Geri Dön

Investigation of the effects of nano structured fuel droplets in diesel engines with machine learning approach and rapid optimization technique

Dizel motorlarda nano yapılı yakıt damlacıklarının etkilerinin makine öğrenmesi yaklaşımı ve hızlı optimizasyon tekniği ile incelenmesi

PDF İndir

  1. Tez No: 995566
  2. Yazar: KUBİLAY GÜNER
  3. Danışmanlar: PROF. DR. HASAN KÖTEN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Medeniyet Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Nanobilim ve Nanomühendislik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, ağır hizmet tipi bir içten yanmalı motor için geliştirilen ortak hat enjeksiyon sisteminin performans ve emisyon üzerindeki etkilerinin, hesaplamalı akışkanlar dinamiği (CFD), gerçek motor deneyleri ve makine öğrenmesi yöntemleri kullanılarak bütüncül bir çerçevede incelenmesini amaçlamaktadır. Günümüzde artan enerji ihtiyacı ve sıkılaşan çevre düzenlemeleri doğrultusunda daha verimli ve çevre dostu motor teknolojilerinin geliştirilmesi kaçınılmaz hâle gelmiştir. Ancak geleneksel motor geliştirme süreçleri, zaman alıcı deneyler ve yüksek hesaplama maliyeti gerektiren simülasyonlara dayandığından, tasarım süreci hem pahalı hem de sınırlı kalmaktadır. Bu nedenle, bu çalışmada veri temelli yapay zekâ yaklaşımları ile fizik temelli mühendislik analizleri birleştirilerek, motor optimizasyon sürecine yeni bir metodolojik bakış açısı kazandırılmıştır. Araştırmada öncelikli olarak gerçek motor testleri gerçekleştirilmiş ve motorun enjeksiyon stratejilerine verdiği tepkiler deneysel olarak incelenmiştir. Bu deneyler sayesinde, motorun gerçek çalışma koşulları altında sergilediği davranışlar doğrudan gözlemlenmiş, elde edilen ölçümler, simülasyon ve makine öğrenmesi modelleri için referans veri kaynağı olarak kullanılmıştır. Deneysel veriler, enjeksiyon zamanlaması, basınç ve supap hareketleri gibi parametrelerin yanma süreci ve motor performansı üzerindeki belirleyici etkilerini ortaya koymuş ve çalışmanın mühendislik açısından güvenilirliğini artırmıştır. Deneysel çalışmalarla eş zamanlı olarak gerçekleştirilen CFD simülasyonları, silindir içindeki akış yapısını, türbülans oluşumunu, püskürtme süreçlerini ve yanma gelişimini detaylı olarak analiz etme imkânı sunmuştur. Üç boyutlu CFD analizleri, motor içindeki karmaşık fiziksel süreçlerin sayısal olarak modellenmesini sağlamış, özellikle yakıt-hava etkileşimi ve sıcaklık dağılımları açısından yüksek çözünürlüklü veriler elde edilmiştir. Bu simülasyonlardan elde edilen çıktılar, yalnızca fiziksel sürecin anlaşılmasına katkı sağlamamış, aynı zamanda makine öğrenmesi modellerinin eğitiminde kullanılan büyük veri kümesinin temelini oluşturmuştur. Çalışma kapsamında, CFD simülasyonları sonucunda elde edilen büyük veri seti, makine öğrenmesi algoritmalarına girdi olarak sunulmuştur. Toplamda yaklaşık on milyon veri noktası içeren bu veri kümesi, eğitim ve test amacıyla ikiye ayrılmıştır. Verilerin yüzde sekseni modelin eğitilmesi için, geri kalan yüzde yirmisi ise modelin doğrulanması ve performans değerlendirmesi için kullanılmıştır. Bu yaklaşım sayesinde makine öğrenmesi modellerinin yalnızca veriyi ezberlemesi değil, aynı zamanda yeni veri setleri üzerinde güvenilir tahminler yapabilmesi sağlanmıştır. Makine öğrenmesi sürecinde çeşitli algoritmalar kullanılmış ve her birinin tahmin performansı karşılaştırmalı olarak analiz edilmiştir. Özellikle ağaç tabanlı topluluk yöntemleri ile sinir ağı tabanlı modeller, motor davranışını temsil etme açısından başarılı sonuçlar üretmiştir. Bu modellerin doğrusal olmayan ilişkileri yakalama yeteneği sayesinde enjeksiyon parametrelerinin performans ve emisyon üzerindeki karmaşık etkileri yüksek doğrulukla modellenmiştir. Buna karşılık, daha basit istatistiksel modellerin, yanma sürecinin