Makine öğrenmesi ile akustik performans tahmini: keçe malzemeler hakkında uygulama
Acoustic performance prediction by machine learning: Application on felt materials
- Tez No: 984302
- Danışmanlar: DOÇ. ASLI AKSOY
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Yapay zeka ve makine öğrenmesi dersi, Artificial intelligence and machine learning course
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Otomotiv endüstrisinde artan konfor beklentileriyle birlikte akustik performans kritik bir odak noktası haline gelmiştir. Bu doğrultuda akustik beklentilere uygun malzemeler sunan, hızlı ve doğru bir şekilde ölçüm yapabilen tedarikçiler sektörde ön plana çıkmaktadır. Bu çalışmada, ses yalıtımı amacıyla kullanılan keçe malzemelerin ses yutum katsayısını tahmin etmek için doğrusal regresyon, rastgele orman, k-en yakın komşu, aşırı gradyan artırma ve destek vektör regresyonu olmak üzere beş farklı makine öğrenmesi algoritmasının performansı karşılaştırılmıştır. Çalışma kapsamında hazır bir veri seti kullanılmamış olup, tüm veriler epoksi keçe malzeme ile hazırlanan numuneler üzerinden gerçekleştirilen akustik performans ölçümlerinden elde edilmiş, bu çalışma kapsamında özgün bir veri seti oluşturulmuş, 5-katlı çapraz doğrulama ile model performansları değerlendirilmiştir. Sonuçlar, aşırı gradyan artırma algoritmasının diğer algoritmalara kıyasla tüm performans metriklerinde en iyi sonuçları sağladığını göstermektedir. Tahmin performansının iyileştirilmesi için modele hiperparametre optimizasyonu ve özellik mühendisliği uygulanmış ve tahmin performansında yaklaşık %7'lik iyileşme sağlanmıştır. Sonuç olarak, bu çalışma, makine öğrenmesi tekniklerinin akustik performansı hızlı ve doğru bir şekilde tahmin etme potansiyelini vurgulamaktadır. Empedans tüpü testi, alfa kabin testi gibi ampirik yöntemler ve analitik yöntemlerle karşılaştırıldığında, makine öğrenmesi temelli tahmin modellerinin zaman, iş gücü ve maliyet açısından sağladığı avantajlar, bu teknolojinin endüstriyel süreçlerdeki önemini daha belirgin hale getirmektedir.
Özet (Çeviri)
In the context of the automotive industry, there is an increasing focus on acoustic performance, given the mounting expectations of comfort among consumers. In this context, suppliers of materials that meet acoustic expectations and can make measurements quickly and accurately are of the utmost importance in the sector. In this study, the performance of five distinct machine learning algorithms – namely linear regression, random forest, k-nearest neighbour, extreme gradient boosting and support vector regression – was compared to estimate the sound absorption coefficient of felt materials used for sound insulation. The present study did not make use of a ready-made dataset; rather, all data were obtained from acoustic performance measurements performed on samples prepared with epoxy felt material. In addition, an original dataset was created within the scope of this study, and model performances were evaluated with 5-fold cross-validation. The findings indicate that the extreme gradient boosting algorithm consistently yields optimal results across all performance metrics when benchmarked against other algorithms. Hyperparameter optimization and feature engineering were applied to the model to improve the prediction performance, and approximately 7% improvement was achieved in prediction performance. Consequently, this study underscores the potential of machine learning techniques to expeditiously and accurately estimate acoustic performance. In comparison with empirical methods, such as impedance tube testing and alpha cabin testing, and analytical methods, the advantages of machine learning-based prediction models in terms of time, labour and cost become more apparent. This technology is therefore of great importance in industrial processes.
Benzer Tezler
- Galvaniz kaplamalı düşük karbonlu çelik plakalarda titreşim sönümleme malzemesi kullanılarak sönümün yapısal kaynaklı gürültüye etkisinin araştırılması
Investivation of the effect of damping on structure-borne sound by using vibration damping material on galvanized low carbon steel plates
İLHAN YILMAZ
Doktora
Türkçe
2020
Makine MühendisliğiBursa Uludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KADİR ÇAVDAR
- Online nonlinear modeling for big data applications
Büyük veri uygulamaları için onlıne non lineer olmayan modelleme
FARHAN KHAN
Doktora
İngilizce
2017
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. SÜLEYMAN SERDAR KOZAT
- CNN-based text-independent automatic speaker identification
Evrişimsel sinir ağı tabanlı metinden bağımsız otomatik konuşmacı tanılama
MANDANA FASOUNAKI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Designing digital interfaces for enhanced musical interaction and digital instrument mapping strategies to improvise alongside acoustic instruments
Müzikal etkileşimi arttıracak dijital arayüz tasarımları ve akustik enstrümanlarla birlikte doğaçlamalar için dijital enstrümanlara yönelik eşleme stratejileri
ONUR DAĞDEVİREN
Yüksek Lisans
İngilizce
2022
Müzikİstanbul Teknik ÜniversitesiMüzik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN DENEÇ
DR. ÖĞR. ÜYESİ KONSTANTINOS VASILAKOS
- Multi-Task U-Net Surrogate for Aerodynamic and Aeroacoustic Source Field Prediction of Airfoils
Kanat Profillerinin Aerodinamik ve Aeroakustik Kaynak Alanı Tahmini için Çoklu Görev U-Net Vekil Modeli
YUSUF AKTAŞ
Yüksek Lisans
İngilizce
2026
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. BAHA ZAFER