Geri Dön

Artificial neural network-based efficiency estimation and modeling approach in electric vehicle powertrains

Elektrikli güç aktarma sistemlerinde yapay sinir aği tabanli verimlilik tahmini ve modelleme yaklaşimi

PDF İndir

  1. Tez No: 999527
  2. Yazar: AHMET BURAK KAYDECİ
  3. Danışmanlar: PROF. DR. SALİH BARIŞ ÖZTÜRK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Elektrikli araçlar, Enerji verimliliği, Yapay sinir ağları, Electric vehicles, Energy efficiency, Artificial neural networks
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Sürdürülebilir yolcu taşımacılığı ve karayolu lojistiğine yönelik hızlanan dönüşüm, dünya genelinde elektrikli araçların benimsenmesindeki hızlı artışla kendini göstermiştir. Başlangıçta binek otomobiller bu eğilime hâkim olmuş olsa da, son yıllarda hafif ve ağır hizmet tipi ticari araçların yanı sıra elektrikli otobüsler ve toplu taşıma filolarının da elektriklendirilmesine tanık olunmuştur. Bu eğilim, taşımacılık ve lojistikte daha geniş kapsamlı bir dönüşümü yansıtmaktadır. Elektrikli sürüşe geçişin arkasında çevresel kaygılar, sıkılaşan düzenlemeler ve enerji verimliliği ile sürdürülebilirliğe yönelik artan küresel farkındalık yatmaktadır. Bununla birlikte, elektrikli araçların yaygın olarak kullanıma sunulması, yeni teknik zorlukları da beraberinde getirmektedir. Özellikle enerji verimliliği ve enerji yönetimi konusundaki kaygılar, bu zorlukların en belirgin olanlarıdır. Bu durum, elektrikli araçların performansının optimize edilmesinde kritik rol oynayan enerji verimliliğine odaklanan modelleme çalışmalarının önemini vurgulamaktadır. Gerçek kullanım koşullarında araç itki sisteminin verimliliğinin modellenişi, araç enerji yönetimi, rota optimizasyonu ve menzil tahmini gibi temel kavramları doğrudan etkilemektedir. Bunların tümü, kullanıcıların elektrikli taşımacılığa olan güvenini inşa etmek ve elektrifikasyonun faydalarını en üst düzeye çıkarmak için elzemdir. Verimlilik modellemesine yönelik geleneksel yaklaşımlar tipik olarak statik verimlilik haritalarına veya model tabanlı simülasyonlara dayanır. Bu yöntemler faydalı içgörüler sağlasa da, farklı sistem parametrelerinin değişken hâle geldiği dinamik işletim koşullarında uygulandıklarında çoğu zaman yetersiz kalırlar. Örneğin, verimlilik haritaları genellikle durağan hâl koşullarında gerçekleştirilen deneysel ölçümlerden oluşturulur. Ancak bu yaklaşım, dinamik sürüşlerin veya çevresel değişkenliklerin karmaşıklıklarını tam olarak yansıtmayabilir. Benzer şekilde, fizik temelli yaklaşımlar hesaplama kapasitesi açısından maliyetli hâle gelebilir ve çeşitli araç konfigürasyonlarına veya farklı batarya kimyalarına uyum sağlama esnekliğinden yoksun kalabilir. Ayrıca, yüksek miktarda hesaplama gereksinimleri ve ayrıntılı şekilde belirlenmiş parametrelere olan bağımlılıkları, sınırlı işlem gücü ve belleğin bulunduğu gömülü araç sistemlerinde gerçek zamanlı uygulamalar için onları daha az uygun kılar. Sonuç olarak, hem araştırma hem de pratik araç kontrol sistemlerini desteklemek için gerçek zamanlı olarak güvenilir tahminler sunabilecek, daha uyarlanabilir, veri odaklı yöntemlere ihtiyaç duyulmaktadır. Bu tez, güç aktarma organı verimliliğinin tahminine yönelik yapay sinir ağlarına dayalı bir makine öğrenimi yaklaşımı geliştirerek söz konusu zorlukları ele almaktadır. Yapay sinir ağlarının sistem değişkenleri arasındaki doğrusal olmayan ilişkileri yakalama yeteneğinden yararlanılarak geniş bir durum uzayında doğru verimlilik tahmini sağlanması amaçlanmaktadır. Yapay sinir ağları modeli, elektrikli araç verimliliğine etkileri sistematik olarak belirlenip değerlendirilen kilit giriş parametreleri üzerinde eğitilmiştir. Kullanılan bu değişkenler elektromekanik tarafta motor torku ve motor hızı iken elektrokimyasal tarafta batarya sıcaklığı ve şarj seviyesi (SoC) şeklindedir. Bu değişkenler, motorun elektromekanik yüklenmesini ve bataryanın elektrokimyasal davranışını yansıtmakta olup verimlilik açısından en kritik faktörlerin kapsamlı bir tanımını sağlamaktadır. Bu durum değişkenleri, analiz boyunca tutarlı bir ölçeklendirme sağlamak ve yapay sinir ağının daha baskın değişkenlere karşı bir eğilime yönelmeden çeşitli çalışma koşullarında etkin şekilde öğrenebilmesini sağlamak için normalize edilmiştir. Normalize edilmiş veri seti daha sonra, model karmaşıklığı ile genelleme kabiliyeti arasında denge kuracak bir şekilde, tek gizli katmana sahip ileri beslemeli yapay sinir ağı mimarisini eğitmek amacıyla kullanılmıştır. Eğitim süreci, deneysel ve simülasyon verileri ile gerçekleştirilen denetimli öğrenme yaklaşımıyla yürütülmüştür. Ağ, tahmin edilen ve gerçek