Derginin Tamamı

Aralık’18

Aralık'17 SaDyı/NeAucmrbeaerm:l2ıkbC’i1let/V8ro’l1um8e: 8 Yıl/Year. 2018

DDDeeeAcccereeammmlbıkbeb'r1ee’17rr8''1177 Temmuz’24 TTMMSMaMyOOıS/BaBNyEıuE/lNelmeYukYkbmıYtlıatrl/ea/rbiGYIykiYSerykeea:SıarnMıaN:n2Madzr2:Siü:rıSü1n/.İaC2hPa3haV20he04iEhoel209itKnlb4i/1n-ub5dVi8md5iios0ie7sl1l:elue1rm4riiOeO:dd8a7assıı EleSkotrriukTMmMİMblüuYOhrGaIaYSTeByaSaMnhaıOENnddizzlmMde:iiSııs1ankİalOİPe3tsşSahrB04ırEilAikeia9bKOM-Rdri5idıA5ünMa0haL7s1eüı nAdddüiısnrlüeari7 SIhoSloraurTYmuMmamİMublyuMlruOırnaSaYBYohhİaaOEdikzirzlmdeıaaıUİakrşkİLtesşSlrUeıilNAkearTMioMRAdrMieŞ:ıAünM1rühaLk0deüeündKzrdüaüiisrtlüe:3ri hEhEMtMIththtbptObplOtIaib:hpli/:iFYli/mml:üiF/lTaamI/Füi/haTYbaImTey/mahbesEuyklaebyRakesikKllesaly:s.leuKirKliesia:ımlT:selmlı:ıiTnlrm(:OiıTezeSmlı:mdn(mzll(eze3e(dıd3u(Solıl3r(ı3su3:İelKarİa1lr1kieos3sa:deKaedhn1(kir11ızeeSrn22rzky(y0n1ıaaaS2ar2agezlgy0ı2ola)d3l)g/eldı2iora-ni)d3l)/kr)kkkin1a@4eAe@4e)pAkeiy14Ao2@4Pe2py4Nro/2N2MnEn1rÖ4ek)agE5/2enA1rgMk)aod57kemkA1ig4KoN5re.km7n3R4a:iNarae2im7Tn.31eri3:oaoat2kr2e.Ü5Am3koök380arseoa5.21r:3raseoao7mŞı2C:k38raz1orm01Kı.38z2raz1r72o.e0.aa8ig7Ü2odo10o2Kdo1tr7.zK28rtrg7:.aKa2i8rg3goa.a2oa.ğ.tttr.tğ:t:trgrrı3:grt3ıt3.ılt.ııltrrırr EMO ÜE.yTeTeOOelekrykrhnilnunTaikeiemknkSpnEÖeaYidkrkIRaLiErtsDÜdeöızCiItrtRedöÜarrğıtılır sevDYgTeeiOe.rkkgrSiyeYinnelKaaulvTikoegcSmyiiokü@SıKnrnredYıeienkiTkImlnaLiüErcaDYoderıtü.aiIötotReöryrürrgın.tr 6 aydYaaybınir Tyüaryüınlanır Ele6kaYtreyikdrBSeMaaalTyüsSMfbıhaüm5eMiDrrn0eyüOAd50lzai0iBdes0Yyln0eeaıinrdiylaiOınndaırsı

YeBrBaŞeYausal ıySsbmıü5nmAar0reAtTa50lüT0li2dık0arY0ü0ea2r10yidh91ıni7i Ih6lamTaTMeyuSBBŞMlrdeaaSuaOfaooysBsbknbıa:ıEfmmAak+liaerH9Nrkt0atayAoDr(Til:a2kk3ı1dkakü1y0M0e2ı2ıKrzü)Ü1nd0iah4ehNl91tie2a:3L57nninÜdK3iıiı2szrlıel7a2ryi O//1dA3an7skıara

E-PHoastak5:Hhk0aaı0kÜkkiı.uNÜnNlLuL@ÜÜemo.org.tr IhIhlalThaeImhamlla:kmTuTMu(KkeEuSrK3MT-lrrıiePHBza.eSıS1OfozuSooıamoalsy2Bıknatonlsaaa:Ek)fkmı:k+yllkaemuahky94Nka/au0ıt@/ok2DArk(ziTk:ÜAkk315aiü1Nen0.M2uNN2nrKn0zü3)kmoialkhLh4uoe2a2te2@:aÜ:i4o35nn:re17dKra31.miaiı20osz2l0ıoel7a/r.2rKoyig1KOr//ga3.1ad.Att3ta7rnr7t:sk3:ıa3ra

Tel: (312) 425 32 72/137 [email protected]

Elektrik, Elektronik, Bilgisayar, Biyomedikal

The JEoleukrntraikl o, fEElelekctrtoricnaikl,,EBleilBgcitiorsomanyeicadsri,,cCBaiolyEmonpmguineteedreikarianngdl

The Journal of Electrical, Electronics, Computer and Biomedical Engineering erbest Çukurova Üniversitesi

PKroaÇfd.uiDrkuHr.raoTvsimaÜuÜnrniviAveeyrdrsseiiettreebmsseiiisrt

Prof. Dr. Ayhan Altıntaş Bilkent Üniversitesi

PPrPorroFfBo.fıi.rDflka.DreD.trn.CÜrAt.enÜEyninhrvÜghiaevniaznerihvsnrAeaistirAntlesteıiskntÖseiiıtnazstişürk

Prof. PDrro.fC. Dern.gEirzhhaannAÖkzıntürk

Prof. Dr. GüÜvÜnenivniveeÖrsristnietbesiisligin Ondokuz Mayıs Üniversitesi

PrPorfo. Df. rD. rG. üErvheannÖAnkbınilgin Ondokuz ÜMnaivyeısrsÜitneivsiersitesi

Prof. Dr. Arif Nacaroğlu GPParroozff.i.aDDnrr..teHGp.üAvÜletnaniyvÖeGnrüsbviitleegnsiniir

OndoBiklkueznMt aÜnyıisveÜrnsiivteesrisitesi

Prof. Dr. Özlem Özgün DoHPçrao. cfD.erD.trtİ.zezHpe.teAGlÜtöankyihvGaeünrsvÖieteznbsirilgin

DPorço.fP.DroDr.fr.İ.zDMzre.utMhGuitörtakitnhEaGynüöÖbkozmbğilelugnin MEF Üniversitesi

PProrof.f.DDr.r.MTuimrautrEAyyüdbeomğliur

TMMOB

UCTEA/ChambTeMr oMf OEleBctrical Engineers

UCTEA/Chamber of Electrical Engineers

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 2/129

EMO Bilimsel Dergi Danışma Kurulu

EMO BILIMSEL DERGI DANIŞMA KURULU

Prof. Dr. A. Hamit Serbest

Çukurova Üniversitesi

Prof. Dr. Altay Güvenir

Prof. Dr. Cengizhan Öztürk

Prof. Dr. Erhan Akın

Fırat Üniversitesi

Prof. Dr. Güven Önbilgin

Ondokuz Mayıs Üniversitesi

Prof. Dr. Murat Eyüboğlu

Prof. Dr. Ali Hikmet Doğru

Prof. Dr. Arif Nacaroğlu

Gaziantep Üniversitesi

Prof. Dr. Atilla Bir

Fatih Sultan Mehmet Vakıf Üniversitesi

Prof. Dr. Aydın Köksal

Bilişim A.Ş.

Prof. Dr. Aydoğan Özdemir

Prof. Dr. Ayşın Baytan Ertüzün

Prof. Dr. Belgin Türkay

Prof. Dr. Bülent Sankur

Prof. Dr. Cüneyt Güzeliş

Yaşar Üniversitesi

Prof. Dr. Erdal Panayırcı

Prof. Dr. Erkan Afacan

Prof. Dr. Ferit Acar Savacı

İzmir Yüksek Teknoloji Enstitüsü

Prof. Dr. H. Bülent Ertan

Prof. Dr. Haldun Karaca

Dokuz Eylül Üniversitesi

Prof. Dr. İbrahim Eksin

Prof. Dr. İnci Çilesiz

Prof. Dr. İrfan Karagöz

Prof. Dr. İsmail Hakkı Altaş

Prof. Dr. İsmail Hakkı Çavdar

Prof. Dr. Kemal Leblebicioğlu

Prof. Dr. Lale Tükenmez Ergene İstanbul Teknik Üniversitesi

Prof. Dr. Mithat İdemen

Okan Üniversitesi

Prof. Dr. Muhittin Gökmen

MEF Üniversitesi

Prof. Dr. Murat Aşkar

İzmir Ekonomi Üniversitesi

Prof. Dr. Müjde Güzelkaya

Prof. Dr. Osman Eroğul

Prof. Dr. Oya Kalıpsız

Yıldız Teknik Üniversitesi

Prof. Dr. Özlem Özgün

Hacettepe Üniversitesi

Prof. Dr. Sermin Onaygil

Prof. Dr. Tayfun Akgül

Doç. Dr. Ahmet Hasan Koltuksuz Yaşar Üniversitesi

Doç. Dr. Osman Abul

Bora Güngören

Portakal Teknoloji

Fikret Küçükdeveci Kardinero Medikal

Hasan Ali Pazar

Siemens

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 4/129

İÇİNDEKİLER / CONTENTS

7 Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi

Autonomous Battery Management System in Electric Vehicles Literature Review Metin Yılmaz, Eyüp Çinar, Ahmet Yazıcı

Geleceğin Harekât Ortamında Otonom Sürü SİHA Konseptlerinin Stratejik Önemi ve Kullanım Taktiklerinin Örnek Bir Senaryo Üzerinden İncelenmesi

Strategic Importance of Autonomous Swarm UCAV Concepts in the Future Operational Environment and Investigation of Tactics through a Sample Scenario Vural Avcı

Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi

A Study of Survival of Patients Diagnosed with Heart Failure Based on Different Sampling Techniques and Different Classifiers

Rukiye Uzun Arslan, İrem Şenyer Yapıcı

49 Classification of histopathological images using similarity-based learning Mahmut Kaya, Hasan Şakir Bilge

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması

Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

Deniz Taşımacılığı İzlemek için Sualtı Kablosuz Sensör Ağlarında Otonom Sualtı Aracı ile Dayanıklı ve Enerji Farkında Yol Planlama

Robust and Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Monitoring Maritime Transportation Ömer Melih Gül, Tayfun Acarer

Yapay Zekâ Tabanlı Hava Kalitesi İyileştirme Stratejilerinin Değerlendirilmesi Evaluation of Artificial Intelligence-Based Air Quality Improvement Strategies

Frekans Atlamalı Sinyallerin Tespiti ve Parametre Kestirimine Genel Bir Bakış: Son Gelişmeler ve Zorluklar

An Overview on Detection and Parameter Estimation of Frequency Hopping Signals: Recent Advances and Challenges Mutlu Aydın, Ali Kara

Cam İşletmesinde Enerji Verimlilik Potansiyeli ve İyileştirme Çalışmaları Energy Efficiency Potential Analysis and Improvement Studies in Glass Industry

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 6/129

Makale Türü: Derleme Makale Gönderim Tarihi: 18.01.2024

Makale Kabul Tarihi: 06.03.2024

Metin Yılmazͳǡʹǡ›ò’.‹ƒ”ͳǡʹǡAhmet Yazıcıͳǡʹ ͳBilgisayar Mühendisliğiڎòò Eskişehir Osmangazi Üniversitesi ͷͲ͵ͲʹͲʹͳͳͲͲͷ̷‘‰”‡…‹Ǥ‘‰—Ǥ‡†—Ǥ–”ǡ‡›—’…‹ƒ”̷‘‰—Ǥ‡†—Ǥ–”ǡƒ›ƒœ‹…‹̷‘‰—Ǥ‡†—Ǥ–”

2Center of Intelligent Systems Applications Research (CISAR) Eskişehir Osmangazi Üniversitesi

Özet Elektrikli araçlar hem dünya genelinde hem de ülkemizde giderek daha yaygın hale gelmektedir. Bu araçlarda, batarya en kritik bileşenlerdir. Akıllı bir batarya yönetim sistemi (Battery Management System - BMS) için doğru prognostik ve sağlık yönetimi (Prognostics and Health Management - PHM) büyük önem taşır. PHM ve BMS, elektrikli araçların güvenliği, verimliliği ve batarya ömrü açısından kritik bir rol oynamaktadır. Bu literatür incelemesi, elektrikli araçlar için PHM ve BMS konularının önemine vurgu yapmaktadır. Lityum-iyon (Li-ion) bataryaların hala en uygun seçeneklerden biridir, ancak batarya ömrü gibi bazı zorluklarla karşılaşılabilir. Bu nedenle, doğru batarya şarj durumu (State of Charge - SoC) ve bataryanın sağlık durumu (State of Health - SoH) tahminleriyle bir BMS, batarya ömrünü uzatmak ve güvenliği sağlamak için gereklidir. Bu çalışma, elektrikli araçlar için PHM ve BMS konularında gelecekteki araştırma gündemine yönelik analitik bir incelemedir. Batarya prognostiğinin önemine vurgu yapılarak, elektrikli araçların sağlıklı çalışması için daha fazla araştırmanın yapılması gerektiği vurgulanmaktadır.

Anahtar Kelimeler: Elektrikli Araç, Batarya Yönetim Sistemi, Batarya Sağlık Yönetimi, Prognostik ve Sağlık Yönetimi

Abstract Electric vehicles are becoming increasingly prevalent worldwide, including in our country. In these vehicles, batteries are the most critical components. Accurate Prognostics and Health Management (PHM) are of great importance for an intelligent Battery Management System (BMS). PHM and BMS play a critical role in the safety, efficiency, and battery life of electric vehicles. This literature review emphasizes the significance of PHM and BMS in the context of electric vehicles. Lithium-ion (Li-ion) batteries remain one of the most suitable options, despite facing challenges such as battery life. Therefore, a BMS with accurate State of Charge (SoC) and State of Health (SoH) estimations are necessary to extend battery life and ensure safety. This study presents an analytical review of PHM and BMS for future research agendas in electric vehicles, highlighting the importance of battery prognostics and emphasizing the need for further research to ensure the healthy operation of electric vehicles. Keywords: Electric Vehicle, Battery Management System, Battery Health Management, Prognostics and Health Management

Dünyada gün geçtikte yaygınlaşan elektrikli araçlar (EȌǡ ulusal elektrikli otomobil TOGG’un da piyasaya çıkmasıyla ülkemizde de yaygınlaşmaya başlamıştır. Bu araçların insan hayatına daha fazla girmesi ve kullanımlarının artmasıyla birlikte araçların izlenmesi, elektrikli araç özelindeki donanımsal aksamların güvenilirliği (reliability) ve prognostiği ȋ–ƒŠ‹Ȍde önem arz etmektedir. Benzinli araçlara göre farklı arıza modları ve prognostik ihtiyaçları olabilen elektrikli ƒ”ƒ­Žƒ”ǡ ‡ •‘ –‡‘Ž‘Œ‹ †—”— ‹œŽ‡‡ ˜‡ –ƒŠ‹Ž‡‡ metotlarının entegrasyonu ile zenginleştirilerek günlük hayattaki yerlerini almalıdırlar. Elektrik enerjisiyle çalışan araçlar, batarya tabanlı bir güç kaynağı kullanır. Bu araçlar arasında otonom araçlar ve robotlar gibi çeşitli teknol‘Œ‹ •‹•–‡Ž‡” „—Ž——”Ǥ ƒ–ƒ”›ƒ ‹­‡”‡Ž‡”‹ ‡†‡‹›Ž‡ǡ „— ƒ”ƒ­Žƒ” elektrikli araçlar sınıfına dahil edilebilmektedir.