karmaşıklığını temsil etmekte sınırlı kaldığı tespit edilmiştir. Bu durum, içten yanmalı motorların yalnızca doğrusal ilişkilerle açıklanamayacak derecede dinamik ve karmaşık sistemler olduğunu bir kez daha ortaya koymuştur. Araştırmada ele alınan girdi parametreleri; yakıt enjeksiyon miktarı, enjeksiyon basıncı, püskürtme zamanlaması, emme ve egzoz supaplarının açıklık miktarları ile supap zamanlamasıdır. Bu parametreler, motorun çalışma karakteristiğini belirleyen temel değişkenlerdir. Özellikle enjeksiyon stratejileri, yanma sürecinin başlama anını, ısı açığa çıkma hızını ve silindir içi basınç gelişimini doğrudan etkilemektedir. Supap hareketleri ise silindire giren hava miktarını ve egzoz gazlarının tahliyesini kontrol ederek performans ve emisyon oluşumunda kritik rol oynamaktadır. Makine öğrenmesi modelleri, bu çok boyutlu parametre kümesini birlikte değerlendirerek sistemin genel davranışını öğrenmiştir. Çıktı değişkenleri olarak motorun mekanik performansını ve çevresel etkilerini temsil eden temel göstergeler kullanılmıştır. Motor gücü, yakıt tüketimi ve egzoz emisyonları, sistemin değerlendirilmesinde esas alınan parametreler olmuştur. Bu çıktılar arasındaki ilişkilerin analiz edilmesi, motor tasarımında yalnızca performans artışına değil, aynı zamanda çevre dostu çözümlere de odaklanılması gerektiğini göstermiştir. Çalışmanın bir diğer önemli yönü, nanoyapılandırılmış yakıt damlacıklarının motor performansı üzerindeki etkisinin araştırılmış olmasıdır. Nanoteknoloji destekli yakıt çözümleri, yakıtın daha küçük damlacıklara ayrılmasını sağlayarak yanma sürecini iyileştirmekte ve enerji dönüşüm verimini artırmaktadır. Bu tür yakıtların, yanma odasında daha homojen bir karışım oluşturduğu ve egzoz emisyonlarını azalttığı belirlenmiştir. Makine öğrenmesi modelleri, bu yakıtların farklı enjeksiyon koşulları altındaki etkilerini analiz etmiş ve en uygun kullanım senaryolarını ortaya koymuştur. Optimizasyon sürecinde, makine öğrenmesi modelleri ile hızlı arama algoritmaları birlikte kullanılmıştır. Bu sayede geniş tasarım uzayı kısa sürede taranmış ve en ideal parametre kombinasyonları belirlenmiştir. Geleneksel motor tasarım süreçlerinde günler veya haftalar sürebilecek analizler, bu yaklaşım sayesinde çok daha kısa sürede tamamlanabilmiştir. Bu durum, makine öğrenmesi tabanlı optimizasyonun mühendislik uygulamalarında pratik ve sürdürülebilir bir çözüm sunduğunu göstermektedir. Araştırmada geliştirilen modellerin başarımı, hem CFD verileri hem de deneysel ölçümler üzerinden doğrulanmıştır. Makine öğrenmesi tahminlerinin, gerçek motor davranışına yakın sonuçlar verdiği ve geleneksel simülasyon yöntemlerine güçlü bir alternatif oluşturduğu ortaya konmuştur. Böylece, yapay zekâ tabanlı modellerin yalnızca teorik araçlar olmadığı, aynı zamanda gerçek mühendislik problemlerine doğrudan uygulanabilir olduğu gösterilmiştir. Sonuç olarak bu çalışma; gerçek motor deneyleri, CFD simülasyonları ve makine öğrenmesi yöntemlerini tek bir çatı altında toplayarak motor geliştirme süreçlerine yenilikçi bir bakış açısı kazandırmaktadır. Sunulan metodoloji, motor tasarım sürecini hızlandırmakta, maliyetleri düşürmekte ve doğruluk seviyesini koruyarak sürdürülebilir çözümler üretmektedir. Bu yaklaşım, içten yanmalı motorların geleceği açısından önemli bir potansiyel taşımakta ve mühendislik alanında veri temelli karar verme süreçlerinin yaygınlaşmasına katkı sağlamaktadır. Bu bağlamda, çalışmanın ortaya koyduğu yöntem; yalnızca dizel motorlara değil, tüm içten yanmalı motor teknolojilerine uygulanabilir niteliktedir. Aynı zamanda hibrit ve alternatif yakıtlı motor sistemlerine de uyarlanabileceği öngörülmektedir. Bu yönüyle çalışma, enerji verimliliği ve çevresel sürdürülebilirlik hedeflerine ulaşmada önemli bir adım olarak değerlendirilmektedir.

Özet (Çeviri)

This study presents a machine learning-based framework developed to improve the design and operational optimization of internal combustion engines using data obtained from high-fidelity multidimensional simulations. Conventional engine development procedures typically rely on extensive experimental testing and iterative numerical simulations, which demand considerable computational resources and long development periods that may extend from several months to multiple years. By integrating machine learning techniques, this research introduces an efficient approach for modeling complex physical phenomena occurring within the combustion chamber, enabling accurate prediction of engine behavior through statistical learning derived directly from simulation outputs. The primary emphasis of this work is placed on common rail injector parameters of a heavy-duty diesel engine operating under real-world conditions. Simulation inputs include in-cylinder air flow characteristics, pressure and temperature distributions at the onset of fuel injection, injection pressure levels, intake valve closure timing, and transient thermal conditions. The corresponding outputs include combustion performance, fuel consumption, and critical emission indicators, which are utilized as training data for constructing predictive models. Several machine learning algorithms are implemented and systematically evaluated to identify the most effective modeling strategies capable of capturing nonlinear relationships between input variables and engine responses. The results demonstrate that the trained models successfully approximate high-resolution simulation results with a high degree of accuracy while requiring only a fraction of the computational effort. This methodology significantly reduces development cost and time by minimizing reliance on repeated simulations and experimental trials. Ultimately, the proposed framework offers a scalable, data-driven solution that supports faster engine optimization and promotes improved efficiency, performance, and environmental sustainability for future internal combustion engine technologies.

Benzer Tezler

  1. Tez No

    948703

    Enerji kapasitesi yüksek nanohibrit partiküller içeren nanoyakıtların üretilmesi ve yanma-yakıt performanslarının incelenmesi

    Production of nanofuels containing high energy capacity nanohybrid particles and investigation of their combustion-fuel performance

    RIDVAN KÜÇÜKOSMAN

    Doktora

    Türkçe

    Türkçe

    2025

    EnerjiTarsus Üniversitesi

    İmalat Mühendisliği Ana Bilim Dalı

    PROF. DR. KASIM OCAKOĞLU

    DOÇ. DR. AHMET ALPER YONTAR

  2. Tez No

    900897

    Investigation of the catalytic performance of tin nanowires produced by aluminum anodic oxide template method for electrochemical CO2 reduction

    Alüminyum anodik oksit şablon yöntemiyle üretilen kalay nanotellerin elektrokimyasal CO2 redüksiyonuna yönelik katalitik performansinin i̇ncelenmesi

    DİLAN ER GÖNÜL

    Doktora

    İngilizce

    İngilizce

    2023

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA KAMİL ÜRGEN

  3. Tez No

    650352

    Ag2XSnS4 (AXTS; X=Zn, Mn, Ni, Co) nano yapıların sentez parametrelerinin şekil ve kristalleşme üzerine etkilerinin incelenmesi

    Investigation of the effects of synthesis parameters on the shape and crystallization of Ag2XSnS4 (AXTS; X = Zn, Mn, Ni, Co) nanostructures

    SULTAN SÜLEYMAN ÖZEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Mühendislik BilimleriKaramanoğlu Mehmetbey Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. FARUK ÖZEL

  4. Tez No

    692089

    Investigation of polymer electrolyte membrane (PEM) fuel cell and investigation of usage areas in Turkey

    Polimer elektrolit membran (PEM) yakıt pilinin araştırılıması ve Türkiye'deki kullanım alanlarının incelenmesi

    BENJAMIN AYIM-OTU

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiSiirt Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MELİH KUNCAN

    PROF. DR. ÖMER ŞAHİN

  5. Tez No

    496428

    Investigation and enhancement of the mechnanical properties of the fabric reinforced hybrid composites

    Kumaş takviyeli hibrit kompozitlerin mekanik özelliklerinin incelenmesi ve iyileştirilmesi

    HANDE SEZGİN

    Doktora

    İngilizce

    İngilizce

    2018

    Tekstil ve Tekstil Mühendisliğiİstanbul Teknik Üniversitesi

    Tekstil Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖMER BERK BERKALP

Geri Dön