verimlilik değerleri arasındaki hatayı en aza indirmek için modeldeki ağırlık parametrelerini iteratif olarak ayarlamıştır. Veri seti, modelin eğitilmesini ve yakınsama kapasitesini güvence altına almak amacıyla eğitim, doğrulama ve test kümelerine ayrılmıştır. Bu sayede parametreler arası ilişkileri tanımadaki performans değerlendirilebilmiş ve aşırı öğrenme riski, yani modelin gürültü ve rastgeleliklere fazla uyum sağlaması, azaltılmıştır. Yapay sinir ağı eğitildikten sonra, gerçek zamanlı şekilde parametre bazlı verim tahminlemesi yapacağı bir tek eksenli araç modeline entegre edilmiştir. Bu çerçevede, eğitilmiş yapay sinir ağı, gerçek zamanlı çalışma koşullarına dayalı olarak dinamik şekilde verimliliği tahmin ederek geleneksel statik haritaların yerine kullanılmıştır. Yapay sinir ağının bu entegrasyonu, şehir içi dur-kalk biçimli yoğun trafik kullanımı ile uzun yolda otoyol kullanımı senaryoları dahil olmak üzere çeşitli sürüş biçimlerinde enerji tüketiminin değerlendirilmesine imkan tanımıştır. Bu tür bir yaklaşım, yalnızca araç menzili ve tüketimine ilişkin daha gerçekçi tahminler sunmakla kalmayıp aynı zamanda farklı rotaların, sürüş tarzlarının ve işletim ortamlarının karşılaştırmalı olarak analiz edilmesini de mümkün kılar. Yapay sinir ağının tek eksenli araç modeli içindeki performansı, doğrusal regresyon yaklaşımı ile kıyaslandığında belirgin iyileştirmeler ortaya koymuştur. Yapay sinir ağı, hem şehir içi hem de uzun yol sürüş dinamikleri için test edilen çalışma noktaları genelinde verimlilik bakımından ortalama kare hata değerini yaklaşık \%95 oranında azaltmış ve korelasyon katsayısı bakımından yaklaşık \%5 oranında iyileşme sağlamıştır. Model, doğrusal yöntemin temsil edemediği hız ve yükteki dinamik değişimleri yakalayarak daha güvenilir enerji analizinin uygulanmasını mümkün kılmıştır. Bu sonuçlar, yapay sinir ağları çerçevesinin yalnızca doğruluğu artırmakla kalmayıp aynı zamanda pratik uygulama için gerekli hesaplama verimliliğini de sağladığını teyit etmektedir. Simülasyon çıktıları, yapay sinir ağları tabanlı modelin doğru verimlilik tahminleri sunarken aynı zamanda gerçek zamanlı uygulamalar için işlem gücü bakımdan verimliliği koruduğunu göstermektedir. Yapay sinir ağı modeli, kullandığı girdi parametrelere ait doğrusal olmayan ilişkileri doğrusal regresyon yöntemlerine kıyasla belirgin şekilde daha iyi takip etmiştir. Bu durum, modelin hız dalgalanmaları, yük değişimleri ve batarya durumları gibi işletim koşullarındaki farklılıklara daha etkili şekilde uyum sağlamasına imkân tanımaktadır. Bu durum, metodun gömülü araç kontrol sistemleri için uygunluğunu ortaya koymakta ve öngörülü şekilde enerji yönetimi ile güzergâh optimizasyonu gibi gelişmiş işlevleri desteklemek üzere hızlı ve doğru enerji değerlendirmesi yapılmasını mümkün kılmaktadır. Genel olarak, bu tezin katkıları, elektrikli araç verimliliği modellemesi için veri odaklı tekniklerin uygulanmasının geliştirilmesinde yatmaktadır. Çalışma, makine öğrenimi yöntemlerini sistem düzeyinde araç simülasyonları ile birleştirerek farklı araç türlerine ve teknolojilere uyarlanabilecek ölçeklenebilir bir çerçeve sunmaktadır. Mevcut çalışma, veri odaklı verimlilik modellemesi için sağlam bir temel oluşturmakla birlikte, gelecekteki araştırmalar için potansiyel alanlar sunmaktadır. Girdi vektörünün yol eğimi, hava koşulları veya trafik seviyesi gibi çevresel değişkenleri içerecek şekilde genişletilmesi, farklı koşullar altında tutarlılığın daha da artırılması mümkün hale gelebilir. Benzer şekilde, araç verimliliği, batarya sağlığı ve termal yönetimin ortak optimizasyonu gibi çok amaçlı uygulamalara yönelik şekilde çerçevenin genişletilmesi, yeni nesil elektrikli araç enerji yönetim sistemleri açısından bu çalışmanın önemini artıracaktır. Özetle, bu tez, makine öğrenimi uygulamalarının elektrikli araç güç aktarma organlarının enerji yönetimi ve uyarlanabilirliğini artırma potansiyelini ortaya koymaktadır. Önerilen YSA tabanlı çerçeve, sistem değişkenleri arasındaki karmaşık doğrusal olmayan ilişkileri etkin biçimde yakalamakta ve bu sayede farklı sürüş koşulları altında araç performansına ilişkin daha doğru tahminler yapılmasını mümkün kılmaktadır. Elde edilen sonuçlar, metodun daha basit doğrusal yöntemlere kıyasla avantajlarını vurgulamakta; daha iyi uyarlanabilirlik, hesaplama verimliliği ve gerçek zamanlı uygulamalara uygunluk gibi bakımlarda öne çıkmaktadır. Genel olarak, bu çalışma, elektrifikasyona dayalı ulaşım sistemlerinde verimlilik, güvenilirlik ve sürdürülebilirliğin artırılmasına yönelik araştırma ve kontrol stratejilerine katkı sağlayabilecek bir metodoloji ortaya koymaktadır.

Özet (Çeviri)

The accelerating transition toward sustainable passenger transportation and road logistics has been marked by a rapid increase in the adoption of electric vehicles across the globe. While passenger cars initially proved to be dominant in this trend, recent years have witnessed the electrification of commercial vehicles for both light and heavy duty operations, as well as electric buses and public transportation fleets. This trend reflects a broader transformation in mobility. The transition into electric drive is mostly motivated by environmental concerns, newer regulations, and the growing awareness towards energy efficiency and sustainability. On the other hand, the widespread deployment of electric road vehicles also presents new technical challenges where concerns related to energy efficiency and energy management are among the foremost. This setback underscores the importance of modeling efforts focused on energy efficiency, as they play a crucial role in optimizing the performance of electric road vehicles. The ability to model efficiency under real-world conditions directly influences fundamental concepts such as vehicle energy management, route optimization, and range estimation which are essential to build user confidence and maximize the benefits of electrification. Traditional approaches for efficiency modeling typically rely heavily on static efficiency maps or model based simulations. While these methods provide useful insights, they often tend to fall short when applied to dynamic operating conditions where different system parameters become variables. For example, efficiency maps are typically constructed from experimental measurements under steady-state conditions. However, this approach may not fully capture the complexities of transient driving or environmental variability. Similarly, a physics-based approach can easily become computationally expensive and is prone to lacking the flexibility to adapt to diverse vehicle configurations or battery chemistries. Moreover, their high computational demand and reliance on detailed parameterization make them less suitable for real-time implementation in embedded vehicle systems, since processing power and memory are limited. As a result, there is a need for more adaptable, data-driven methods that can provide reliable predictions in real time in order to support both research and practical vehicle control systems. This thesis addresses these challenges by developing a machine learning approach for powertrain efficiency prediction based on artificial neural networks (ANNs). The main idea is to leverage the ability of ANNs to capture nonlinear relationships among system variables in order to provide accurate efficiency estimation across a wide range of conditions. The model is trained on key input parameters that were systematically identified and evaluated for their contribution to EV efficiency, namely torque, rotational speed, battery temperature, and state of charge (SoC). These variables reflect the electromechanical loading of the motor and the electrochemical behavior of the battery and provide a comprehensive description of the factors most critical to efficiency. These state variables are normalized in order to ensure consistent scaling throughout the analysis and allow the network to learn effectively from diverse operating conditions without bias toward variables of larger magnitude. The normalized dataset is then used to train a feedforward ANN architecture, which is designed with a single hidden layer of neurons and activation functions chosen to strike a balance between model complexity and generalization capability. The training process is carried out using supervised learning with experimental and simulated datasets. The network iteratively adjusts its weights to minimize the error between predicted and actual efficiency values. The data is divided into training, validation, and test sets in order to ensure robustness, which also allows the assessment of generalization performance and reduces the risk of overfitting. Once trained, the ANN is integrated into a longitudinal vehicle model where it operates as a real-time efficiency estimator. In this framework, the trained ANN replaces traditional static maps by dynamically estimating efficiency based on real-time operating conditions. This integration of ANN allows for the evaluation of vehicle energy consumption in various drive cycles, which include both urban stop-and-go traffic and long-haul highway scenarios. This approach not only provides more realistic estimates of vehicle range and consumption but also makes it possible to comparatively analyse different routes, driving styles, and operating environments. The evaluation of the proposed ANN within the longitudinal vehicle model demonstrated clear improvements over the baseline linear fitting approach. The ANN reduced the mean squared prediction error of efficiency by approximately 95\% and enhanced the correlation coefficient by approximately 5\% across the operating points tested, and maintained stable accuracy under both urban and long-haul drive cycles. In particular, the model captured transient variations in speed and load that the linear method failed to represent, which enables applying more reliable energy analysis. These results confirm that the ANN framework not only improves accuracy, but also provides the computational efficiency required for practical deployment. The ANN shows a markedly improved ability to capture nonlinear relationships among torque, speed, SoC, and temperature when compared against a baseline linear fitting approach. This allows the model to adapt more effectively to variations in operating conditions such as speed fluctuations, load changes, and battery states. This performance demonstrates the suitability of the method for embedded vehicle control systems, enabling rapid and accurate energy assessment to support advanced functions such as predictive energy management and eco-routing. Overall, the contributions of this thesis lie in advancing the application of data-driven techniques to the modeling of EV efficiency. The study provides a scalable framework that can be adapted to different vehicle types and technologies by combining machine learning methods with system-level vehicle simulations. While the present study establishes a solid foundation for data-driven efficiency modeling, several aspects for future research remain. Expanding the input vector to include environmental variables such as road gradient, weather conditions, or traffic level could further improve robustness under diverse conditions. Similarly, extending the framework to multi-objective applications, such as joint optimization of efficiency, battery health, and thermal management, would enhance its relevance for next-generation electric vehicle energy management systems. In summary, this thesis demonstrates the potential of machine learning applications to enhance the energy management and adaptability of electric vehicle powertrains. The proposed ANN-based framework effectively captures complex nonlinear relationships among system variables, enabling more accurate predictions on vehicle performance under diverse driving conditions. The results highlight the advantages of data-driven approaches over simpler linear methods, offering improved adaptability, computational efficiency, and suitability for real-time implementation. Overall, this work establishes a scalable and robust methodology that can inform both research and practical strategies to improve efficiency, reliability, and sustainability in electrified transportation systems.

Benzer Tezler

  1. Tez No

    992577

    Gan güç transistörlerinin anahtar kayıplarının nöral ağ tabanlı modellenmesi

    Neural network based modeling of switching losses in gan power transistors

    ALİİMZA DAŞDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MEHMET ONUR GÜLBAHÇE

  2. Tez No

    951865

    Conditional generative adversarial network based room impulseresponse generator

    Koşullu çekişmeli ağ tabanlı oda yankı izi üreteci

    MEHMET PEKMEZCİ

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YAKUP GENÇ

  3. Tez No

    992261

    Konut projelerinde ön tasarım aşamasında kaba inşaat maliyetlerinin yapay sinir ağları ile tahmin edilmesi

    Estimation of rough construction costs in the preliminary design phase of residential projects using artificial neural networks

    BOĞAÇHAN ŞERBETCİOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    DOÇ. DR. FATMA PINAR ÇAKMAK

  4. Tez No

    993011

    Elektrikli araçlarda kullanilmak üzere lityum demir fosfat bataryalarin modellenmesi ve şarj durum tahmini

    Modeling and state of charge estimation of lithium iron phosphate batteries for use in electric vehicles

    HALİL AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FİKRET ÇALIŞKAN

  5. Tez No

    992243

    Yapay sinir ağları ile elektronik devre tasarım otomasyonu ve performans optimizasyonuna yönelik yeni yaklaşımlar

    Novel approaches to electronic circuit design automation and performance optimization using artificial neural networks

    FUNDA DAYLAK

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. İSMAİL SERDAR ÖZOĞUZ

Geri Dön