Elektrikli araçların durum izleme ve prognostik (condition monitoring and prognostics) açıdan en kritik bileşeni batarya sistemleridir. Batarya teknolojisindeki gelişmeler, elektrikli araçların verimliliklerini de yönlendirmektedirȏͳȐǤ ‡”‹Ž‹Ž‹Ž‡”‹ ‡†‡‹›Ž‡ ‹Ǧ‹‘ „ƒ–ƒ”›ƒŽƒ”ǡ ̵Žƒ”†ƒ ‡‡”Œ‹ kaynağı olarak yaygın bir şekilde kullanıldığı bilinmektedir ȏʹȐǡ ȏ͵Ȑǡ ȏͶȐǤ — ‡†‡Ž‡ †‡ Š‡ ƒƒ†‡‹ Š‡ †‡ ‡†ò•–”‹›‡Ž ƒŽƒ†ƒ „ò›ò ‹Ž‰‹ ‰Ú”‡–‡†‹”Ǥ ‡†ò•–”‹•‹‹ †ƒŠƒ †ƒ gelişmesiyle birlikte, batarya performansı arızalarını mümkün olduğunca önlemek veya önceden uyarmak için EV bataryalarının teşhis ve sağlık yönetimi PHM sisteminin güvenilirliği işletmelerde fazlasıyla ilgi görmüştür ȏͷȐǡ ȏ͸ȐǤ Batarya PHM'si, bataryanın sağlık durumunun SoH doğru tahmin edilmesi ve kalan kullanım ömrünün ȋ‡ƒ‹‹‰•‡ˆ—Ž ‹ˆ‡ Ǧ Ȍ tahmini ile bataryanın güvenli ve verimli çalışmasının sağlanması için gereklidir ȏ͹ȐǤ

Elektrikli araçlarda akıllı bir batarya yönetim sistemi BMS için PHM gereklidir, çünkü güvenlik tehlikelerinden kaçınmak ve kullanım ömrünü uzatmak önemlidirȏͺȐǡȏͻȐ. Batarya SoH’ın doğru bir şekilde tahmin edilmesi ve RUL tahmini, batarya PHM'sinin iki önemli işlevidir. Bakım maliyetlerini en aza indirmek ve batarya ömrünü en üst düzeye çıkarmak, BMS'nin optimum çalışması için önemlidir ve güvenlik, verimlilik ve ‰ò˜enilirlik gibi faktörlere katkıda bulunmaktadır. LiǦ‹‘

7/129

bataryaların elektriksel performansı önemli ölçüde iyileşmiş ‘Ž•ƒ †ƒ eskimeyle birlikte kapasite düşüşlerinin üstesinden gelmek hala mümkün değildir ȏͶȐǤ

‹Ǧion bataryalar için etkili bir BMS kullanmak, bataryanın güvenli bir şekilde çalışmasını, fiziksel hasarın önlemesini ve termal bozulma ve hücre dengesizliği ile başa çıkmayı sağlar. BMS ayrıca, bataryanın farklı durumlarını ölçebilen ve değerlendirebilen, batarya şarj durumu SoC ve SoH doğruluğu için verileri kontrol eden ve güncelleyen, arızaları tespit eden, batarya voltajını eşitleyen ve aşırı şarj/aşırı deşarjı önleyen bir „ƒ–ƒ”›ƒ›Ú‡–‹•‹•–‡‹•—ƒ”ȏͳͲȐǤ

̵Žƒr için tekrarlanan şarj/deşarj işlemleriyle şarj kapasitesi azaldığından, batarya ömrü gibi hala çözülmesi gereken bazı zorluklar vardır. En dikkate değer olanı ise, SoC tahmini ve EV sürücülerinin batarya SoH durumudur. Doğru ‘ ˜‡ ‘ –ƒŠ‹Ž‡”‹›Ž‡ „‹” „ƒ–ƒ”›ƒ ›Ú‡–‹ •‹•–‡‹ǡ bataryadaki her bir hücrenin aşırı şarj olmasını veya aşırı deşarj olmasını önleyebilir ve tüm batarya ömrünü uzatabilir ȏͶȐ. Güvenlik tehlikelerinden kaçınmak ve kullanım ömrünü uzatmak için akıllı bir BMS için PHM gereklidir [6]. Batarya SoH ve RUL tahmini, bataryanın PHM'sinin iki önemli işlevidir ve bakım maliyetlerini en aza indirip, batarya ömrünü en üst düzeye çıkararak BMS'nin optimum çalışmasına katkıda „—Ž——” ȏ͹Ȑ. Sağlıklı durum, batarya sisteminin kararlılığını, güvenilirliğini, güvenliğini ve hatta tüm E̵›ı doğrudan ‡–‹Ž‡›‡„‹Ž‹”Ǥ

Bu çalışma, elektrikli araçlar için PHM ve BMS için analitik bir inceleme yaparak fırsat ve zorluklara bir giriş sunmakta ve batarya sağlığı yönetimi konusunda geleceğe yönelik bir araştırma gündemi sunmaktadır. İnceleme yayınında sunulan •‘”—Žƒ”Žƒ„‹”Ž‹te, daha fazla araştırma yapılması önemlidir.

Yayın dağılımı şu şekildedir, birinci bölümde elektrik araçlar prognostik ve batarya prognostiği ile ilgili literatür çalışmaları incelenmiştir. İkinci bölümde ise batarya sağlığıyla ‹Ž‰‹Ž‹ •‘”—Žƒ” ˜‡ œ‘”Ž—Žƒ”ǡ ò­ò…ò „ÚŽò†‡ „ƒ–ƒ”›ƒ ’”‘‰‘œ (öntanı) kavramları, dördüncü bölümde batarya yönetim sistemleri ve prognostik alanında yapılan çalışmalar, beşinde bölümde ise batarya alanında paylaşılan veri setleri karşılaştırmalı olarak gösterilmiştir. Son bölümde çalışmanın katkıları ve daha sonra yapılabile…‡ çalışmalar hakkında öneriler verilmiştir.

2 Elektrikli Araçlarda Prognostik ve Batarya Prognostiği

‹Ǧion bataryalar, elektrikli araçların enerji kaynağı olarak kullanılmaları için en uygun seçeneklerden biridir. Ancak, bu bataryaların ömrü sınırlıdır ve zamanla performansları azalmaktadır. Bu nedenle, batarya prognostiği elektrikli araçların sağlıklı çalışması için hayati öneme sahiptir. Batarya prognostiği, batarya ömrü, güvenilirliği ve performansını önceden tahmin etmek için kullanılan bir tekniktir. Bu teknik, bataryanın tam kapasiteye ulaşması, güvenli bir şekilde kullanılması ve araç sahiplerine uœ—˜ƒ†‡Ž‹ƒŽ‹›‡––ƒ•ƒ””—ˆ— sağlaması için gereklidir. Bu nedenle, elektrikli araçların yaygınlaşması ile birlikte batarya prognostiği konusu, araştırmacıların ve endüstrinin öncelikli konularından biri haline gelmiştir.

Bataryaların şarj profilleri ve zamanları elektrikli araçlar için oldukça önemlidir. Elektrikli araçlarda kullanılan LiǦ‹‘ bataryaların şarj edilmesi için üç farklı yöntem kullanılır [4]. ƒ„‹– ˜‘Ž–ƒŒ ›Ú–‡‹ ȋ‘•–ƒ– ‘Ž–ƒ‰‡ Ǧ CV), bataryanın şarj ‡†‹Žmesi için sabit bir voltaj kullanırken, sabit akım yöntemi

8/129

ȋ‘•–ƒ–—””‡–ǦCC), bataryanın şarj edilmesi için sabit bir akım kullanır ve bataryanın voltajı zamanla yükselir. Hızlı şarj yöntemi ise sabit akım ve sabit voltaj (Constant Current ‘•–ƒ–‘Ž–ƒ‰‡ǦȌ›Ú–‡Ž‡”‹‹„‹”‘„‹ƒ•›‘—†—” ve Şekil 1.'de gösterildiği gibi hızlı şarj prosedürü, özellikle zaman kazandıran özelliği nedeniyle LiǦ‹‘ „ƒ–ƒ”›ƒŽƒ” ‹­‹ yaygın olarak kullanılır ȏͶȐǤ

Şekil 1. Bir Li-ion batarya için sabit akım, sabit voltaj şarj profili

[4]. 2.1 Batarya Sağlığıyla İlgili Sorunlar ve Zorluklar Bataryalar için prognostik teknolojilerin geliştirilmesi ve uygulanması, bataryalarda meydana gelen elektrikǦ‹›ƒ•ƒŽ süreçlerin doğal karmaşıklığı nedeniyle zorlu ve karmaşıktır ȏͳͳȐ. Bu zorluklardan bazıları şunlardır: Batarya eskimesi sorunları: Yaşlanma süreçleri, elektrolit, anot ve katodun özelliklerinde ve bataryada kullanılan bileşenlerin yapısındaki geri dönüşü olmayan değişikliklerdir. Batarya eskime süreci iki kategoriye ayrılabilir; izlenmesi òò‘Žƒœƒƒiçinde kademeli bozulmayı içeren eskime süreçleri ve büyük bir sorun veya batarya performansında hızlı değişiklikler meydana gelene kadar herhangi bir özel modu veya gözlemlenebilir işareti olmayan eskime süreçleridir ȏͳʹȐǤ ‘œ—Žƒ ˆƒ–Ú”Ž‡”‹ǣ — ƒŽƒ†ƒ‹ ‘–‘‘–‹˜ uygulamalarındaki en önemli bozulma faktörleri; çevre sıcaklığı, boşaltma akımı oranı, şarj oranı (hızlı şarj), deşarj derinliği, tam şarj döngüleri arasındaki zaman aralıkları şekilde tanımlanabilir ȏͳ͵ȐǡȏͳͶȐǤ Batarya sağlığını izlemenin zorlukları: Batarya davranışını izlemenin en etkili ve basit yöntemi batarya voltajını, akımı, sıcaklığı ve bazı durumlarda basıncı gözlemlemeye dayanır ȏͳͷȐ. Bu değişkenlerden bazıları, cihazın ana işlevselliği kesintiye uğramadan batarya ile çalışırken ölçülebilir; buna ­‡˜”‹‹­‹ÚŽ­ò†‡‹”Ǥ Batarya sağlığını izlemek için özelliklerin değerlendirilmesi: Bir bataryadan elde edilen ham verilerden birçok özellik çıkarılabilir. En kullanışlı özellikler, batarya performansı sırasında göze çarpan eğilimleri temsil etmelidir ve bataryanın içindeki elektrokimyasal reaksiyonlara dayalı bozulmanın fiziksel nedenleriyle ilişkilendirilebilir ȏͳ͸ȐǤ PHM, arıza olaylarını belirlemek ve sistem riskini azaltmak için gerçek yaşam döngüsü koşulları altında bileşen veya sistem güvenilirliğini değerlendirmeye yönelik araç ve tekniklerden

oluşur ȏͳͳȐ. Batarya RUL'u, potansiyel batarya arıza süresi hakkında değerli bir tahmin sağlar. Bu, enerji depolama sistemlerinin güvenilirlik değerlendirmesi için önemlidir ȏ͹ȐǤ Bu nedenle, batarya SoH ve batarya RUL değerinin doğru tahmini, batarya çalışması için çok önemlidir.

2.2 Batarya Prognostik Kavramları Elektrikli araçların popülaritesindeki artış, bu araçların güç kaynaklarına olan bağımlılıklarından kaynaklanan yük artışıyla birlikte elektrik şebekelerini zorlayabilir. Bu nedenle, E̵Žarı güç kaynaklarını tamamlamanın yenilikçi yollarına ihtiyaç vardır. Ancak, LiǦion bataryalar, yüksek kapasitelerine rağmen güvenlik, dayanıklılık, tekdüzelik ve maliyetle ilgili sorunlar nedeniyle büyük seri/paralel bağlanma sayıları sınırlar. ƒ–ƒ”›ƒ ڏ”ònün hücre dengelemesi ile uzatılabileceği düşünülse de bunu gerçekleştirmek için zorluklarla karşılaşılmaktadır. Bu nedenle, LiǦion bataryaların güvenliği ve güvenilirliği, batarya sağlık sistemlerinin etkin kontrol ve yönetimini gerektirir. Çok sayıda araştırma, teknolojinin uygulamalarda hatalara neden olmaması ve başarısızlıklarının felaketlere yol açmaması için yapılır ȏͳ͹ȐǤ

BMS: Bir batarya takımının izlenmesi ve yönetimi için tasarlanmış, yazılım algoritmaları, sensörler, kontrolörler, iletişim ve hesaplama donanımının bir kombinasyonudur. BMS, bataryanın SoH, SoC ve RUL gibi bilgileri belirler. Ayrıca, bataryanın güvenli, verimli ve zararsız bir şekilde çalıştırılmasını sağlamak için çalışır ȏͳͺȐǡ ȏͳͻȐǤ ‹”­‘ ‡†ò•–”‹›‡Ž —›‰—Žƒƒ†ƒǡ ‹Ǧion bataryaları kullanan ana güç kaynakları için BMS'nin oldukça yararlı olduğu kanıtlanmıştır. ǡ„ƒ–ƒ”›ƒÚ”ò„‘›—…ƒ‘ǡ‘ǡ–ƒŠ‹Ž‡”‹‹‹œŽ‡”˜‡ gerçekleştirir. Bu nedenle, LiǦion bataryalar için BMS, bakım optimizasyonu desteği sağlamak için teşhis ve/veya prognostik temelinde bakım, lojistik ve sistem yapılandırma faaliyetlerini akıllıca gerçekleştirmeye yönelik bir karar sürecidir ȏʹͲȐ. Şekil ʹ'te gösterildiği gibi elektrikli araçlar için BMS oluşturmak için modüler bir yaklaşımın uygun olduğu görülmüştür ȏʹͳȐǤ‡”‹Ǧ ‹‘ „ƒ–ƒ”›ƒ ‘†òŽòǡ „‹” ‘†òŽ‡” ›Ú‡–‹ •‹•–‡‹ ȋ‘†—Žƒ” ƒƒ‰‡‡– ›•–‡ Ǧ MMS) tarafından kontrol edilir ve ›Ú‡–‹Ž‹”Ǥ ò ̵Ž‡” ‡”‡œ‹ „‹” ›Ú‡–‹ •‹•–‡‹ ȋ‡–”ƒŽ ƒƒ‰‡‡– ›•–‡ Ǧ CMS) tarafından kontrol edilir. BMS modülleri bağımsız bir modda çalıştığı için veri alışverişi gereklidir. BMS içinde veri alışverişi için kontrol edilebilir bir alıcıǦverici gereklidir. Bu mimari esnek, ölçeklenebilir ve yaygın olarak kabul görmüştür.

Şekil ʹǤƒ–ƒ”›ƒ›Ú‡–‹•‹•–‡‹‹‘†òŽ‡”‘•‡’–‹ Durum İzleme (Condition Monitoring ǦȌǣ‹”̵‹‹Ž ana görevi, batarya voltajı ve akımı, hücre voltajı, sıcaklık, yalıtım ve kilit (interlock) gibi bataryanın ölçülebilir durumlarını izlemektir ȏʹʹȐ. Batarya sağlık bilgileri, belirli profillerdeki cihazların sağlığını veya durumunu gösteren

Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi Autonomous Battery Management System in Electric Vehicles Literature Review

fiziksel parametreleri izleyen bir prosedür kullanılarak düzenli aralıklarla toplanır. Sıcaklık ve titreşim gibi hem dahili hem de harici parametreler bataryanın durumunu etkileyebilir. Literatür, titreşim yükünün ve sıcaklığın batarya performansını ‡–‹Ž‡›‡”‡ Šò…”‡ ƒ’ƒ•‹–‡•‹†‡ ڐ‡Ž‹ ƒœƒŽƒŽƒ”ƒ ˜‡ bozulmalara yol açtığını göstermektedir ȏʹ͵Ȑ. Aşırı voltaj veya aşırı ısınma gibi herhangi bir anormal durum tespit edilirse, BMS kullanıcıyı bilgilendirmeli ve önceden belirlenmiş bir düzeltici önlem almalıdır. Bu işlevlere ek olarak BMS, sistem sıcaklığını da izler ve daha iyi bir enerji tüketim s‹•–‡‹ sağlamak için bireysel bileşenler ve kullanıcılarla iletişim kurar ȏʹͶȐǤ

RUL: Bir bataryanın çalışma gereksinimlerini karşılayabileceği kalan süre veya şarj döngüsü sayısıdır ȏʹͷȐǡ ȏʹ͸Ȑ. RUL, azaltılmış maliyetler, geliştirilmiş doğruluk, güvenilirlik ve arızalardan kaçınma taleplerini karşılamak için araştırma ve üretim araçlarında BMS büyük önem vermiştir. RUL Eşitlik 1’deki gibi hesaplanabilir ȏʹͲȐǣ

???????????????????????????????????? = ???????????????????????? − ????????????????????????

—”ƒ†ƒ ˆ, bozulma tespit edildiğinde arıza süresinin rastgele bir değişkenidir ve T…, tahmin edilen sinyalin arıza süresini bir miktar geçtiği zamandır.

SoC: Kullanılabilir kapasiteyi temsil eder ve performansı optimize etmek ve batarya ömrünü uzatmak için karşılanması gereken en önemli koşullardan biridir ȏʹͷȐǤ

ƒ–ƒ”›ƒ ‘ǡ ƒ•‹— ƒ’ƒ•‹–‡‹ ›òœ†‡•‹ ‘Žƒ”ƒ ‹ˆƒ†‡ ‡†‹Ž‡ ‡˜…—– „ƒ–ƒ”›ƒ ƒ’ƒ•‹–‡•‹†‹”Ǥ ‘, çalışma akımı, sıcaklık ve voltaj gibi koşullara dayalı olarak tahmin edilir ȏʹ͹ȐǤ Batarya SoC, tam olarak şarj edildiğinde sahip olduğu enerjiye kıyasla bir hücrede kalan enerji miktarını tahmin eder ve kullanıcıya bir bataryanın şarj edilmesi gerekmeden önce ne kadar süre dayanacağına dair bir gösterge verir. SoC, zaman ‹­‹†‡ „ƒ–ƒ”ya kapasitesindeki değişikliği belirlemek için geçerli entegrasyon kullanılarak tipik olarak hesaplanır ve SoC basitçe Eşitlik 2’deki şekilde ifade edilir ȏͳͳȐǣ

????????????????????????????????????(????????????)

∫??????????????????0??????

????????????????????????(????????????)???????????????????????? ????????????0

100%

Burada, şarj akımı olarak I_b (t) ile tamamen boşalmış bir bataryaya iletilen şarj Q_0'ın t zamanındaki batarya kapasitesi olduğu şarj olarak ifade edilir.

SoH: Batarya RUL ile SoH arasında ayrım yapmak ڐ‡Ž‹†‹”Ǥ ƒ–ƒ”›ƒ ڏ”òǡ „ƒ–ƒ”›ƒ –‹’‹ǡ ƒŽœ‡‡•‹ ˜‡ „ƒ–ƒ”›ƒ üreticisinin destekleyebileceği döngülerin standart kullanımı ile tanımlanır. Kullanılmış bir bataryanın aynı türden yeni bir batarya ile karşılaştırıldığında beyan edilen performansını ve sağlık durumunu tanımlayan kavram, SoH olarak adlandırılır ȏͳͳȐ. Batarya performansının kademeli olarak bozulması, kapasiteyi azaltan ve kalan kullanım ömrünü kısaltan geri dönüşü olmayan kimyasal reaksiyonlardan kaynaklanır. Akım ve zamanı ölçerek bir SoC tanımlamak mümkün olsa da SoH için sabit bir tanım yoktur ve her üreticinin kendi tanımı vardır. SoH'yi belirlemek için bataryanın kapasite ve iç direnç gibi çeşitli özellikleri kullanılabilir. Ancak bu kesin bir ölçümden ziyade bir değerlendirme ve tahmindir ȏʹͺȐǤ ‘Ǣ ‡˜…—– gerçek kapasitenin nominal kapasiteye oranıdır. SoH Eşitlik 3’teki şekilde gösterilebilir ȏ͸Ȑǣ

???????????? 0

9/129

—”ƒ†ƒ – mevcut maksimum kullanılabilir kapasitedir ve Ͳ bataryanın çalışmaya başladığı andaki kapasiteyi temsil ‡†‡”Ǥ

Artımlı Kapasite (

…”‡‡–ƒŽ ƒ’ƒ…‹–› – IC): Şarj işlemi sırasında belirli bir voltaj adımı için kapasite artışı olarak tanımlanır ve Eşitlik 4’teki şekilde ifade edilirȏ͸Ȑǣ

????????????. ???????????????????????? ????????????????????????

Burada I şarj akımı, d– örnekleme zaman aralığı, d˜ ˜‘Ž–ƒŒ adımı olarak ifade edilir.

Ortalama Karekök Sapması (RootǦ‡ƒǦ“—ƒ”‡ ””‘” Ǧ RMSE): SoH tahmin sonuçlarının RMSE'si hedeflerden biri olarak belirlenmiştir. RMSE'nin ifadesi Eşitlik 5’teki şekilde ˜‡”‹Ž‹”ȏ͸Ȑǣ

√???1?????????

∑ (????????????????????????????????????

Ô???????????? )2

—”ƒ†ƒ ???????????????????????????????????? ˜‡ Ô????????????ǡ sırasıyla gerçek SoH ve tahmini SoH'dir; m doğrulama için eleman numarasıdır.

Açık devre voltajı (Open Circuit Voltage Ǧ OCV): Bir diğer SoC tahmin yöntemi, bataryanın OCV’sini ölçmektir. Bu, SoC ve OCV arasındaki statik ilişkiye dayanan basit bir yöntemdir ȏʹͳȐǤ Bununla birlikte, SoC ve OCV arasındaki ilişki batarya malzemeleri arasında değişiklik gösterdiğinden, bu yaklaşım belirli batarya türleri ile sınırlıdır ȏʹ͵Ȑ. Şekil ͵’te görülebileceği gibi, bataryanın histerezisi, batarya boşaldığında düşük OCV'ye ve batarya şarj edildiğinde yüksek OCV'ye neden olduğundan dikkate alınmalıdır ȏʹͻȐǤ

Şekil 3. LiFePO4 bazlı bataryaların her adımda çeşitli dinlenme sürelerinden sonra ölçülen akım yönüne bağlı OCV eğrileri [29]

2.3 Batarya Yönetim Sistemleri ve Prognostik Alanında Yapılan Çalışmalar

‹Ǧion bataryalar, yüksek verimlilik, daha düşük hacim, küçük ağırlık, sıcaklık hassasiyeti ve bakım gibi avantajlar ‡†‡‹›Ž‡ ——– ˜‡”‹…‹ –‡‘Ž‘Œ‹Ž‡”†‡ „‹”‹†‹” ȏ͵ͲȐǡ ȏ͵ͳȐǤ — bataryalar, taşınabilir elektronik cihazlar, elektrikli araçlar, havacılık sistemleri ve yenilenebilir enerji kaynakları için güç depolama gibi birçok uygulamada parlak bir geleceğe sahiptir ȏ͵ʹȐ. BMS, batarya ile elektrikli araçlar arasında bir bağlayıcı

10/129

görevi gördüğü için LiǦ‹‘ „ƒ–ƒ”›ƒŽƒ” ‹­‹ ̵— –ƒŠ‹‹†‡ ڐ‡Ž‹ „‹” ”‘Ž ‘›ƒ”Ǥ ̵‹ ƒƒ Š‡†‡ˆŽ‡”‹ǡ „ƒ–ƒ”›ƒ •‹•–‡‹ hasarını önlemek, batarya ömrünü tahmin etmek ve artırmak ve batarya sisteminin doğru ve güvenilir bir çalışma koşulunda tutmaktır ȏ͵͵Ȑ. BMS, yazılım algoritmaları ile sensörler, kontrolörler, iletişim ve hesaplama donanımının bir ‘„‹ƒ•›‘—†—”ȏ͵ͶȐǤ

Batarya yönetim sistemleri ve prognostiği için çeşitli yöntemler bulunmaktadır. Yük akımları, uç gerilimleri ve yüzey sıcaklıkları gibi ölçülebilir değişkenlere dayalı bu yöntemleri Şekil Ͷ’te gösterildiği gibi temel olarak aşağıdaki üç kategoride sınıflandırılabilir ȏ͹ȐǤ

WƌŽŐŶŽƐƚŝŬ zƂŶƚĞŵůĞƌ

ĞŶĞLJƐĞů zƂŶƚĞŵůĞƌ

Model Tabanlı Veriye Dayalı

Şekil 4. Prognostik yöntemler

Deneysel Yöntemler: Bu yöntemler, batarya ile çalışmanın tarihsel deneysel verilerine ve bataryanın bozulmasının ana nedenleri hakkındaki önceki bilgilere bağlıdır.

Model Tabanlı Yöntemler: Deneysel yöntemlerin dezavantajlarının üstesinden gelmek için, çeşitli çalışma koşullarını ve çeşitli batarya türlerini içeren batarya sağlığı teşhis yöntemlerine ihtiyaç vardır. Bu yöntemler, fiziksel veya ƒ–‡ƒ–‹•‡Ž ‘†‡ŽŽ‡” ‘Žuşturarak bataryanın bozulma dinamiklerini tanımlamaya ve batarya SoH'sini tahmin etmeye çalışır.

Veriye Dayalı Yöntemler: Ölçülen verilerden veya çıkarılan ڜ‡ŽŽ‹Ž‡”†‡ „ƒ–ƒ”›ƒ„‘œ—Žƒ†‹ƒ‹Ž‡”‹‹ ‘†‡ŽŽ‡‡‹­‹ bir başka çözümdür.

2.4 Model Tabanlı Yöntemler

Model tabanlı yöntemler, veriye dayalı yöntemlerden farklı ‘Žƒ”ƒ „‹” ‘†‡Ž ˜‡›ƒ ƒ–‡ƒ–‹•‡Ž „‹” ‰Ú•–‡”‹ —ŽŽƒƒ”ƒ sonuçlar üretirler. Bu algoritmaların avantajları şunlardır: ‡”‹Ž‡”‹„‘›—–—„ò›ò‘Ž•ƒ„‹Ž‡›ò•‡’‡”ˆ‘”ƒ••‡”‰‹Ž‡”Ž‡”Ǥ —ǡ „ò›ò ڎ­‡Ž‹ ’”‘„Ž‡Ž‡”‹ ­Úœ‡ ‹­‹ ‹†‡ƒŽ†‹”Ǥ ƒ–‡ƒ–‹•‡Ž „‹” ‘†‡Ž‡ †ƒ›ƒƒ”ƒ •‘—­Žƒ” ò”‡–‹”Ž‡”ǡ „— nedenle sonuçlar daha doğru ve tekrarlanabilir olabilir. Veriye dayalı yöntemlere göre daha az veri gerektirirler. Bu, küçük veri kümeleri ile çalışırken faydalıdır.

Model tabanlı yöntemlerin dezavantajları ise şunlardır: Veri dağılımındaki değişikliklere iyi uyum sağlayamaz. Modelin doğru çalışması için düzenli olarak kontrol edilmesi ve ayarlanması gerekebilir çünkü model dışında çıktıyı etkileyen anlık faktörlerin h‡’•‹‹ ƒ’•ƒ›ƒƒ›ƒ„‹Ž‹” ȋڔǣ ‘”–ƒ sıcaklığı, kimyasal bileşenlerin dinamiği vb.).

Model tabanlı yöntemlerde, araştırmacıların kendilerinin önerdiği özgün matematiksel modeller dışında en sık rastlanan model tabanlı yöntem KF ve EKF'dir. Plett ȏ͵ͷȐ çalışmasında, hibrit elektrikli araçlarda BMS için Genişletilmiş Kalman

‹Ž–”‡•‹ ȋš–‡†‡† ƒŽƒ ‹Ž–‡” Ǧ EKF) algoritması ile SoC tahmini yapmaktadır. Çalışma, BMS'nin batarya şarj durumu, anlık kullanılabilir güç, güç azalması ve kapasite azalması gibi sağlık durumu göstergesi olan parametreleri tahmin

Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi Autonomous Battery Management System in Electric Vehicles Literature Review

edebileceğini ve zamanla hücre özelliklerine uyum sağlayabileceğini belirtmektedir. Kalman Filtresi (Kalman

‹Ž–‡”Ǧ Ȍǡ‘’–‹—†—”—–ƒŠ‹…‹•‹‘Žƒ”ƒƒ„—Ž‡†‹Ž‹”˜‡ açıklanan varsayımlara sahip doğrusal bir sistem için kullanılır. Doğrusal olmayan durumlar için zaman değişkenli (timeǦ variant) bir yaklaşım kullanılarak sistem doğrusala yaklaştırılabilir. Yazarlar bu yaklaştırılan sistemi daha sonra KF’de kullanılarak, gerçek doğrusal olmayan sistemi EKF ile modellemişlerdir. Bu model Eşitlik 6 ve Eşitlik 7’de gösterilmiştir.

????????????????????????+1 = ????????????(????????????????????????, ????????????????????????) + ????????????????????????

???????????????????????? = ????????????(????????????????????????, ????????????????????????) + ????????????????????????

—”ƒ†ƒ ???????????????????????? ǡ ???????????? œƒƒ‹†‡•‹†‡‹ •‹•–‡ †—”— ˜‡–Ú”òò –‡•‹Ž‡†‡”˜‡̶†—”—†‡Ž‡‹̶˜‡›ƒ̶•ò”‡­†‡Ž‡‹̶‘Žƒ”ƒ

adlandırılır. Durum denklemi, sistem dinamiklerinin gelişimini

yakalar. Sistem kararlılığı, dinamik kontrol edilebilirliği ve

bozulmaya karşı hassasiyetǡ „— †‡Ž‡†‡ „‡Ž‹”Ž‡‡„‹Ž‹”Ǥ

‹•–‡‡„‹Ž‹‡˜‡„‡Ž‹”Ž‡›‹…‹„‹”‰‹”†‹‘Žƒ”ƒ????????????????????????ǡ˜‡”‹Ž‹”‡ǡ???????????????????????? stokastik bir “süreç gürültüsü” veya “bozukluk” olarak

adlandırılan, sistemin durumunu etkileyen bazı ölçülmemiş

‰‹”†‹Ž‡”‹‘†‡ŽŽ‡‡–‡†‹”ǤSistem çıktısı ???????????????????????? ‘Žƒ”ƒ„‡Ž‹”–‹Ž‹”˜‡ bu çıktı, durumların ve girdinin doğrusal bir kombinasyonu

olarak hesaplanır. Ancak, belleksiz bir sistem çıktısının

ölçümünü etkileyen unsurlar da vardır. Bu unsurlar, "sensör

gürültüsü" olarak adlandırılan ???????????????????????? tarafından modellenir. ????????????(????????????????????????, ????????????????????????) doğrusal olmayan bir durum geçiş fonksiyonu olarak tanımlanmakta ve ????????????(????????????????????????, ????????????????????????) doğrusal olmayan bir ölçüm fonksiyonu olarak belirtilmektedir. Doğrusal olmayan sistem,

her adımda, ????????????(????????????????????????, ????????????????????????) ˜‡ ????????????(????????????????????????, ????????????????????????) „‹”‹…‹ †‡”‡…‡†‡ „‹” Taylor serisi açılımı ile doğrusallaştırılır. ????????????(. , . ) ˜‡ ????????????(. , . ) ̵‹

tüm çalışma noktalarında (????????????????????????, ????????????????????????) –ò”‡˜Ž‡‡„‹Ž‡–‡†‹”Ǥ — açılımlar Eşitlik 8 ve Eşitlik 9’da gösterilmiştir.

????????????????????????(????????????????????????,????????????????????????) ????????????????????????

????????????????????????(????????????????????????,????????????????????????) ????????????????????????

ȋͺȌ

????????????????????????(????????????????????????,????????????????????????) ????????????????????????

ȋͻȌ

????????????????????????(????????????????????????,????????????????????????) ????????????????????????

| }

Eşitlik 8 ve 9 kullanılarak doğrusallaştırılmış sistem denklemleri Eşitlik 10 ve 11'deki gibi oluşturulabilir.

????????????????????????+1 ≈ ??????̂?????????????????????????????????????????? + ????????????(???̂?????????????????????, ????????????????????????) − ??????̂?????????????????????̂????????????????????? + ???????????????????????? ???????????????????????? ≈ ??????̂?????????????????????????????????????????? + ????????????(???̂?????????????????????, ????????????????????????) − ??????̂?????????????????????̂????????????????????? + ????????????????????????

ȋͳͲȌ ȋͳͳȌ

ǡ –‡‡Ž ‘Žƒ”ƒ •–ƒ†ƒ”– ̵›‡ çok benzer. Başlatma adımı aynı kalır. Her tekrarda bir tahmin ve bir düzeltme adımı gerçekleştirilir. EKF'de, mevcut durumu tahmin etmek için yayılma adımı, KF'nin doğrusal modelini kullanırken doğrusal olmayan modele uygulanır. Hata kovaryans yayılımı v‡ƒŽƒ kazanç denklemleri, KF ile aynıdır, ancak artık doğrusallaştırılmış ??????̂??????????????????ƒ–”‹•‹????????????????????????'nin yerini alır ve ??????̂??????????????????ƒ–”‹•‹†‡ ????????????????????????'nin yerini alır. Durum tahmini güncellemesi aynı şekilde yapılır, ancak ???̂????????????????????? = ????????????(???̂?????????????????????, ????????????????????????) olarak hesaplanır ve hata ‘˜ƒ”›ƒ• ‰ò…‡ŽŽ‡‡•‹ •ƒ†‡…‡ ???????????????????????? ›‡”‹‡ ??????̂??????????????????̵‹ kullanılmasıyla farklılık gösterir.

Š‡ ˜‡ ƒ”Ǥ ȏ͵͸Ȑ çalışmasında, bir LithiumǦ’‘Ž›‡” batarya şarj durumunun tahmini için sağlam bir kayan mod

‰ÚœŽ‡…‹•‹ȋ‘„—•–Ž‹†‹‰Ǧ‘†‡„•‡”˜‡”ǦRSMO) sunmuştur.

Bunun için, bir batarya eşdeğer devre modeli (Battery

“—‹˜ƒŽ‡– ‹”…—‹– ‘†‡Ž Ǧ BECM) oluşturmuşlardır ve BECM,

gerçek zamanlı olarak bir unutma faktörü özyinelemeli en

ò­ò ƒ”‡Ž‡” ȋ ‘”‰‡––‹‰Ǧ ƒ…–‘” ‡…—”•‹˜‡ ‡ƒ•– “—ƒ”‡• Ǧ

FFRLS) algoritması kullanılarak tanımlamışlardır. Deneyler,

elektrikli araç sürüş döngülerinde LithiumǦ’‘Ž›‡” „ƒ–ƒ”›ƒ

òœ‡”‹†‡

‰‡”çekleştirilerek

önerilen

yaklaşım

doğrulamışlardır.

‡ ˜‡ ƒ”Ǥ ȏ͵͹Ȑ çalışmasında, SoH tahminlerinin önemi

˜—”‰—Žƒ›ƒ”ƒǡ‹Ǧ‹‘„ƒ–ƒ”›ƒŽƒ”‹­‹„‹”­‘ÚŽ­‡Ž‹

ƒ—•••ò”‡…‹

”‡‰”‡•›‘ ȋ

ƒ—••‹ƒ ”‘…‡•• ‡‰”‡••‹‘ Ǧ

Ȍ ‘†‡ŽŽ‡‡

yöntemi önermişlerdir. Yöntem, dalgacık analizi yöntemi

—ŽŽƒƒ”ƒ ‘ œƒƒ •‡”‹Ž‡”‹†‡ ò”‡•‡Ž „‘œ—Žƒǡ ›‡”‡Ž

yenilenme ve dalgalanmaları ayrıştırmıştır. Zaman indeksinin

dahil edildiği GPR, çıkarılan küresel bozulma eğilimine uyması

için kullanılır ve gecikme vektörü girişi ile GPR, yerel

yenilenmeyi ve dalgalanmaları tahmin etmek için

tasarlanmıştır. Önerilen yöntem, LiǦion bataryaların bozulma

testinden elde edilen deneysel verilerle doğrulanmış ve hem bir

adım için SoH tahmin performansları değerlendirilmiştir.

Model tabanlı bir başka çalışmada Huang ve ark. ȏ͵ͺȐǡ‹Ǧ‹‘

bataryaların yaşam ömrü boyunca çevrimiçi, SoC ve SoH

tahminleri için bir model geliştirmiş ve modelin sağlamlığının

kanıtlandığı belirtmişlerdir. Pilin eskimesiyle birlikte gerilim

değiştiğinden, pilin SOC'sini belirlemek için tek bir voltaj değe”‹

›‡–‡”Ž‹†‹”Ǥ—‡†‡Ž‡ǡ„—ƒƒŽ‡ǡ˜‡‘†‡ŽŽ‡‡•‹‹­‹

birim zaman gerilim düşümü, ????????????′ olarak adlandırılan yeni bir

parametre önermektedir. Eşitlik 12’de bu parametre

‰Ú•–‡”‹Ž‡–‡†‹”Ǥ

????????????′

∆???????????? ∆????????????

,

????????????′ = ?????????1??? − ????????????2

ȋͳʹȌ

—”ƒ†ƒ ∆???????????? deşarj esnasındaki gerilim düşüşüdür. ∆???????????? ‹•‡

deşarj süresidir. Önerilen çalışma, boşaltma işlemindeki birim

zaman voltaj düşüşü olan yeni bir değişken tanımlamakta ve bu

değişkeni kullanan yeni bir model önermektedir. SoC,

değişkenin belirlenmemiş katsayısı ile doğrusal bir ilişki olarak

‹ˆƒ†‡ edilmiştir. SoH, SoC'nin bir fonksiyonu olan bir

modifikasyon faktörü ile değişken ile doğrusal olduğu

bulunmuştur. Test hücrelerinden veri regresyonu, katsayıların

değerlerini vermektedir. Bu türetilmiş model, bataryanın anlık

SoC ve SoH'sini aynı anda taŠ‹ ‡†‡„‹Ž‡–‡ ˜‡ ­‡˜”‹‹­‹

gerçek zamanlı uygulamalar için kullanılabilmektedir.

ˆƒ”‹ ˜‡ ›— ȏ͵ͻȐ çalışmasında, EV bataryasının SOH ve

SOC’unu hesaplama zorluğuna bir çözüm olarak Digital Twin

önerilmektedir. XGBoost modeli ve EKF kullanılarak bataryanın

durumu tahmin edilir. EKF ile bataryanın durumu belirlenir ve

bakım için önemli bilgiler sağlanır. Doğru SOC tahminiyle

bataryanın ömrü uzatılabilir.

ƒ‰˜‡ƒ”ǤȏͶͲȐçalışmasında, EA ve hibrit araçlar için SoC

tahmini için bir yöntem önerilmektedir. Batarya yaşlanmasıyla

‹Ž‰‹Ž‹ ‘Žƒ”ƒǡ ‡Ž‡–”‘‹›ƒ•ƒŽ ‡’‡†ƒ• •’‡–”‘•‘’‹•‹

(electrochemical impedance spectroscopy) tabanlı bir model

‰ò…‡ŽŽ‡‡•–”ƒ–‡Œ‹•‹‡–‡‰”‡‡†‹Žiş ve bu yöntem, SoC tahmin

doğruluğunu önemli ölçüde artırmaktadır, bu da şarj ve deşarj

koşullarında gerçek değerlere daha yakın tahminler

sağlamaktadır.

ƒŽ†ƒÓƒ ˜‡ ƒ”Ǥ ȏͶͳȐ çalışmasında, ‡Ž‡–”‹Ž‹ ƒ”ƒ­

teknolojisinin yaygın kullanımının önündeki engellerden biri

olan batarya bozulmasının doğru bir şekilde ele alınması

gerektiği vurgulanmaktadır. Ticari bir elektrikli araç

bataryasının döngü yaşlanması üzerine kurulan bir

11/129

matematiksel model geliştirilmiş ve sıcaklık ile ‡Ž‡–”‹ akımının hızıgibi faktörlerin batarya bozulmasında belirleyici olduğu bulunmuştur. .alışma, farklı sürüş koşullarının batarya bozulmasına etkisini analiz eden bir model uygulaması da sunmaktadır.

Bu çalışmada incelenen model tabanlı yöntemler genel olarak bakıldığında, ortak bir algoritma ya da modeli kullanmaktan ziyade çalışmalar özgün bir matematiksel model kullandığı gözlemlenmektedir (ƒ„Ž‘ͳȌǤ ƒ„Ž‘ͳ. İncelenen çalışmaların model tabanlı yönteme göre sınıflandırılması

ڐ–‡ ƒ–‡ƒ–‹•‡Ž‘†‡Ž Parçacık Filtresi ƒŽƒ ‹Ž–”‡•‹ ‡‰”‡•›‘‘†‡Ž‹ ƒ›‡•‘†‡Ž‹ ò…”‡ ƒ”‘†‡Ž‹ Olasılık Fonksiyon Teorisi .‘YŽ­‡Ž‹–”‘’‹ Doğrusal Tahmin Hata Modeli

2.5 Veriye dayalı yöntemler

Veriye dayalı yöntemlere bakıldığında ise, LiǦ‹‘ „ƒ–ƒ”›ƒ Šò…”‡Ž‡”‹‹‘˜‡–ƒŠ‹‡†‡„‹Ž‡ ‡œ˜ƒ‹˜‡ƒ”Ǥ ȏͶʹȐ çalışmasında, Uyarlanabilir Sinir Ağı (Adaptive Neural ‡–™‘”• Ǧ †Ȍ ˜‡ ‹‡‡” ƒŠ‹ ƒ–ƒ ڐ–‡‹ ȋ‹‡ƒ” ”‡†‹…–‹‘ ””‘” ‡–Š‘†• Ǧ ǦȌ ‘Žƒ òœ‡”‡ ‹‹ ‘†‡Ž ‹Ž‡ PHM geliştirmişlerdir. Çalışmada AdNN tekniği kullanılarak girdilerin ağırlıklarla çarpılması ve ardından matematiksel bir ˆ‘•‹›‘Žƒ Š‡•ƒ’Žƒƒ”ƒ ›ƒ’ƒ› Ú”‘— ƒ–‹˜ƒ•›‘— –‡•‹Ž edilmiştir. Yazarlar yapay sinir ağlarını, yapay nöronları birleştirerek girdiler ve çıktılar arasındaki ilişkileri bulmak için kullanmışlardır.

‘‰˜‡ƒ”Ǥȏ͹Ȑçalışmasında, Dinamik Bayes Ağı (Dynamic ƒ›‡•‹ƒ‡–™‘”ǦDBN) kullanılarak şarj işleminden çıkarılan özelliklere dayalı olarak bataryanın bozulma modellemesi ve sağlık tahmini için olasılıksal bir yöntem sunmaktadır. Bazı CC veya CV şarj bilgilerinin olmaması durumunda bataryanın bozulma dinamiklerini karakterize etmek için CC şarjının artımlı kapasite analizi ile CV şarjının zaman sabitini birleştiren toplu bir özellik geliştirilmiştir. Benzer şekilde Hu ve ark. ȏͺȐ çalışmasında, elektrikli araçlarda batarya SoH göstergesi ve ’”‘‰‘œ— ‹­‹ •‡›”‡ „ƒ›‡• –ƒŠ‹‹ ‘†‡ŽŽ‡‡ ȋ’ƒ”•‡ ƒ›‡•‹ƒ ”‡†‹…–‹˜‡ ‘†‡Ž‹‰ Ǧ Ȍ ‡–‘†‘Ž‘Œ‹•‹ kullanmışlardır. Yaklaşım, otomatik olarak seçilen az sayıda temel işlevi kullanarak doğru ˜‡ ‡•‡ –ƒŠ‹Ž‡” ›ƒ’ƒ doğrusal olmayan bir model çıkarmıştır.

Elektrikli araçlarda kullanılan bir LityumǦ ‡”Ǧ ‘•ˆƒ–ȋ Ȍ bataryasında RUL ve eskime hızını tahmin etmek için Hemdani ˜‡ƒ”Ǥ ȏͶ͵Ȑ çalışmasında, LevenbergǦƒ”“—ƒ”†–ǦGeri Yayılma Sinir Ağı (Propagation Neural Network Ǧ ǦBPNN) adlı bir AdNN algoritması kullanılmıştır. BPNN algoritması yaygın olarak kullanılan çok katmanlı sinir ağı öğrenme algoritması ve denetimli öğrenme yöntemidir. BPNN algoritmasının, nöronlar arasındaki gradyanın hesaplanması ile hata düzeltme yaparak tahmini çıktı ile istenen çıktı arasındaki farkı azalttığı ifade ‡†‹Ž‡–‡†‹”Ǥ ‡ ˜‡ ƒ”Ǥ ȏͶͶȐ çalışmasında, model ’ƒ”ƒ‡–”‡Ž‡”‹‹ ‡†‹ ‡†‹‡ ƒ›ƒ”Žƒƒ ˜‡ ‘ –ƒŠ‹‹ sağlamak için Kalman filtrelemeye dayalı bir yöntem önerilmişlerdir. Önerilen yöntemin performansı, iki dinamik deşarj profili ile çevrilen LiFeP04 bataryalarından toplanan ˜‡”‹Ž‡” kullanılarak gösterilmiştir. Yayan ve ark. ȏͶȐ

12/129

çalışmasında, batarya şarj işlemi sırasında toplanan veriler kullanılarak SoH (DurumǦ‘ˆǦ‡ƒŽ–ŠȌ –ƒŠ‹ ‡†‹Ž‡–‡†‹”Ǥ Çalışmada, hızlı şarj işlemi sırasında toplanan veriler kullanılarak bataryanın SoH'si tahmin edilmiş ve bunun için önerilen derin sinir ağı yapısı olarak LSTMǦ‹ (Bidirectional LSTM) kullanılmıştır. LSTM, Recurrent Neural Network (RNN)'ye benzer ancak geçmiş verileri daha etkili bir şekilde kullanabilen ve uzun süreli bağlantıları koruyabilen bir sinir ağıdır. — ڜ‡ŽŽ‹Ž‡”‹ •ƒ›‡•‹†‡ǡ œƒƒ •‡”‹Ž‡”‹†‡‹ ƒ›„‘Žƒ ‰”ƒ†›ƒ ’”‘„Ž‡‹ †‡ ­ÚœòŽ‡„‹Ž‹”Ǥ ǡ œƒƒ dilimleri arasındaki bağımsızlığı sağlayarak tahmin ve sınıflandırma işlemleri için ideal bir araçtır. Şekil ͷ̵–‡ǡ–‡•–˜‡”‹ setindeki her dizi için tahmin edilen ve gerçek SoH değerleri ve tahmin hatası gösterilmektedir. Çalışmasın RMSE değerleri ise eğitim verisetinde 2.9022, doğrulama verisetinde 5.4212 ve test veri setinde ise 5.501 olarak hesaplanmıştır. Yazarların önerdikleri yığınlı BiLSTM modeli ileri ve geri verilerin birleştirilmesini içeren bir eğitim sürecine sahiptir. Model, pillerin SoH'sini diğer tekrarlayan ağlardan veya tek yönlü LSTM modellerinden daha güvenilir bir şekilde tahmin etmede başarılıdır.

–א ˜‡ ƒ”Ǥ ȏͶͷȐ çalışmasında, bir lityum demir fosfat ȋ‹ ‡ͶȌ „ƒ–ƒ”›ƒ Šò…”‡•‹‹ ‘̵•‹‹ –ƒŠ‹ ‡–‡ ‹­‹ otomatik öğrenme aracı olarak destek vektör makinesi ȋ—’’‘”– ‡…–‘” ƒ…Š‹‡ Ǧ SVM) kullanmışlardır. SVM, sınıflandırma ve regresyon problemleri için kullanılan „‹”†‹œ‹ ilgili denetimli öğrenme yöntemidir. SVM öncelikle sınıflandırma problemlerini çözmek için tasarlanmıştır, ancak daha sonra Support Vector Regression (SVR) adı verilen bir yöntemle regresyon problemlerini çözmek için genişletilmiştir ȏͶ͸ȐǤ

Şekil ͷǤ‹—ŽŽƒƒ”ƒƒ›ƒ˜‡ƒ”ǤȏͶȐ‘–ƒŠ‹‹ Farklı döngü sayıları altında batarya terminali voltaj eğrilerinin analizi ile LiǦ‹‘„ƒ–ƒ”›ƒ–ƒŠ‹‹‹­‹—˜‡ƒ”Ǥ ȏʹ͸Ȑçalışmasında ileri beslemeli sinir ağı (Feed Forward Neural ‡–™‘”ǦFFNN) kullanmışlardır. FFNN, istatistiksel modelde yaygın olarak kullanılan bir makine öğrenme yöntemidir ve doğrusal olmayan simülasyon yeteneği nedeniyle tercih edilir. Çalışmada, 3 katmanlı (giriş, gizli ve çıkış) bir FFNN önerilmiştir ve ağ parametreleri eğitim sürecinden

belirlendiğinde batarya çevrim ömrünün tahmin etmek için kullanılmıştır.

Šƒ‰ ȏͶ͹Ȑ ise çalışmasında, bir LiǦ‹‘ „ƒ–ƒ”›ƒ ’ƒ‡–‹ kullanarak, bataryanın şarj veya deşarj sürecindeki yerel voltaj değişimini ve kapasite değişimini SoH indeksleri olarak kullanarak, SoH'yi tahmin etmek için bir yöntem sunmuştur. ڐ–‡ǡ„‹”’ƒ”–‹òŽˆ‹Ž–”‡•‹‡ȋƒ”–‹…Ž‡ ‹Ž–‡”–PF) dayalı RUL tahmini gerçekleştirir. PF olasılık dağılımı bilinmeyen ve ölçümlerden gelen gürültülü verilere dayalı olarak bir sistemin durumunu tahmin etmek için kullanılan bir filtreleme algoritmasıdır. PF, LiǦ‹‘ „ƒ–ƒ”›ƒ ڏ”ò –ƒŠ‹ninde yaygın olarak kullanılmaktadır. Song ve ark. ȏͶͺȐ çalışmasında,‹Ǧ‹‘ bataryalar için doğruluk düzeltmeli XGBoost algoritmasına dayalı SoH tahmin yöntemi önermişlerdir. XGBoost modeli, eğri uydurma (overǦfitting) sorununu etkili bir şekilde ڐŽ‡›‡„‹Ž‡ ‹Ǧ‹‘ „ƒ–ƒ”›ƒ†ƒ ‘ –ƒŠ‹ ‡–‡ ‹­‹ kullanılmıştır. Yazarlar ayrıca XGBoost modelinin, random ˆ‘”‡•–ǡ Ǧ‡ƒ”‡•– ‡‹‰Š„‘” ȋȌǡ ǡ Ž‹‡‡” ”‡‰”‡•›‘ yöntemleri ile karşılaştırmış ve tahmin doğruluğunu Markov zinciri ile düzeltmişlerdir.

—˜‡ƒ”Ǥȏ͸Ȑçalışmasında, yeni bir özellik seçme yöntemi önermektedir. Yöntem, gerçek elektrikli araç verilerine dayalı ‘Žƒ”ƒǡ ȋ‹ˆˆ‹…—Ž–› ‘ˆ ‡ƒ–—”‡ …“—‹•‹–‹‘Ȍ ‘Žƒ”ƒ adlandırılan bir özellik edinme zorluğu kullanılarak ve parçacık •ò”ò•ò ‘’–‹‹œƒ•›‘— ȋƒ”–‹…Ž‡ ™ƒ” ’–‹‹œƒ–‹‘ Ǧ Ȍ algoritması kullanılarak optimize edilmektedir. Sırt (ridge) regresyonu kullanılarak seçilen özelliklerle SoH arasındaki ilişki modellemekte ve doğru özelliklerin belirlenmesine yardımcı olmaktadır. Doğru seçilmiş özellikler v‡Ž‹‡‡”‘†‡Ž birleştirilerek güvenilir bir SoH tahmini yapılabilmektedir. Gerçek bir elektrikli araçtaki üçlü batarya üzerinde çalışan ‘‰ ˜‡ ƒ”Ǥ ȏͶͻȐ, Çin Elektrikli Araçlar için Ulusal İzleme ve Yönetim Platformundan geçmiş çalışma verilerini türeten gerçek senaryo tabanlı bir termal kaçak tahmini sunmaktadır. Çalışma, batarya arızalarının teşhisi için değiştirilmiş çok ڎ­‡Ž‹ ‡–”‘’‹ ȋ‘†‹ˆ‹‡† —Ž–‹•…ƒŽ‡ –”‘’› – Ȍ yönteminin kullanmıştır. MMSE, örnek entropisine dayalı olarak hesaplanır ve genellikle teşhis işlemlerinde kullanılmaktadır. Örnek entropisi, zaman serisinin karmaşıklığını ölçebilmektedir. Ayrıca, gerçek araç kazası òœ‡”‹†‡ „ƒ–ƒ”›ƒ durumlarının değerlendirilmesi ve batarya termal kaçaklarına karşı koruma sağlanması için çok düzeyli anormal katsayılar belirlemeyi de ele almaktadır.

Elektrikli araç kullanımı için küresel batarya performanslarının gerçek zamanlı tahmini için Barr´ ve ark. ȏͷͲȐ çalışmasında, performans düzeyine göre batarya sinyallerinin davranışındaki değişikliklere dayalı bir model oluşturulmuşlardır. Sunulan yöntem, gerçek zamanlı batarya performanslarının tahminini mümkün kılmak için batarya sinyallerinin davranışındaki değişikliklere dayalı bir model oluşturmaktadır. Bu model, gerçek kullanımlarda belirli hızlanma profillerine karşılık gelen batarya sinyallerinin seçilmesinden oluşmuştur. Daha sonra, her bir SoH özelliği için batarya davranışını belirlemek üzere bu voltaj ve akım modelleri kullanılmıştır. İncelenen örüntüler, sinyal işleme teknikleri kullanılarak karşılaştırmış ve batarya performansının tahmin edilmesi için istatistiksel öğrenme yöntemleri uygulanmıştır.

‘”‰‡ ˜‡ ƒ”Ǥ ȏͷͳȐ çalışmasında ise, yaşlanma verilerine uygulanan makine öğrenimi regresyon yöntemlerini kullanarak ‹Ǧion bataryaların RUL tahmini yapmışlardır. Yapay sinir ağları ile yaşlanma verilerinin temsilinin nasıl oluşturulacağı araştırılmış ve tahmin performansları elde edilmiştir. Çalışma, düşük hesaplamalı yaklaşımları kullanarak veri kümesinde ilk çalışma olduğu belirtilmiştir.

Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi Autonomous Battery Management System in Electric Vehicles Literature Review

‘ƒ ˜‡ ƒ”Ǥ ȏͷʹȐ çalışmasında, batarya kapasitesinin tahmin edilmesi için yeni makine öğrenimi algoritmaları ve belirsizlik ölçülmesi için metrikler tanımlamışlardır. Çalışma batarya sağlığı ve belirsizlik yönetimi akışı (Battery Health and …‡”–ƒ‹–› ƒƒ‰‡‡– ‹’‡Ž‹‡ Ǧ BHUMP) adlı yeni bir makine öğrenimi algoritması önermektedir. Bu algoritma, batarya SoH'sinin ve belirsizliğinin gerçek zamanlı tahminini yapabilen bir veri işleme yöntemi kullanmaktadır. BHUMP, çeşitli batarya tasarımları ve kimyaları üzerinde test edilmiş ve herhangi bir hücre kimyasına ve çalışma koşuluna —›ƒ”Žƒƒ„‹Ž‡ǡ ڎ­‡Ž‡‡„‹Ž‹” „‹” ‘ –ƒŠ‹‹ ‘Žƒ”ƒ sunulmuştur. Geliştirilen algoritma, bataryaların içsel bozulmasını yakalayabilen bir dizi mühendislik özelliği kullanarak ve batarya performansını iyileştirdiği, hücre ömrünü uzattığı gözlemlenmiştir.

ƒ‹˜‡ƒ”Ǥȏͷ͵Ȑçalışmasında, batarya SoC tahmin edilmesi için regresyon modelleri kullanarak voltaj aralığının seçimini, bataryanın CCǦCV şarjı ve sağlık faktörünü kullanarak gerçekleştirmişlerdir. Sağlık parametresinin çıkarılması ve regresyon modeli yardımıyla SoH ile sağlık parametresi arasında doğrusal bir ilişki açıklanmıştır. Şekil ͸ǡ‘–ƒŠ‹‹ için geliştirdikleri akış şemasını göstermektedir ȏͷ͵ȐǤŠƒ‰˜‡ ƒ”Ǥ ‹•‡ ȏͷͶȐ çalışmasında, batarya hücresi SoH'sini tahmin etmek için çarpışma deformasyon özellikleri kullanarak bir yöntem önermektedir. Yeni batarya hücreleri çarpışma etkilerinin araştırılması için test edilmiş ve deforme olmuş Šò…”‡Ž‡”‹ Šƒ•ƒ” ƒ”ƒ–‡”‹œƒ•›‘— ‰‡rçekleştirilerek sınıflandırılmıştır. Deformasyona uğramış batarya hücrelerinin sınıflandırılması için, 3D tarama yöntemiyle bozulma verileri elde edilmiş ve ardından bu 3D görüntü örneklerinden geometrik özellikler türetilerek örüntü tanıma yapay sinir ağı tabanlı bir yöntem kullanılmıştır.

Şekil ͸ǤSoH tahmini için akış şeması Deneysel veriler kullanılarak Liu ve ark. ȏͷͷȐçalışmasında, ‹Ǧion bataryaların ömür özellikleri analiz etmişlerdir. Bataryaların ömrü, döngü sayısıyla değişir ve batarya kapasitesi, deşarj verimliliği, enerji verimliliği, iç direnç ve batarya ömrü ile diğer parametrelerdeki değişiklikler incelemiştir. Çalışmada, SoH'yi tahmin etmek için voltaj eğrisi uydurma yöntemi kullanılmıştır. ƒ‰ ˜‡ ƒ”Ǥ ȏͷ͸Ȑ çalışmasında, Peukert Yasası'na dayalı dinamik bir batarya SoH tahmin yöntemi önermişlerdir. Önerilen yöntem, kapasite kaybını Peukert katsayısı ile

13/129

ilişkilendirilmiş ve bozulma tutarsızlığını ortadan kaldırmıştır. Çoklu deşarj testi ile Peukert katsayısı hesaplanarake batarya sağlığı tahmin edilmiştir.

–”‘‡˜‡…ŠƒŽ–œ ȏͷ͹Ȑçalışmasında, artımlı kapasite analizi ȋ

…”‡‡–ƒŽ ƒ’ƒ…‹–› ƒŽ›•‹• Ǧ ICA) tekniğinin LMO/NMC ȋ‹ʹͶȀ‹‹‘ʹ) tabanlı E‹Ǧion bataryaların kapasite azalmasını ve SoH'sini tahmin etmek için kullanmışlardır. ICA tekniği kullanılarak elde edilen artımlı kapasite değerlerinden birine karşılık gelen voltaj değerleri, bataryanın kapasite kaybı ile ilişkilendirilmiştir. Chowdhur› ˜‡ ƒ”Ǥ ȏͷͺȐ çalışmasında, seri olarak bağlanan LiǦ‹‘ „ƒ–ƒ”›ƒ Šò…”‡Ž‡”‹‹ ‘̵•‹‹ dengelemek için DC/DC dönüştürücüler aracılığıyla bağlanan batarya hücreleri için basitleştirilmiş bir SoH dengeleme topolojisi önermişlerdir. Yöntem, tek tek hücrelerin kontrolünü „‹rleştirerek, sistemdeki en düşük SoH batarya hücresiyle birleştirerek, genel batarya ünitesinin SoH'sini arttırdığı ve bataryanın değiştirme maliyetlerini azalttığı gözlemlenmiştir. ƒ‰ ˜‡ ƒ”Ǥ ȏͷͻȐ çalışmasında, (hibrit) elektrikli araçlar için kurşun asitli batarya SoC tahmini sorununu ele almaktadır. Bu sorun, sürücü ve otomatik enerji yönetimi için doğru bir şekilde kalan batarya kapasitesini tahmin etmekle ilgilidir. Çalışma, sorunun tanımını, m‡˜…—–­Úœò›Ú–‡Ž‡”‹‹ǡ›‡‹„‹”­Úœò yöntemi önerisini ve bu yöntemin performansının deneysel ƒƒŽ‹œ‹‹‹­‡”‡–‡†‹”Ǥ

Š‘— ˜‡ ƒ”Ǥ ȏ͸ͲȐ çalışmasında, BMS ve bulut büyük veri platformunun birleşiminin mimarisini önermektedir. Ortalama voltaj düşüşü (Mean Voltage Falloff – Ȍ ڎ­òŽ‡”‹ kullanılarak bir kapasite ve MVF regresyon modeli kurulmuştur. Kapasite ve MVF, bulut büyük veri platform—ƒ yüklenmiş ve MVF'nin ortalaması ve varyansı tahmin edilmiştir, böylece LiǦion batarya sağlık durumuna ilişkin aralık tahmini ve kalan faydalı ömrün belirlenmesi için olasılık yoğunluk fonksiyonu tahmini gerçekleştirilmiştir. Çalışma NASA batarya yaşlaƒ˜‡”‹•‡–‹ȏ͸ͳȐile test edilmiştir.

— ˜‡ ƒ”Ǥ ȏ͸ʹȐ çalışmasında, LiǦion bataryaların çok tipli arıza teşhisinde kullanılabilecek bir araçǦbulut işbirlikçi yöntemini tanıtmaktadır. İlk olarak, normal ve arızalı batarya modüllerinin şarjǦdeşarj koşulları simüle edilerek batarya •‹•–‡‹‹ •‹òŽƒ•›‘ ‘†‡Ž‹ ‘luşturulmuştur. Hücre farkı modeli kullanılarak araç tarafındaki özellik farklılıkları çıkartılmış ve karar ağacı sınıflandırıcısı eğitilerek gerçek zamanlı takip için muhakeme eşikleri belirlenmiştir. Batarya sistemleri için farklı arızaların simülasyon †‡‡›Ž‡”‹ •‘—…—†ƒǡ „ƒ–ƒ”›ƒ •‹•–‡Ž‡”‹ •‹òŽƒ•›‘ ‘†‡Ž‹ ȋƒ––‡”› ›•–‡‹—Žƒ–‹‘ ‘†‡Ž Ǧ BSSM) oluşturulmuştur. Bu model hem normal batarya modüllerinin hem de arızalı batarya modüllerinin şarjǦdeşarj durumlarını simüle etmek için kullanılmaktadır.

ƒ‰˜‡ƒ”Ǥȏ͸͵Ȑ çalışmasında, derin öğrenme yöntemleri kullanılarak batarya bozulma özellikleri elde edilmiş ve bataryanın kalan kullanım ömrü tahmini üzerinde deneysel sonuçlar gösterilmiştir. NASA ȏ͸ͳȐ ˜‡ šˆ‘”† ȏ͸ͶȐ „ƒ–ƒ”›ƒ bozulma veri kümeleri kullanılarak doğrulanan bir yöntem, sunulan modelin, RMSE'nin %1'den az olduğu durumlarda SoH tahmin doğruluğu ve genelliği sağladığını göstermektedir.

— ˜‡ ƒ”Ǥ ȏ͸ͷȐ çalışmasında, BMS çevrimiçi verilere dayanan çoklu bireysel algoritmaları önermektedir. Çalışma, ortak kapasite tahmini için indüklenmiş sıralı ağırlıklı ortalama ȋ

†—…‡† ”†‡”‡† ‡‹‰Š–‡† ˜‡”ƒ‰‡ Ǧ

Ȍ ‘’‡”ƒ–Ú”òò tanıtmaktadır. Ayrıca, genetik algoritmƒ ȋ

‡‡–‹… Ž‰‘”‹–Š Ǧ GA) tarafından optimize edilen sinir ağının çalışması, BMS'den tarihsel durum mesajı ile güçlü sağlamlık ve doğru tahmin için büyük veri platformuna yüklenmiştir. Çalışma NASA batarya yaşlanma veri seti ȏ͸ͳȐ ile test edilmiştir. Ayrıca Chehade ve —••‡‹ ȏ͸͸Ȑ çalışmasında, LiǦ‹‘ „ƒ–ƒ”›ƒ Šò…”‡Ž‡”‹‹

14/129

kapasitesini tahmin etmek için bir yöntem önermişlerdir. Yöntem, bir Gauss Süreç Regresyon modelini kullanmaktadır. Önerilen yöntem, yüksek tahmin doğruluğu ve sağlamlığın yanı sıra, farklı batarya hücreleri arasındaki kapasite eğilimlerini ilişkilendirme yeteneğine sahiptir. Farklı batarya hücrelerinin çoklu kapasite eğilimlerini işbirlikçi bir şekilde modellemek için İşbirlikçi Gauss süreci regresyonu (Collaborative Gaussian ’”‘…‡•• ”‡‰”‡••‹‘ Ǧ

Ȍ ‘Žƒ”ƒ ƒ†Žƒndırılan, kovaryans işlevine sahip çok çıkışlı bir Gauss süreci önerilmiştir. Çalışma NASA batarya yaşlanma veri seti ȏ͸ͳȐile test edilmiştir.

ƒ‰ ˜‡ ƒ”Ǥ ȏ͸͹Ȑ çalışmasında, gelecekteki batarya yönetim sistemleri için bulut işbirliği ve dijital ikiz teknolojisi önermişlerdir. Batarya yönetimi için bulut tarafı iş birliğinin dört katmanlı ağ bağlantılı mimarisi sunulmuştur. Bataryanın dijital ikiz modeli oluşturulmuş ve batarya tüm yaşam döngüleri boyunca hassas ve güvenli bir şekilde yönetilmesi sağlanmıştır. Eksik veri problemlerini çözmek için, bir tahmin modeli tasarlanmıştır. Model, eksikliği sorununun üstesinden gelmek için işbirlikçi özellik çıkarıcı kullanılmış ve karmaşıklık sorunları için artırılmış gizli katmana sahip bir sinir ağı kullanılmıştır. Berghout ve ark. ȏ͸ͺȐ çalışmasında, NASA „ƒ–ƒ”›ƒ ˜‡”‹ •‡–‹‹ ȏ͸ͳȐ kullanarak, doğrusal regresyon ‘†‡ŽŽ‡”‹ǡ †‡•–‡ ˜‡–Ú” ƒ‹‡•‹ǡ

ƒ—•• •ò”‡­ ”‡‰”‡•›‘—ǡ aşırı öğrenme makinesi ve yapay sinir ağları yöntemleri incelemişlerdir. Çalışmada, batarya ömrü döngülerinin bozulma modelleri ve etiketlerinin eksikliği problemler‹‡ odaklanılmıştır.

Ayrıca BMS ve prognostik alanında yapılan gözden geçirme çalışmaları da mevcuttur. ‡œ˜ƒ‹œƒ‹ƒ‹˜‡ƒ”Ǥ ȏͳͶȐǡƒ”‹„ƒ ˜‡ ƒ”Ǥ ȏʹͲȐ çalışmalarında, batarya PHM tekniklerinin ‹…‡Ž‡‡•‹‹ •—ƒ”ƒǡ „ƒ–ƒ”›ƒ ò”‡–‹…‹Ž‡”‹ǡ ‘–‘‘„‹Ž tasarımcıları ve elektrikli araç sürücüleri için bu alandaki temel ihtiyaçlara odaklanmaktadır. Literatürün analitik bir incelemesini yapan çalışmalarda, BMS fırsat ve zorluklarına giriş yapılmaktadır. Ayrıca, batarya sağlığı yönetimi konusunda geleceğe yönelik araştırma gündemi sunulmakta ve bu inceleme çalışmalarında ortaya konulan sorunlarla birlikte daha fazla araştırma yapmanın önemine dikkat çekilmektedir. MS’inde akım, voltaj ve sıcaklık gibi doğrudan bataryadan ölçülebilen değişkenler, SoC'nin doğru bir tahminini sağlamak için kullanılabilir. Şekil ͹, bazı örneklerle SoC teknikleri sınıflandırmasının özetini göstermektedir ȏ͸ͻȐǡȏ͹ͲȐǤ

Şekil ͹ǤÚ‡Ž‹‘–ƒŠ‹›Ú–‡Ž‡”‹

ƒ”ƒŠ ˜‡ ƒ”Ǥ ȏʹͺȐ çalışmasında, kapsamlı literatür

çalışmaları yürüterek bataryaların SoH tahmini için modellerin

ve yöntemlerin ilerlemesi, zorlukları, endişeleri ve fütüristik

yönleri hakkında bilgi sunmaktadır. SoH tahmini için yöntemler

˜‡ ‘†‡ŽŽ‡”ǡ ƒ˜ƒ–ƒŒ ˜‡ †‡œƒ˜ƒ–ajları ile sistematik olarak

Tablo 2’de özetlenmiştir. Ayrıca, Roscher ve Sauer ȏʹͳȐ‹Ǧ‹‘

„ƒ–ƒ”›ƒ ›Ú‡–‹ •‹•–‡Ž‡”‹‹ „‹” ‹…‡Ž‡‡•‹‹ ›ƒ’ƒ”ƒǡ „‹”

‹­‹†‡‹ ƒƒ ڎ­ò ’ƒ”ƒ‡–”‡Ž‡”‹ǡ †—”— –ƒŠ‹

yöntemleri, hücre eşitleme sorunları, termal yönetim

stratejileri ve araştırma eğilimleri ve ilerlemeleri dahil olmak

òœ‡”‡–‡‡Ž—•—”Žƒrı ve zorlukları önerilerle tartışmaktadır.

ƒ„Ž‘ ʹǤ ‹Ǧion pilin sağlık durumu tahmini için çeşitli

›Ú–‡Ž‡”‹‹…‡ŽƒƒŽ‹œ‹

ò”

‡”­‡ ƒŠ‹‹ ƒŠ‹‹

Šƒ–ƒ

†‡‡›•‡Ž yaklaşık yaklaşık

‘—Ž‘„

‘†‡Ž ͸͵Ǥͺͷ ͸ͻǤ͹ͺ δͳͲ

Sayımı

Ž‡–”‘‹›ƒ• ‘†‡Ž ͺͷ

ͺ͸Ǥʹ͹ δʹǤͳ

ƒŽ’‡†ƒ• Tabanlı

’‡–”‘•‘’‹•‹

Sinir Ağı

‡”‹›‡ ͺʹ

ͺʹǤ͵

δͲǤͷ

‡•–‡‡–Ú” ‡”‹›‡ ͸ͲǤ͵ͷ ͷͻǤͳͻ δʹ

ƒ‹‡•‹

ƒŽƒ ‹Ž–”‡•‹ ‘†‡Ž ͺͶǤ͵͸ ͺ͸Ǥͷ͹ ≤5

ƒ›ƒ‘†

‘†‡Ž ͻͲǤͳ͵ ͻͲǤʹ͸ δʹǤͷ

ڜŽ‡…‹•‹

Bulanık Mantık ‡”‹›‡ ͺͺ

ͻͳǤ͸ʹ ͳǤͶ–ͻǤʹ

ƒ „ƒ–ƒ”›ƒ ‘ –ƒŠ‹ ›Ú–‡Ž‡”‹‹ „‹” ‹…‡Ž‡‡•‹‹

›ƒ’ƒ ‘—”ƒ ˜‡ ƒ”Ǥ ȏ͹ͳȐ çalışmasında, ana avantajlarını ve

gerçek zamanlı otomotiv uyumluluğu ve özellikle hibrit elektrik

uygulamaları açısından sınırlamalarına işaret etmektedir.

Çalışmada gerçek zamanlı fizibilitesini ve doğruluğunu

göstermek için model tabanlı uyarlamalı fil–”‡Ž‡‡ —ŽŽƒƒ

çevrimiçi ve yerleşik bir SoH tahmin yönteminin deneysel

doğrulaması yapılmaktadır.

Bataryaların sağlık durumu ve şarj durumunu tahmin

etmek, günümüzde batarya verilerinin daha fazla kullanılabilir

hale gelmesi ve bilgi işlem gücü yeteneklerinin geliştirilmesi

sayesinde, veriye dayalı yaklaşımların, özellikle makine

öğrenimi yöntemlerinin ’‘’òŽ‡” ŠƒŽ‡ ‰‡Ž‡•‹‡ ‡†‡

olmuştur. Xiong ve ark. ȏ͹ʹȐ çalışmasında, bu iki yaklaşımı

karşılaştırmak amacıyla; ileri beslemeli sinir ağları, tekrarlayan

sinir ağları, destek vektör ƒ‹‡Ž‡”‹ǡ”ƒ†›ƒŽ–‡‡Žˆ‘•‹›‘Žƒ”

ve Hamming ağları gibi makine öğrenimi yöntemlerine

†ƒ›ƒƒ „ƒ–ƒ”›ƒ †—”—— –ƒŠ‹ ›Ú–‡Ž‡”‹‹ „‹”

incelemesini sunmuşlardır. İnceleme, yöntemler arasındaki

karşılaştırmaları yaparak, bataryaların şarj durumu ve sağlı

†—”—— –ƒŠ‹‹ için makine öğrenimi yaklaşımlarını

açıklamıştır. Bu karşılaştırmalar, veri kalitesi, girdiler ve

çıktılar, test koşulları, batarya türleri ve belirtilen doğruluk

açısından yapılmıştır.

Bataryaların şarj durumunu tahmin etmek için kullanılan

tahmin yöntemleri ve algoritmaları ayrı ayrı ele alan bir başka

‹…‡Ž‡‡ ‹‘‰ ˜‡ ƒ”Ǥ ȏ͹͵Ȑǡ Šò…”‡ ƒ’ƒ•‹–‡•‹ǡ †‹”‡­ ˜‡

voltajdaki tutarsızlıkların mevcut olduğu batarya takımları için

gelişmiş karakterize edici seçimi ve sapma düzeltme

yöntemlerini tarif etmektedir. İnceleme, batarya şarj

durumunun doğru tahmini için temel geri bildirim faktörŽ‡”‹‹

†‡ •—ƒ” ˜‡ „ƒ–ƒ”›ƒ ›Ú‡–‹ •‹•–‡Ž‡”‹ ˜‡ ‡‡”Œ‹ ›Ú‡–‹‹ stratejileri için uygun bir yöntemin seçilmesine yardımcı olmaktadır. Son olarak, inceleme, elektrikli araçlar ve batarya enerji depolama sistemleri için akıllı batarya yönetim •‹•–‡Ž‡”‹‹geliştirilmesi için olası öneriler sunarak, bir dizi temel faktör ve zorluğu da vurgulamaktadır.

‹Ǧion bataryaların güvenli ve güvenilir çalışması, BMS tarafından sağlanabilmektedir. Bu sistem, batarya SoC'sini değerlendirebilen ve aşırı şarj/aşırı deşarjdan koruyan stratejiler uygulayarak bataryanın kalan kullanılabilir ‡‡”Œ‹•‹‹ „‡Ž‹”Ž‡›‡„‹Ž‡–‡†‹”Ǥ ‘̵‹ ­‘ ڐ‡Ž‹ „‹” parametre olduğu için, mevcut LiǦion bataryaların SoC'lerinin şarj/deşarj kabiliyetleri, E̵Žarın güvenli ve verimli çalışmasına katkı sağlamaktadır. Bu nedenle, BMS'nin geliştirilmesi ve yeni ‡•‹Ž uygulamalarında SoC tahmini için olası önerilerle birlikte birçok faktörü ve zorluğu vurgulayan inceleme Hannan ˜‡ƒ”ǤȏͳͲȐǡ‰‡Ž‡…‡–‡‹›ò•‡–‡‘Ž‘Œ‹uygulamaları için gelişmiş SoC tahmin yöntemlerinin ve LiǦion bataryaların enerji yönetim sistemlerinin geliştirilmesine çalışmaları göstermiştir.

ƒ‘ ˜‡ ƒ”Ǥ ȏ͹ͶȐ çalışmasında SoH'nin bozulma mekanizması ve ana tanımları, literatürler özetlenerek açıklamışlardır. Çalışmada SoH tahmini ve tahmin yöntemleri, model tabanlı yöntemler, veriye dayalı yöntemler ve füzyon teknolojisi yöntemleri tartışılmıştır. Mevcut ana akım SoH tahmin ve tahmin yöntemlerinin avantajları ve dezavantajları özetlenmiştir. Yazarlar, bulut platformu ve diğer teknolojilerle birleştirilen yenilikçi özellik çıkarma ve çoklu algoritma bağlantısının, sağlık durumu tahmini ve LiǦ‹‘ „ƒ–ƒ”›ƒ ’‡”ˆ‘”ƒnsının geliştirilmesinde önemli bir rol oynadığını „‡Ž‹”–‡–‡†‹”Ǥ

„†‡ŽƒƒŽ ˜‡ ƒ”Ǥ ȏ͹ͷȐ çalışmasında, EA çekiş sistemi için Bulanık Mantık kullanarak, batarya enerji yönetimi tekniği sunmaktadır. Önerilen teknik, endirekt alan odaklı indüksiyon ‘–‘”— –ƒŠ”‹ •‹•–‡‹‹ †òœ‡Ž‡‡›‹ ƒƒ­Žƒƒ–ƒ ˜‡ Ž‹Ǧ‹‘ batarya bankasının şarj durumu azalmasını ve sağlık durumu bozulmasını en aza indirmektedir. Ayrıca sürüş profilleri veya yol bilgisi gerektirmeden çalışır ve batarya ömrünü uzatmaya yardımcı olur. Gerçek zamanlı bir prototip EV çekiş sistemi üzerinde yapılan deneyler, önerilen tekniklerin gelen‡•‡Ž yöntemlere kıyasla batarya SOC'unda daha az azalma ve SOH bozulması sağladığını göstermektedir.

‘‰˜‡ƒ”Ǥȏ͹͸Ȑçalışmasında, EA bataryaları için gerçek zamanlı bir arıza teşhis ve izolasyon şeması sunar. Yüksek frekanslı Ayrık dalgacık ayrışımı (Discrete wavelet decomposition) kullanılarak erken arıza sinyallerinin özellikleri çıkarılır ve termal kaçış öncesinde bƒ–ƒ”›ƒ arızalarını doğru bir şekilde tespit edip izole eder. Önerilen yöntemin güvenilirliği ve stabilitesi gerçek araç işletme verileri üzerinde doğrulanmıştır. Bu, sürücüleri ve yolcuları gerçek dünya araç işletmesinde korur.

‹ ˜‡ ƒ”Ǥ ȏ͹͹Ȑ çalışmasında, elektrikli araç bataryalarının güvenliği için önemli olan bir batarya arıza teşhis yöntemi sunmaktadır. Bu yöntem, LSTM ve eşdeğer devre modelinin (Equivalent Circuit Model) birleşimini kullanarak, batarya arızalarını doğru bir şekilde tespit etmekte ve termal kaçış gibi ciddi olayları önceden tahmin etmektedir. Çin'deki bir araç izleme merkezinden elde edilen gerçek işletme verileri, yöntemin etkinliğini doğrulamaktadır.

Bu çalışma karşılaşılan veriye dayalı yöntemlerde ise en sık gözlemlenen algoritma Destek Vektör Makineleri olmuştur ȋƒ„Ž‘͵ȌǤ

15/129

ƒ„Ž‘ ͵. İncelenen çalışmaların veriye dayalı yönteme göre

‡•–‡‡–Ú”ƒ‹‡•‹

İleri Beslemeli Yapay Sinir Ağı

Uyarlamalı Yapay Sinir Ağı

ƒ•‰‡Ž‡”ƒ

‡‰”‡•›‘‘†‡Ž‹ Radyal Tabanlı Fonksiyon Ağı

‡‡–‹Ž‰‘”‹–ƒŽƒ”

Ȁ.‡˜‹”‹…‹

Anahtarlı Kapasite Peukerts Kuralı

‘‘•–

Artırımlıƒ’ƒ•‹–‡ƒŽ‹œ‹ ”‘™ƒ”‡‡–‹

ǦEn yakın Komşular

Tekrarlamalı Yapay Sinir Ağı

Tablo 4 ve Tablo 5, incelenen çalışmaların yıllara ve

†‡”‰‹Ž‡”‡ ‰Ú”‡ dağılımlarını göstermektedir. 2001 ile 2023

arasında incelenen çalışmalara odaklandığımızda, IEEE komitesindeki dergi ve konferanslarda yayınlanan çalışmaların batarya alanındaki araştırmalar için oldukça popüler olduğunu

gözlemliyoruz. Yıllara göre yapıla„‹”‹…‡Ž‡‡ǡ•‘†Ú‡†‡

yapılan çalışmaların (44 adet) eski çalışmalara göre (35 adet)

daha yüksek bir yoğunlukta olduğunu ortaya koymaktadır.

ƒ„Ž‘ Ͷ. İncelenen çalışmaların yayınlanan yıllara ‰Ú”‡

Yayın Yılı

Daha Eski

ƒ„Ž‘ ͷ. İncelenen çalışmaların yayınlanan †‡”‰‹Ž‡”‡ ‰Ú”‡ sınıflandırılması

Dergi Adı

IEEE Dergi ve Konferansları

Journal of Power Sources

Energies

Renewable and Sustainable Energy 3

Reviews

World Electric Vehicle Journal

Applied Energy

Electronics

Journal of Energy Storage

DİĞER

16/129

2.6 Literatürde Kullanılan Veri Setleri

Batarya özellikleri ve performansı üzerine yapılan çalışmalarda kullanılan veri setleri literatürde sıkça karşılaşılmaktadır. Şekil ͺ’†‡‰‡‡Ž„‹”„ƒ–ƒ”›ƒ–‡•–•‹•–‡‹„Ž‘ diyagramı ‰Ú”òŽ‡–‡†‹” ȏ͹ͺȐ. Bu çalışmada incelenen literatürde en yayın olarak kullanılan NASA batarya veri setidir ȏ͸ͳȐ. Bu veri setinin için kullanılan test tezgâhı özellikleri:

• ‹›ƒ•ƒ†ƒ„—Ž—ƒ‹Ǧion 18650 boyutlu şarj edilebilir ’‹ŽŽ‡”ǡ ȋͳͺǦ͸ͷǦͲǡ ͳͺ  ­ƒ’ǡ ͸ͷ  —œ—Ž— ˜‡ Ͳ •‹Ž‹†‹”‹’‹ŽȌ

• Programlanabilir 4 kanallı DC elektronik yük, • Programlanabilir 4 kanallı DC güç kaynağı, • Voltmetre, ampermetre ve termokupl sensör takımı, • Özel ÇBS ekipmanları, • Çeşitli çalışma koşulları empoze etmek için çevre odası, • PXI kasa tabanlı DAQ ve deney kontrolü

Şekil ͺ. Batarya test sistemi blok diyagramı Bu çalışmalarda kullanılan „ƒ–ƒ”›ƒ ˜‡”‹ •‡–Ž‡”‹ ƒ„Ž‘ ͸’†ƒ özetlenmiştir. Veri setleri, bataryaların farklı özellikleri ve performanslarına göre farklılık göstermektedir. Bazı veri setleri, bataryaların ömrü ve yaşlanması hakkında bilgi sağlamak amacıyla tasarlanmışken, bazıları bataryaların kapasitesi ve enerji yoğunluğu gibi performans özellikleri hakkında bilgi vermektedir. — ˜‡”‹ •‡–Ž‡”‹ǡ „ƒ–ƒ”›ƒ ›Ú‡–‹ sistemleri ve batarya prognostik uygulamaları gibi batarya teknolojisi ile ilgili birçok alanda kullanılmaktadır. İnternette açık kullanıma sunulan aşağıdaki veri setleri bataryaların özellikleri ve performansı hakkında daha kapsamlı bir anlayış sağlamak için araştırmalarda yaygın olarak kullanılmaktadır. Aşağıdaki tabloda "gr", "grafit, "Cal", takvim yaşlanmasını, "Chrg" şarj protokolü ve "Dhrg" deşarjını, "E", "enerji" anlamına gelmektedir. “IR” iç direnci ve empedansı belirtir.

Autonomous Battery Management System in Electric Vehicles Literature Review Metin Yılmaz, Eyüp Çinar, Ahmet Yazıcı

ƒ„Ž‘͸. Literatürde yaygın olarak kullanılan veri setleri

‡”‹•‡–‹

ƒ–ƒ”›ƒŠò…”‡•‹

ȏ͸ͳȐǡȏ͹ͻȐ

ͳͺ͸ͷͲʹŠ

ͳͺ͸ͷͲʹǤʹŠ ’”‹•ƒ–‹…ͳǤͳŠ ’”‹•ƒ–‹…ͳǤ͵ͷŠ

’‘—…ŠͳǤͷŠ

ͳͺ͸ͷͲͳǤͳŠ Ȁ‰”

ƒ†‹ƒȏͺʹȐ

ͳͺ͸ͷͲ—Ž–‹’Ž‡•

Test değişkenleri Veri içeriği Hücre sayısı

ǡ ͵Ͷ

ǡ ʹͺ

Š”‰ǡŠ”‰

ǡ ͳͷ

ǡ ͳʹ

ͳ͸

ǡ ͳʹͶ

ʹ͵͵

Š”‰ǡǡ

ͺ͸

šˆ‘”†ȏ͸ͶȐ

ͳͺ͸ͷͲ͵ŠȀ‰”

Š”‰ǡƒŽ

ʹͺ

ȏͺ͵Ȑ

ͳͺ͸ͷͲʹǤͺŠǦȀ‰” –

ͳͷ

‡”‡Ž‡›ȏͺͶȐ

ͳͺ͸ͷͲʹǤ͸ŠȀ‰”

ͳ

Xi’an Jiaotong ȏͺͷȐ

’‘—…Šʹ͹ŠȀ‰”

–

ʹ

ͳͷŠ —–‘‘–‹˜‡‹Ǧ‹‘‡ŽŽ•ƒ‰‡ȏͺ͸Ȑ

‡ȏͺ͹Ȑ ›…Ž‡‹ˆ‡”‡†‹…–‹‘ȏͺͺȐ

Ǧ ͳǤͳŠ

–ƒˆ‘”†ȏͺͻȐ

ͶǤͺͷŠǦȀ‰”

Š”‰ǡŠ”‰ǡ Š”‰ǡŠ”‰ǡ Š”‰ Š”‰

ͳ͵ͷ Ǧ

ƒ•–ǦŠƒ”‰‹‰ȏͻͲȐ

›–Š‡–‹…ȏͻͳȐ

ƒƒ•‘‹…ȏͻʹȐ

ͳǤͳŠ Ȁ‰” ͳǤͳŠ Ȁ‰” ͳͺ͸ͷͲʹǤͻŠ Ȁ‰”

3 Sonuçlar ve Öneriler

Bu çalışma, elektrikli araçlarda akıllı bir batarya yönetim sistemi için doğru prognostik ve sağlık yönetimi konusunda literatür incelemesi yapmıştır. Bu inceleme, elektrikli araçlarda akıllı batarya yönetim sistemlerinin önemini vurgulamakta ve bu alanda çalışma yapmayı düşünenaraştırmacılar ve endüstri uzmanları için sağlam bir başlangıç noktası sağlamayı amaçlamaktadır.

Mevcut çalışmalar, doğru batarya SoC ve batarya SoH tahminlerinin, batarya ömrünün uzatılması ve güvenliğin sağlanması açısından kritik olduğunu göstermektedir. Elektrikli ƒ”ƒ­ –‡‘Ž‘Œ‹•‹†‡‹ ‹Ž‡”Ž‡‡Ž‡”Ž‡ „‹”Ž‹–‡ǡ „ƒ–ƒ”›ƒ ›Ú‡–‹ sistemlerinin doğruluğu ve güvenilirliği, araç performansı ve sürüş güvenliği açısından giderek daha büyük önem kazanmaktadır. Bu nedenle, gelecekteki araştırmaların bu alanda daha fazla odaklanması ve batarya yönetim sistemlerinin daha da iyileştirilmesi gerekmektedir. Bu bağŽƒ†ƒǡ „— çalışmanın sağladığı literatür özeti ve vurguladığı kritik noktalar, ileriki araştırmalar için önemli bir kılavuz niteliği taşımaktadır.

Š”‰ Š”‰ Š”‰

ǡ Ͷͺ

ǡ Ǧ

Ancak, bu alanda hala bazı açık problemler bulunmaktadır. Gelecekteki araştırmalar, elektrikli araçların batarya yönetim sistemlerini daha da geliştirmek için aşağıdaki konulara ‘†ƒŽƒƒ„‹Ž‹”ǣ

ƒ–ƒ”›ƒ ‘†‡ŽŽ‡”‹ ˜‡ ”‘‰‘•–‹ ڐ–‡Ž‡”‹ǣ ƒ–ƒ”›ƒ davranışını daha doğru bir şekilde modelleyen ve tahmin eden yeni batarya modelleri ve prognostik yöntemlerin geliştirilmesi önemlidir. Bu, bataryanın gerçek zamanlı performansının daha ‹›‹‹œŽ‡‡•‹‹˜‡tahmin edilmesini sağlayacaktır.

Veri Analitiği ve Büyük Veri: Elektrikli araçlar, büyük miktarda veri üreten bir ortam oluşturur. Bu verilerin etkili bir şekilde analiz edilmesi ve kullanılması, batarya sağlık durumunun daha iyi anlaşılmasına ve gelecekteki arıza veya sorunların öncedentahmin edilmesine yardımcı olacaktır.

Optimum Şarj ve Boşaltma Stratejileri: Batarya ömrünü uzatmak için optimize edilmiş şarj ve boşaltma stratejilerinin geliştirilmesi önemlidir. Bu stratejiler, bataryanın performansını artırmak ve enerji verimliliğini optimize etmek ‹­‹bataryanın çalışma koşullarını en uygun şekilde belirlemeyi Š‡†‡ˆŽ‡‡Ž‹†‹”Ǥ

17/129

EM O Bilimsel Dergi 2024 Cilt:14 Sayı: 2

‡‹ ƒŽœ‡‡Ž‡” ˜‡ ‡‘Ž‘Œ‹Ž‡”ǣ ƒ–ƒ”›ƒ –‡‘Ž‘Œ‹Ž‡”‹ sürekli olarak gelişmektedir. Gelecekteki araştırmalar, bataryaların enerji yoğunluğunu artıran ve maliyetleri düşüren yeni malzemelerin ve teknolojilerin keşfine odaklanabilir.

—ڐ‡”‹Ž‡”ǡ‡Ž‡–”‹Ž‹ƒ”ƒ­Žƒ”‹­‹†ƒŠƒ‰ò˜‡Ž‹ǡ†ƒŠƒ˜‡”‹Ž‹ ve daha dayanıklı batarya yönetim sistemlerinin geliştirilmesine katkıda bulunacaktır.

Etik kurul onayı ve çıkar çatışması beyanı

Hazırlanan makalede etik kurul izni alınmasına gerek yoktur. Hazırlanan makalede herhangi bir kişi/kurum ile çıkar çatışması bulunmamaktadır.

Yazar Katkıları literatür incelemesi, bilimsel yayının hazırlanması, çalışma konsepti ve tasarım, taslağın oluşturulması, revizyon, çalışma konsepti ve tasarım, taslağın oluşturulması, revizyon konularında katkı sağlamıştır.

Bu çalışma, Türkiye Bilimsel ve Teknolojik Araştırma Kurumu’nun (TUBİTAK) 22AG040 nolu “Sürdürülebilir Kentler için İleri Teknolojiler Platformu (SÜİT)” projesi tarafından desteklenmiştir.

ƒœƒ”Žƒ”†ƒ Metin Yılmaz 100/2000 Y ‘–‘”ƒ „—”•— öğrencisidir.

ȏͳȐ J. Deng, C. Bae, A. Denlinger, ve T. Miller, “Electric Vehicles Batteries: Requirements and Challenges”, Jouleǡ …Ǥ Ͷǡ •› ͵ǡ ••Ǥ ͷͳͳǦͷͳͷǡ ƒ”Ǥ ʹͲʹͲǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ‘—Ž‡ǤʹͲʹͲǤͲͳǤͲͳ͵Ǥ ȏʹȐ Ǥƒ”‘‰‹—ǡ Ǥ

ǤǤ—鄃—ǡǤƒƒ‰ǡǤ

ƒ”‡†‹ƒǡ ve D. U. Sauer, “Comprehensive study of the influence of ƒ‰‹‰ ‘ –Š‡ Š›•–‡”‡•‹• „‡Šƒ˜‹‘” ‘ˆ ƒ Ž‹–Š‹— ‹”‘ ’Š‘•’Šƒ–‡ …ƒ–Š‘†‡Ǧ„ƒ•‡† Ž‹–Š‹— ‹‘ „ƒ––‡”› –  ‡š’‡”‹‡–ƒŽ ‹˜‡•–‹‰ƒ–‹‘ ‘ˆ –Š‡ Š›•–‡”‡sis”, Applied Energyǡ …Ǥ ͳ͹ͳǡ ••Ǥ ͸ʹͻǦ͸Ͷͷǡ ƒœǤ ʹͲͳ͸ǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤƒ’‡‡”‰›ǤʹͲͳ͸ǤͲʹǤͲͺ͸Ǥ ȏ͵Ȑ Ǥ Ǥ ‘“—‡ǡ Ǥ Ǥ ƒƒǡ ˜‡ Ǥ ‘Šƒ‡†ǡ Model Development of Charge Equalization Controller for Lithium-Ion BatteryǤʹͲͳ͸Ǥ ȏͶȐ U. Yayan, A. T. Arslan, ve H. Yucel, “A Novel Method for ‘”‡†‹…–‹‘‘ˆƒ––‡”‹‡•ƒ•‡†‘–ƒ…‡†™‹–Š Quick Charge Data”, Applied Artificial Intelligenceǡ…Ǥ͵ͷǡ •› ͸ǡ ••Ǥ ͶʹͳǦͶ͵ͻǡ ƒ›Ǥ ʹͲʹͳǡ †‘‹ǣ ͳͲǤͳͲͺͲȀͲͺͺ͵ͻͷͳͶǤʹͲʹͳǤͳͻͲͳͲ͵͵Ǥ ȏͷȐ B. Yu, H. Qiu, L. Weng, K. Huo, S. Liu, ve H. Liu, “A Health

†‹…ƒ–‘” ˆ‘” –Š‡ Ž‹‡ ‹ˆ‡–‹‡ •–‹ƒ–‹‘ ‘ˆ ƒ Ž‡…–”‹… ‡Š‹…Ž‡ ‘™‡” ‹ǦIon Battery”, World Electric Vehicle Journalǡ …Ǥ ͳͳǡ •› ͵ǡ ”–Ǥ •› ͵ǡ ›ŽǤ ʹͲʹͲǡ †‘‹ǣ ͳͲǤ͵͵ͻͲȀ™‡˜ŒͳͳͲ͵ͲͲͷͻǤ ȏ͸Ȑ J. Wu, X. Cui, H. Zhang, ve M. Lin, “Health Prognosis With ’–‹‹œ‡† ‡ƒ–—”‡ ‡Ž‡…–‹‘ ˆ‘” ‹–Š‹—Ǧ

‘ ƒ––‡”› ‹ Electric Vehicle Applications”, IEEE Transactions on Power Electronicsǡ …Ǥ ͵͸ǡ •› ͳͳǡ ••Ǥ ͳʹ͸Ͷ͸Ǧͳʹ͸ͷͷǡ ƒ•Ǥ ʹͲʹͳǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹͳǤ͵Ͳ͹ͷͷͷͺǤ ȏ͹Ȑ G. Dong, W. Han, ve Y. Wang, “Dynamic Bayesian ‡–™‘”Ǧƒ•‡† ‹–Š‹—Ǧ

‘ ƒ––‡”› ‡ƒŽ–Š ”‘‰‘•‹• for Electric Vehicles”, IEEE Transactions on Industrial

18/129

Electronicsǡ…Ǥ͸ͺǡ•›ͳͳǡ••ǤͳͲͻͶͻǦͳͲͻͷͺǡƒ•ǤʹͲʹͳǡ†‘‹ǣ ͳͲǤͳͳͲͻȀ

ǤʹͲʹͲǤ͵Ͳ͵ͶͺͷͷǤ ȏͺȐ X. Hu, J. Jiang, D. Cao, ve B. Egardt, “Battery Health ”‘‰‘•‹• ˆ‘” Ž‡…–”‹… ‡Š‹…Ž‡• •‹‰ ƒ’Ž‡ –”‘’› and Sparse Bayesian Predictive Modeling”, IEEE Transactions on Industrial Electronicsǡ …Ǥ ͸͵ǡ •› Ͷǡ ••Ǥ ʹ͸ͶͷǦʹ͸ͷ͸ǡ‹•ǤʹͲͳ͸ǡ†‘‹ǣͳͲǤͳͳͲͻȀ

ǤʹͲͳͷǤʹͶ͸ͳͷʹ͵Ǥ ȏͻȐ G. Dong, Z. Chen, J. Wei, ve Q. Ling, “Battery Health ”‘‰‘•‹••‹‰”‘™‹ƒ‘–‹‘‘†‡Ž‹‰ƒ†ƒ”–‹…Ž‡ Filtering”, IEEE Transactions on Industrial Electronicsǡ…Ǥ ͸ͷǡ •› ͳͳǡ ••Ǥ ͺ͸Ͷ͸Ǧͺ͸ͷͷǡ ƒ•Ǥ ʹͲͳͺǡ †‘‹ǣ ͳͲǤͳͳͲͻȀ

ǤʹͲͳͺǤʹͺͳ͵ͻ͸ͶǤ ȏͳͲȐ ǤǤƒƒǡǤǤǤ‹’—ǡǤ—••ƒ‹ǡ˜‡Ǥ‘Šƒ‡†ǡ “A review of lithiumǦ‹‘ „ƒ––‡”› •–ƒ–‡ ‘ˆ …Šƒ”‰‡ ‡•–‹ƒ–‹‘ ƒ† ƒƒ‰‡‡– •›•–‡ ‹ ‡Ž‡…–”‹… ˜‡Š‹…Ž‡ applications: Challenges and recommendations”, Renewable and Sustainable Energy Reviewsǡ…Ǥ͹ͺǡ••Ǥͺ͵ͶǦ ͺͷͶǡ‹ǤʹͲͳ͹ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ”•‡”ǤʹͲͳ͹ǤͲͷǤͲͲͳǤ ȏͳͳȐ S. M. Rezvanizaniani, Z. Liu, Y. Chen, ve J. Lee, “Review ƒ† ”‡…‡– ƒ†˜ƒ…‡• ‹ „ƒ––‡”› Š‡ƒŽ–Š ‘‹–‘”‹‰ ƒ† ’”‘‰‘•–‹…•–‡…Š‘Ž‘‰‹‡•ˆ‘”‡Ž‡…–”‹…˜‡Š‹…Ž‡ȋȌ•ƒˆ‡–› and mobility”, Journal of Power Sourcesǡ…Ǥʹͷ͸ǡ••ǤͳͳͲǦ ͳʹͶǡƒœǤʹͲͳͶǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͳͶǤͲͳǤͲͺͷǤ ȏͳʹȐ Ǥ‡œŽvd., “Life prediction of batteries for selecting the technically most suitable and cost effective battery”, Journal of Power Sourcesǡ…ǤͳͶͶǡ•›ʹǡ••Ǥ͵͹͵Ǧ͵ͺͶǡƒœǤ ʹͲͲͷǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͲͶǤͳͳǤͲͶͷǤ ȏͳ͵Ȑ Ǥ ”‡–ƒǦDeu ve T. Donaire, “Determination of an ageing factor for lead/acid batteries. 1. Kinetic aspects”, Journal of Power Sourcesǡ …Ǥ ͷͺǡ •› ʹǡ ••Ǥ ͳʹ͵Ǧ133, Şub. ͳͻͻ͸ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀͲ͵͹ͺǦ͹͹ͷ͵ȋͻ͸ȌͲʹ͵͹ͳǦ͵Ǥ ȏͳͶȐ K. Qian, C. Zhou, M. Allan, ve Y. Yuan, “Modeling of Load ‡ƒ† —‡ –‘ ƒ––‡”› Šƒ”‰‹‰ ‹ ‹•–”‹„—–‹‘ Systems”, IEEE Transactions on Power Systemsǡ…Ǥʹ͸ǡ•› ʹǡ ••Ǥ ͺͲʹǦͺͳͲǡ ƒ›Ǥ ʹͲͳͳǡ †‘‹ǣ ͳͲǤͳͳͲͻȀǤʹͲͳͲǤʹͲͷ͹Ͷͷ͸Ǥ ȏͳͷȐ M. Urbain, S. Rael, B. Davat, ve P. Desprez, “State •–‹ƒ–‹‘ ‘ˆ ƒ ‹–Š‹—Ǧ

‘ ƒ––‡”› Š”‘—‰Š ƒŽƒ Filter”, içinde 2007 IEEE Power Electronics Specialists Conferenceǡ ƒœǤ ʹͲͲ͹ǡ ••Ǥ ʹͺͲͶǦʹͺͳͲǤ †‘‹ǣ ͳͲǤͳͳͲͻȀǤʹͲͲ͹ǤͶ͵ͶʹͶ͸͵Ǥ ȏͳ͸Ȑ R. C. Kroeze ve P. T. Krein, “Electrical battery model for use in dynamic electric vehicle simulations”, içinde 2008 IEEE Power Electronics Specialists ConferenceǡƒœǤʹͲͲͺǡ ••Ǥͳ͵͵͸Ǧͳ͵ͶʹǤ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲͲͺǤͶͷͻʹͳͳͻǤ ȏͳ͹Ȑ Z. B. Omariba, L. Zhang, ve D. Sun, “Review on Health ƒƒ‰‡‡–›•–‡ˆ‘”‹–Š‹—Ǧ

‘ƒ––‡”‹‡•‘ˆŽ‡…–”‹… Vehicles”, Electronicsǡ…Ǥ͹ǡ•›ͷǡ”–Ǥ•›ͷǡƒ›ǤʹͲͳͺǡ†‘‹ǣ ͳͲǤ͵͵ͻͲȀ‡Ž‡…–”‘‹…•͹ͲͷͲͲ͹ʹǤ ȏͳͺȐ Ǥ

—‘ǡ Ǥ ƒ‹ǡ Ǥ Š‡ǡ

Ǥ ƒ‰ǡ ˜‡

Ǥ Šƒ‰ǡ “Computational prediction and experimental evaluation of nitrate reduction to ammonia on rhodium”, Journal of Catalysisǡ …Ǥ ͶͲʹǡ ••Ǥ ͳǦͻǡ ‹Ǥ ʹͲʹͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ…ƒ–ǤʹͲʹͳǤͲͺǤͲͳ͸Ǥ ȏͳͻȐ ǤǤ†™ƒ”‹ǡǤ‡•‹”‹†‹•ǡǤƒŒ‘‘ǡǤƒ”–‹‡œǦ‘–ƒ•ǡ˜‡ V. Esfahanian, “A review of Battery Electric Vehicle technology and readiness levels”, Renewable and

Sustainable Energy Reviewsǡ…Ǥ͹ͺǡ••ǤͶͳͶǦͶ͵Ͳǡ‹ǤʹͲͳ͹ǡ †‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ”•‡”ǤʹͲͳ͹ǤͲ͵Ǥͳ͵ͺǤ ȏʹͲȐ K. Javed, R. Gouriveau, ve N. Zerhouni, “State of the art ƒ† –ƒš‘‘› ‘ˆ ’”‘‰‘•–‹…• ƒ’’”‘ƒ…Š‡•ǡ –”‡†• ‘ˆ ’”‘‰‘•–‹…• ƒ’’Ž‹…ƒ–‹‘• ƒ† ‘’‡ ‹••—‡• –‘™ƒ”†• maturity at different technology readiness levels”, Mechanical Systems and Signal Processingǡ…ǤͻͶǡ••ǤʹͳͶǦ ʹ͵͸ǡ›ŽǤʹͲͳ͹ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ›••’ǤʹͲͳ͹ǤͲͳǤͲͷͲǤ

Autonomous Battery Management System in Electric Vehicles Literature Review Metin Yılmaz, Eyüp Çinar, Ahmet Yazıcı

ȏʹͳȐ Z. Li, “LithiumǦ

‘ ƒ––‡”› ƒƒ‰‡‡– ›•–‡ ˆ‘” Electric Vehicles”, International Journal of Performability Engineeringǡ …Ǥ ͳͶǡ ”ƒǤ ʹͲͳͺǡ †‘‹ǣ ͳͲǤʹ͵ͻͶͲȀ‹Œ’‡ǤͳͺǤͳʹǤ’ʹͺǤ͵ͳͺͶ͵ͳͻͶǤ ȏʹʹȐ Ǥ ƒŠ‹‹Ǧ‹…Š‹ǡ Ǥ ŒŠƒǡ Ǥ ƒ”‘–‹ǡ ˜‡ ǤǦǤ Š‘™ǡ “Battery Management System: An Overview of Its Application in the Smart Grid and Electric Vehicles”, EEE Ind. Electron. Mag.ǡ …Ǥ ͹ǡ •› ʹǡ ••Ǥ ͶǦͳ͸ǡ ƒœǤ ʹͲͳ͵ǡ †‘‹ǣ ͳͲǤͳͳͲͻȀ

ǤʹͲͳ͵ǤʹʹͷͲ͵ͷͳǤ ȏʹ͵Ȑ D. Tingting, L. Jun, Z. Fuquan, Y. Yi, ve J. Qiqian, “Analysis ‘–Š‡‹ˆŽ—‡…‡‘ˆ‡ƒ•—”‡‡–‡””‘”‘•–ƒ–‡‘ˆ…Šƒ”‰‡ estimation of LiFePO4 power Battery”, içinde 2011 International Conference on Materials for Renewable

Energy & Environmentǡ ƒ›Ǥ ʹͲͳͳǡ ••Ǥ ͸ͶͶǦ͸ͶͻǤ †‘‹ǣ ͳͲǤͳͳͲͻȀ

ǤʹͲͳͳǤͷͻ͵Ͳͺͻ͵Ǥ ȏʹͶȐ Y. Xing, E. W. M. Ma, K. L. Tsui, ve M. Pecht, “Battery Management Systems in Electric and Hybrid Vehicles”, Energiesǡ …Ǥ Ͷǡ •› ͳͳǡ ”–Ǥ •› ͳͳǡ ƒ•Ǥ ʹͲͳͳǡ †‘‹ǣ ͳͲǤ͵͵ͻͲȀ‡ͶͳͳͳͺͶͲǤ ȏʹͷȐ

Ǥ Ǥ ‹˜‡”ƒǦƒ””‡”ƒǡ Ǥ —Ó‘œǦ

ƒŽ‡ƒ‘ǡ ˜‡ Ǥ Ǥ ƒ”‹‡–‘ǦMaldonado, “SoC Estimation for LithiumǦ‹‘ Batteries: Review and Future Challenges”, Electronicsǡ…Ǥ ͸ǡ •› Ͷǡ ”–Ǥ •› Ͷǡ ”ƒǤ ʹͲͳ͹ǡ †‘‹ǣ ͳͲǤ͵͵ͻͲȀ‡Ž‡…–”‘‹…•͸ͲͶͲͳͲʹǤ ȏʹ͸Ȑ J. Wu, C. Zhang, ve Z. Chen, “An online method for lithiumǦ ‹‘ „ƒ––‡”› ”‡ƒ‹‹‰ —•‡ˆ—Ž Ž‹ˆ‡ ‡•–‹ƒ–‹‘ —•‹‰ importance sampling and neural networks”, Applied Energyǡ …Ǥ ͳ͹͵ǡ ••Ǥ ͳ͵ͶǦͳͶͲǡ ‡Ǥ ʹͲͳ͸ǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤƒ’‡‡”‰›ǤʹͲͳ͸ǤͲͶǤͲͷ͹Ǥ ȏʹ͹Ȑ Ǥ ƒƒ†ƒ••ǡ Ǥ ƒ”ƒǡ Ǥ Š‹–‡ǡ ˜‡ Ǥ Ǥ ‘’‘˜ǡ “Mathematical modeling of the capacity fade of LiǦ‹‘ cells”, Journal of Power Sourcesǡ…Ǥͳʹ͵ǡ•›ʹǡ••Ǥʹ͵ͲǦʹͶͲǡ ›ŽǤʹͲͲ͵ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀͲ͵͹ͺǦ͹͹ͷ͵ȋͲ͵ȌͲͲͷ͵ͳǦ͹Ǥ ȏʹͺȐ ǤǤƒ”ƒŠvd., “A Review of State of Health Estimation ‘ˆ ‡”‰› –‘”ƒ‰‡ ›•–‡•ǣ ŠƒŽŽ‡‰‡• ƒ† ‘••‹„Ž‡ ‘Ž—–‹‘• ˆ‘” —–—”‹•–‹… ’’Ž‹…ƒ–‹‘• ‘ˆ ‹Ǧ

‘ ƒ––‡”› Packs in Electric Vehicles”, Journal of Electrochemical Energy Conversion and Storageǡ…Ǥͳ͸ǡ•›Ͷǡƒ”ǤʹͲͳͻǡ†‘‹ǣ ͳͲǤͳͳͳͷȀͳǤͶͲͶʹͻͺ͹Ǥ ȏʹͻȐ M. A. Roscher ve D. U. Sauer, “Dynamic electric behavior ƒ† ‘’‡Ǧ…‹”…—‹–Ǧ˜‘Ž–ƒ‰‡ ‘†‡Ž‹‰ ‘ˆ ‹ ