Derin öğrenme ve veri odaklı yaklaşımlar kullanarak batarya sağlık durumu (SOH) tahmini
Battery state of health estimation using deep learning and data-driven approaches
- Tez No: 979072
- Danışmanlar: DR. ÖĞR. ÜYESİ SULTAN ZEYBEK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fatih Sultan Mehmet Vakıf Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, lityum-iyon bataryaların sağlık durumu (State of Health - SOH) tahmini için derin öğrenme ve veri odaklı yaklaşımların etkinliğini incelemektedir. Bataryaların güvenli ve verimli çalışabilmesi için SOH değerinin doğru şekilde tahmin edilmesi büyük önem taşımaktadır. Bu kapsamda, NASA ve CALCE gibi yaygın veri kümeleri üzerinde GRU, LSTM, MLP, CNN ve Attention gibi farklı derin öğrenme modelleri eğitilerek karşılaştırılmıştır. Ayrıca, transfer öğrenme yaklaşımı kullanılarak bir veri setinde eğitilen modeller, başka bir veri seti üzerinde yeniden eğitilerek kullanılmıştır. Bu sayede, sınırlı veri bulunan durumlarda model başarımının artırılması hedeflenmiştir. Modellerin performansı; ortalama mutlak hata (MAE), ortalama kare hata (MSE) ve determinasyon katsayısı (R²) gibi metriklerle değerlendirilmiştir. Elde edilen sonuçlar, derin öğrenme tabanlı yöntemlerin SOH tahmininde yüksek doğruluk sağladığını ve transfer öğrenme ile yeniden eğitilmiş modellerin farklı veri kümeleri arasında başarılı bir şekilde uygulanabildiğini göstermektedir.
Özet (Çeviri)
This study investigates the effectiveness of deep learning and data-driven approaches for the estimation of the State of Health (SOH) of lithium-ion batteries. Accurate SOH estimation is crucial for ensuring the safe and efficient operation of batteries. In this context, various deep learning models, including GRU, LSTM, MLP, CNN, and Attention-based networks, were trained and compared using widely adopted datasets such as NASA and CALCE. Furthermore, a transfer learning approach was employed, where models trained on one dataset were retrained and applied to another dataset. This approach aims to enhance model performance in scenarios with limited data availability. The performance of the models was evaluated using metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and the coefficient of determination (R²). The results demonstrate that deep learning-based methods provide high accuracy in SOH estimation and that retrained models using transfer learning can be effectively applied across different datasets.
Benzer Tezler
- Elektrikli araçların kullanıcı tercihlerine göre sınıflandırılması: hibrit bir yaklaşım
Classification of electric vehicles based on user preference: a hybrid approach
MEHMET DEMİR
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Novel approaches to radar signal deinterleaving and geolocation in the framework of optimization and deep learning
Radar sinyal ayrıştırma ve konum bulma için optimizasyon ve derin öğrenme tabanlı yeni yaklaşımlar
MUSTAFA ATAHAN NUHOĞLU
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Derin öğrenme ile sınıftan bağımsız nesne tespiti: Belirginlik odaklı gelecek uygulamalara yönelik bir yaklaşımın geliştirilmesi
Class-agnostic object detection with deep learning for future saliency-based applications
ŞEYMA USTA
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ORHAN AKBULUT
- Makine öğrenmesi ve derin öğrenme yöntemleriyle kentsel taşkın riskinin çok boyutlu değerlendirilmesi
A multidimensional assessment of urban flood risk using machine learning and deep learning methods
GÜLŞAH KILIÇ
Yüksek Lisans
Türkçe
2026
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. FİLİZ BEKTAŞ BALÇIK