Buji ateşlemeli bir motorda mekanik verimdeki değişimingenetik programlama ile tahmini
Prediction of the change in mechanical efficiency of a spark-ignition engine using genetic programming
- Tez No: 980439
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMET YILMAZ, DR. ÖĞR. ÜYESİ ABDURRAHMAN DEMİRCİ
- 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: Karamanoğlu Mehmetbey Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, içten yanmalı motorlarda mekanik verimin tahmini amacıyla Genetik Programlama (GP) yöntemi kullanılmıştır. Mekanik verim, motorun ürettiği indike gücün ne kadarının efektif güce dönüştüğünü gösteren ve enerji verimliliği açısından kritik öneme sahip bir değişkendir. Modelleme sürecinde motor devri, sıkıştırma oranı, lambda (hava fazlalık katsayısı), ortalama efektif basınç ve sürtünme katsayısı gibi değişkenler kullanılmış; tahmin modelleri, 24 gerçek ölçüm verisinden oluşan bir veri setiyle oluşturulmuştur. Python dilinde geliştirilen GP algoritması, farklı parametre kombinasyonlarıyla çok sayıda model üretmiş ve bu modeller MSE, MAE, MAPE ve R² gibi performans metrikleriyle değerlendirilmiştir. Eğitim ve test verileri üzerinde yapılan karşılaştırmalarda, Formül 2 olarak adlandırılan GP modeli dengeli sonuçları ile öne çıkmış; eğitim verilerinde R² = 0.971, MAPE = % 1.02 ve test verilerinde R² = 0.973, MAPE = % 0.68 gibi başarılı sonuçlar elde etmiştir. Diğer GP modelleri de düşük hata oranları ile dikkat çekmiş olsa da Formül 2 genel performans bakımından en dengeli ve güvenilir model olmuştur. Elde edilen bu başarılı sonuçlar, genetik programlamanın özellikle değişken ve deney sayısı az veri setleriyle çalışan mühendislik uygulamalarında bile yüksek doğrulukta ve açıklanabilir modeller üretme potansiyeline sahip olduğunu ortaya koymaktadır. Elde edilen modeller arasından başarılı GP modelleri seçilmiş ve bu modelden elde edilen sonuçların lineer regresyon modeli ile elde edilen sonuçlarla ve literatürdeki Kolchin ve Demidov ile Heywood bağıntıları olarak geçen bağıntılarla nihai karşılaştırması xx yapılmıştır. Karşılaştırmalar sonucunda GP modeli hem doğruluk hem de açıklanabilirlik açısından güçlü bir alternatif olduğunu göstermiştir. Bu çalışma, mühendislik uygulamalarında genetik programlamanın etkili bir tahmin aracı olarak kullanılabileceğini, yüksek doğrulukta ve yorumlanabilir modeller üretme açısından başarılı sonuçlar alınabileceğini göstermektedir.
Özet (Çeviri)
In this study, the Genetic Programming (GP) method was employed to predict the mechanical efficiency of internal combustion engines. Mechanical efficiency represents the proportion of the indicated power converted into effective power and is a critical parameter in terms of energy efficiency. During the modeling process, variables such as engine speed, compression ratio, lambda (air–fuel equivalence ratio), mean effective pressure, and friction coefficient were used. The prediction models were developed using a dataset consisting of 24 real measurement values. The GP algorithm developed in Python generated multiple models with different parameter combinations, and these models were evaluated using performance metrics such as MSE, MAE, MAPE, and R² among the developed models, the one referred to as Formula 2 stood out with its balanced results, achieving R² = 0.971 and MAPE = 1.02% on the training data, and R² = 0.973 and MAPE = 0.68% on the test data. Although other GP models also exhibited low error rates, Formula 2 was determined to be the most consistent and reliable overall. These successful results demonstrate that genetic programming has the potential to generate highly accurate and interpretable models even when working with small and variable engineering datasets. The best-performing GP models were compared with a linear regression model and with empirical relations from the literature, including those proposed by Kolchin & Demidov and Heywood. The comparisons revealed that the GP model offers strong performance in terms of both accuracy and interpretability. This study shows that xxii genetic programming can be effectively used as a predictive tool in engineering applications, providing high-accuracy and explainable models.
Benzer Tezler
- Buji ateşlemeli motorlarda çevrimsel farklar ile hava fazlalık katsayısının ilişkisi
Relationship air surplus coefficient with cyclic variability in spark ignition engines
İLHAN VOLKAN ÖNER
Yüksek Lisans
Türkçe
2009
Makine MühendisliğiAtatürk ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. M. AKİF CEVİZ
- Investigation of effect of novel technologies' implementation to future internal combustion engines
Yeni teknolojilerin geleceğin içten yanmalı motorlarına uyarlanmasının etkilerinin incelenmesi
ANIL ALAGÖZ
Yüksek Lisans
İngilizce
2018
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HİKMET ARSLAN
- Buji ateşlemeli bir motorda ısı dağılımının incelenmesi
Heat distribution in a spark ignition engine
KAMİL KARABAŞ
Yüksek Lisans
Türkçe
2009
Teknik EğitimKarabük ÜniversitesiMakine Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. BÜLENT ÖZDALYAN
- İçten yanmalı bir motorda elektro-mekanik supap uygulaması
An electro-mechanic valve application on internal combustion engine
OĞUZHAN DOĞAN
Yüksek Lisans
Türkçe
2006
Bilim ve TeknolojiZonguldak Karaelmas ÜniversitesiMakine Eğitimi Ana Bilim Dalı
Y.DOÇ.DR. BÜLENT ÖZDALYAN
- İçten yanmalı motorlarda farklı yanma odası geometrilerinin performans ve emisyonlara etkisi
The effects of different combustion chamber geometries on the performance and emissions of a internal combustion engine
ABDURRAHMAN DEMİRCİ
Doktora
Türkçe
2017
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. OSMAN AKIN KUTLAR