Geri Dön

Rüzgâr türbinlerinde hibrit derin öğrenme modelleri ile tahmine dayalı bakım ve rota optimizasyonu

Predictive maintenance and routing optimization of wind turbines using hybrid deep learning models

PDF İndir

  1. Tez No: 991709
  2. Yazar: OĞUZHAN AKARSLAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ FUNDA HATİCE SEZGİN
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Rüzgâr türbinlerinin sürdürülebilir ve verimli şekilde işletilebilmesi, performansın erken dönemde ve yüksek doğrulukla izlenmesine bağlıdır. Türbin bileşenlerinde ortaya çıkabilecek sapmaların zamanında belirlenmesi, bakım ve onarım ekiplerinin proaktif aksiyon almasını sağlayarak hem arıza riskini azaltır hem de operasyonel maliyetleri düşürür. Bu nedenle yüksek doğruluklu tahmin modelleri, modern rüzgâr enerjisi yönetiminde kritik bir karar destek bileşeni hâline gelmektedir. Bu doktora tezi çalışmasında, rüzgâr türbinlerinin performansını daha doğru ve kararlı biçimde tahmin edebilmek amacıyla derin öğrenme tabanlı hibrit modeller geliştirilmiş ve farklı yapıların sonuçları karşılaştırılarak en yüksek doğruluk sunan model belirlenmiştir. Tasarlanan hibrit yapılar arasında en iyi performansı gösteren model, MAPE (Ortalama Mutlak Yüzde Hatası) açısından XGBoost (Aşırı Gradyan Artırma) modeline göre %1.07 puan, CNN (Evrişimsel Sinir Ağı) modeline göre ise %3.07 puan daha düşük hata üretmiştir. Aynı model R² (Belirleme Katsayısı) değerinde XGBoost'a kıyasla yaklaşık %0.64 puan, CNN'e kıyasla ise %3.91 puan artış sağlamıştır. Bu bulgular, hibrit modelin rüzgâr türbinlerindeki çok değişkenli davranışı daha etkili öğrenerek hem doğruluk hem de açıklayıcılık açısından önceki modellere göre daha üstün bir performans sunduğunu göstermektedir. İstatistiksel değerlendirmelerde ise Wilcoxon işaretli sıralar testinin ürettiği p değerinin anlamlılık eşiğinin altında kalması, hibrit model ile diğer modeller arasındaki performans farkının rastlantısal bir varyasyondan kaynaklanmadığını göstermektedir. P değeri, gözlenen farkın yalnızca tesadüf sonucu ortaya çıkma olasılığını ifade eden bir ölçüttür ve bu olasılığın düşük çıkması, hibrit modelin üstün performansının istatistiksel açıdan güvenilir bir temele dayandığını kanıtlamaktadır. Böylece hibrit model, hem ortalama hata seviyelerinde hem de tahmin sonuçlarının dağılımsal tutarlılığında anlamlı bir üstünlük sergilemektedir. Optimizasyon çalışması kısmında ise elde edilen model çıktıları bakım ve onarım süreçleriyle ilişkilendirilerek ekiplerin rota planlamasına yönelik senaryolar oluşturulmuştur. Bu yaklaşım sayesinde tahmin çıktıları operasyonel karar süreçlerine entegre edilmiş ve bakım zamanlaması, güzergâh belirleme ile kaynak tahsisi gibi konularda daha rasyonel ve veri odaklı planlamalar yapılabilmiştir. Elde edilen sonuçlar geliştirilen hibrit mimarinin yalnızca tahmin doğruluğunu artırmakla kalmadığını aynı zamanda türbin işletme süreçlerine stratejik katkı sunan bütüncül bir çerçeve oluşturduğunu göstermektedir. Bu çerçeve hem akademik literatür açısından yenilik değeri taşımakta hem de endüstriyel uygulamalar için pratik bir karar destek aracı niteliği sunmaktadır.

Özet (Çeviri)

Sustaining the reliable and efficient operation of wind turbines fundamentally depends on monitoring performance at an early stage and with high precision. Timely detection of deviations emerging in turbine components enables maintenance and repair teams to take proactive action, thereby reducing the risk of malfunction while simultaneously lowering operational costs. Consequently, high-accuracy forecasting models have become a critical decision-support element in modern wind energy management systems. In this doctoral study, deep learning–based hybrid models were developed to achieve more accurate and stable predictions of wind turbine performance, and the outcomes of different architectures were compared to identify the model with the highest predictive accuracy. Among the proposed hybrid structures, the best-performing model produced a 1.07-point lower MAPE (Mean Absolute Percentage Error) compared to the XGBoost (Extreme Gradient Boosting) model and a 3.07-point lower MAPE relative to the CNN (Convolutional Neural Network) model. The same hybrid model also achieved an improvement of approximately 0.64 points in R² compared with XGBoost and 3.91 points compared with the CNN. These findings indicate that the hybrid architecture captures the multivariate behavior of wind turbines more effectively and delivers superior performance in both accuracy and explanatory capability. From a statistical perspective, the Wilcoxon signed-rank test yielded a p-value below the significance threshold, demonstrating that the performance differences between the hybrid model and the baseline models cannot be attributed to random variation. The p-value represents the probability that the observed differences arise purely by chance, and a low p-value provides strong evidence that the hybrid model's superior results rest on a statistically reliable foundation. Accordingly, the hybrid architecture offers meaningful advantages not only in average error reduction but also in the distributional consistency of prediction outcomes. In the optimization phase of the study, the model outputs were associated with maintenance and repair processes, and scenario-based route planning strategies for field teams were generated accordingly. This integration enabled the forecasting results to be incorporated into operational decision-making processes, allowing more rational and data-driven planning in areas such as maintenance scheduling, route determination, and resource allocation. The findings indicate that the developed hybrid architecture not only enhances forecasting accuracy but also provides a comprehensive framework that delivers strategic value to turbine operation workflows. This framework offers both a novel contribution to the academic literature and a practical decision-support tool for industrial applications.

Benzer Tezler

  1. Tez No

    688423

    Deep learning for wind energy systems using the hurst exponent and statistical parameters

    Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme

    BEHNAZ ALAFI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞAHİN SERHAT ŞEKER

  2. Tez No

    1009525

    A framework for composite wind turbine blades: From material development to structural optimisation and ml-enhanced damage detection

    Rüzgar türbinleri için hibrit kompozit temelli kanat malzemesi geliştirilmesi, yapısal optimizasyonu ve makine öğrenmesi ile hasar tespiti ve yapısal analiz entegrasyonu

    KEMAL HASIRCI

    Doktora

    İngilizce

    İngilizce

    2026

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALAEDDİN BURAK İREZ

  3. Tez No

    941791

    Hydrodynamic response analysis of a semi-submersible platform using a hybrid rans-bem approach

    Bir yarı batık platformun hidrodinamik tepkilerinin hibrit rans-bem yaklaşımı ile incelenmesi

    ENVER KÜRŞAT GÜNER

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Gemi ve Deniz Teknolojisi Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CİHAD DELEN

  4. Tez No

    536387

    Hybrid excited synchronous generator design and comparison of direct drive wind turbines

    Hibrit uyartımlı senkron generatör tasarımı ve doğrudan sürüşlü rüzgâr türbinlerinin karşılaştırılması

    AYSEL AKGEMCİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ OZAN KEYSAN

  5. Tez No

    1002257

    Yüzer açık deniz rüzgâr türbinleri için ankraj sistemlerinin kum ve kil zeminlerde çekme yükleri altında analitik, sayısal ve deneysel incelenmesi

    Analytical, numerical and experimental investigation of anchoring systems for floating offshore wind turbines in sand and clay under tensile loading

    BARBAROS KİRİŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    İnşaat Mühendisliğiİzmir Katip Çelebi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HASAN EMRE DEMİRCİ

Geri Dön