etkileşimlerini detaylı olarak incelemiştir. Bu analizler, optimizasyonun sadece enerji tüketimini minimize etmekle kalmayıp, aynı zamanda aracın ve bileşenlerinin operasyonel davranışını nasıl etkilediğini de ortaya koymuştur. Hız takibi performansının analizi, referans profile olan düşük hata oranları ve segment geçişlerindeki dinamik tepkilerle PID kontrolörün sağlamlığını ve modelin fiziksel tutarlılığını kanıtlamıştır. Yol eğimi, araç hızı ve enerji tüketimi arasındaki ilişkiler ayrıntılı olarak ele alınmış, yokuş yukarı segmentlerde hızlanma olmasa bile artan enerji talepleri ve yokuş aşağı segmentlerde azalan tüketim durumları vurgulanmıştır; bu da optimizasyonun arazi koşullarına göre enerji dağılımını nasıl yönettiğini göstermektedir. Batarya akımı, gerilimi ve şarj durumu (SoC) eğilimleri incelenmiş, yüksek akım çekişlerinin hızlanma veya yokuş yukarı koşullarla nasıl ilişkili olduğu ve bunun batarya ömrü üzerindeki potansiyel etkileri gösterilmiştir. Motor torku, hızı ve gücü grafikleri de optimize edilmiş hız profiline bağlı olarak yorumlanmıştır. Özetle, sistem seviyesinde yapılan optimizasyonun komponent seviyesindeki etkileri de gözlemlenmiştir. Önerilen çerçevenin en önemli yönlerinden biri, yalnızca enerji verimliliği sağlamakla kalmayıp, aynı zamanda modüler ve genişletilebilir yapıda olmasıdır. Bu modülerlik, her bir bileşenin (ML tabanlı tahmin modelleri, optimizasyon algoritması, batarya/motor/güç elektroniği devreleri vs.) genel sistem mantığını etkilemeden bağımsız olarak değiştirilmesine olanak tanır. Bu yapı, hem akademik araştırmalarda farklı algoritmaları veya modelleri test etmek için hem de endüstriyel geliştirme süreçlerinde farklı komponentleri ve araç parametrelerini uygulamak açısından büyük bir esneklik sunar. Örneğin, kullanıcılar, yeni batarya veya motor tipleri için kendi modellerini entegre edebilir, yol tanımlarını değiştirerek farklı coğrafi bölgelerin veya karmaşık şehir içi/şehirlerarası sürüş senaryolarının özelliklerini yansıtabilir, segmentasyon yapısını ayarlayarak optimizasyonun hassasiyetini artırabilir veya GPR vekil modelini diğer gelişmiş makine öğrenmesi modelleriyle değiştirebilirler. Benzer şekilde, PSO algoritması da Genetik Algoritmalar veya Bayesyen optimizasyonu gibi alternatif meta-sezgisel algoritmalarla değiştirilebilir ve bu da çerçevenin farklı optimizasyon problemlerine veya performans gereksinimlerine göre uyarlanabilmesini sağlar. Ayrıca önerilen bu çerçeve, yerel hız limitleri veya belirli segmentler için sıfır hız hedefleri gibi kullanıcı tanımlı kısıtların doğrudan maliyet fonksiyonuna entegrasyonunu destekleyerek gerçek dünya uygulamaları için uygunluğunu artırmaktadır. Bu özellikler, sistemin yalnızca enerji tasarrufu sağlamakla kalmayıp, aynı zamanda çevresel faktörlere, sürücü tercihlerine veya trafik koşullarına uyumlu, özelleştirilebilir sürüş profilleri üretmesine olanak tanır. Mevcut uygulama aracın sadece boylamsal dinamiklere odaklanmasına rağmen, gelecek çalışmalar için genişletilebilir bir temel oluşturmaktadır. Gerçek dünya sürüş koşullarında, yanal kuvvetler, viraj alma davranışı ve savrulma dinamikleri de araç verimliliğini ve sürüş kabiliyetini belirlemede kritik bir rol oynamaktadır. Bu nedenle, çerçeve, yanal kısıtlamaları içerecek şekilde genişletilebilir. Benzer şekilde, daha da gerçekçi bir enerji tüketimi tahmini ve optimizasyonu için, ölçülen motor ve batarya modellerinin yanı sıra rejeneratif frenleme sistemlerinin kapsamlı bir şekilde dahil edilmesiyle çerçeve, eksiksiz, gerçek zamanlı bir enerji yönetim aracına dönüşebilir. Mevcut modelde bu özelliğin bulunmaması, sistemin önemli bir potansiyel enerji geri kazanımından mahrum olduğunu göstermektedir. Bu tür özelliklerin entegrasyonu, hem simülasyon modelinin doğruluğunu artıracak hem de optimize edilmiş profillerin gerçek dünya uygulanabilirliğini pekiştirecektir. Daha da önemlisi, bu modüler sistem mimarisi, motor tipi, batarya kapasitesi, kontrol mantığı, aktarma oranı ve diğer ilgili parametreler fiziksel bir araçtan alınan verilerle değiştirilerek aynı optimizasyon çerçevesinin gerçek sürüş koşulları altında doğrulanmasına ve ince ayar yapılmasına olanak tanır. Sonuç olarak bu çalışma, elektrikli araçlar için enerji-optimal hız profili üretiminde sadece teorik ve sayısal fizibiliteyi göstermekle kalmayıp, aynı zamanda ihtiyaçlar doğrultusunda değiştirilebilen, adaptif ve ölçeklenebilir bir yapı önermektedir. Sunulan hibrit veri odaklı yaklaşım, simülasyon, makine öğrenmesi ve optimizasyonun modüler bir mimaride birleştirilmesiyle, doğruluktan ödün vermeden enerji verimli sürüş profilleri oluşturmada güçlü bir yaklaşım sergilemektedir. Simülasyon sonuçlarıyla doğrulanmış ve temel durum senaryosuna kıyasla elde edilen kayda değer enerji tasarrufları, önerilen metodun faydasını açıkça yansıtmaktadır. Bu tez, elektrikli mobilite alanında gelişmiş enerji yönetimi stratejilerinin geliştirilmesine ve uygulanmasına yönelik önemli bir katkı sağlamaktadır. Bu yüksek lisans tezi, İstanbul Teknik Üniversitesi Bilimsel Araştırma Projeleri Birimi tarafından desteklenmiştir (Proje No: MYL-2024-45763).
Özet (Çeviri)
This thesis presents a hybrid and modular framework for optimizing energy-efficient speed profiles in battery electric vehicles (BEVs), particularly under realistic road conditions and travel time constraints. With the global acceleration of electric vehicle adoption, the demand for intelligent driving strategies that minimize energy consumption while remaining compliant with road dynamics and timing requirements becomes increasingly critical. The proposed methodology integrates Simulink-based vehicle simulation, machine learning-based surrogate modeling, and metaheuristic optimization into a unified and flexible architecture capable of adapting to various road geometries and driving scenarios. At the core of the framework lies a detailed MATLAB/Simulink model representing the electric powertrain of a BEV, including a battery model, a DC-DC buck converter, an inverter, a brushless DC (BLDC) motor with sector-based commutation logic, and a longitudinal vehicle dynamics module. This model, designed to reflect energy consumption, speed tracking, and component-level electrical and dynamic response with high fidelity, serves as the reference model for both training data generation and validation. Given any candidate speed profile, the model outputs energy consumption and trip duration, enabling reliable evaluation of system performance. To construct a robust training dataset, thousands of randomized yet physically plausible speed profiles were simulated on a composite road containing flat, uphill, and downhill segments. For each simulation, key outputs such as total energy usage and travel time were recorded. These data points were used to train surrogate models based on Gaussian Process Regression (GPR), enabling fast and accurate prediction of energy and time outcomes without relying on time-consuming simulations during the optimization phase. The Particle Swarm Optimization (PSO) algorithm was employed to identify the optimal speed profile that minimizes energy consumption while satisfying a strict 300-second travel time constraint. A tailored cost function was used to penalize deviations from this target, guiding the search process effectively. The optimized profile, as estimated by the surrogate model, showed a small energy difference of approximately 0.4% when compared to the simulation-based validation result, confirming the accuracy and reliability of the surrogate modeling approach. Compared to a constant-speed baseline scenario covering the same 700-meter route within the same time constraint, the optimized profile achieved approximately 12% lower energy consumption. This result underscores the advantage of terrain-aware, adaptively optimized driving strategies even when the overall trip time remains unchanged. A notable strength of the proposed framework lies in its modular and extensible structure. Users can modify road definitions, adjust segmentation resolution, or substitute the GPR surrogate with other machine learning models. Similarly, the PSO algorithm can be replaced by alternatives such as Genetic Algorithms or Bayesian Optimization. Moreover, the framework supports the integration of user-defined constraints such as local speed limits, zero-speed targets for certain segments, or bounded acceleration profiles directly into the cost function, enhancing its applicability for real-world deployment. Although the current implementation focuses solely on longitudinal dynamics, the overall architecture is open to future extensions, including the incorporation of lateral vehicle behavior and regenerative braking systems. These additions could be integrated into both the simulation model and the surrogate modeling layer, further enhancing the model's predictive accuracy and its ability to represent realistic driving behavior. The framework can also be configured with real-world vehicle parameters, enabling field testing or hardware-in-the-loop validation. In conclusion, this thesis introduces a robust, scalable, and data-driven approach for optimizing electric vehicle energy consumption within defined travel time limits. By combining simulation, machine learning, and optimization in a modular architecture, the system delivers accurate, adaptive, and efficient speed profiles. The demonstrated energy savings, validated against simulation results, reflect the practical relevance and technical robustness of the proposed method, marking a significant contribution toward advanced energy management in electric mobility. This master's thesis was supported by the Scientific Research Projects Unit of Istanbul Technical University (Project No: MYL-2024-45763).
Benzer Tezler
- Optik haberleşme için lazer sinyali tabanlı düşük maliyetli devre tasarımı uygulaması
Laser signal based low cost circuit design application for optical communication
BERKAY ÇAVUŞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞEKİP ESAT HAYBER
- Estimation of uncertainty of individual steps in pesticide residue analysis
Pestisit analiz aşamalarında belirsizliklerin tahminlenmesi
PERİHAN YOLCI ÖMEROĞLU
Doktora
İngilizce
2010
Gıda Mühendisliğiİstanbul Teknik ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. ARPAD AMBRUS
PROF. DR. DİLEK BOYACIOĞLU
- Yeni Avusturya tünel inşa yönteminde sonlu elemanlar yöntemiyle tünel kaplaması hesabı
Tunnel support design by finite element technique in the new Austrian tunnelling method
KEMAL ERGİN
- Küresel vananın sonlu elemanlar analiz yöntemi kullanılarak optimize tasarımı
Optimized design of a ball valve using finite element analysis method
TEYMUR MAMMAD
Yüksek Lisans
Türkçe
2024
Makine MühendisliğiSakarya Üniversitesiİmalat Mühendisliği Ana Bilim Dalı
DOÇ. DR. TİJEN ÖVER ÖZÇELİK
- Endüstriyel yan ürünlerle üretilmiş geopolimer betonların mekanik ve durabilite özelliklerinin araştırılması
Investigation of mechanical and durability properties of geopolymer concretes produced with industrial by-products
SADIK YILDIZ
Doktora
Türkçe
2023
İnşaat MühendisliğiKocaeli Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. SALİH TANER YILDIRIM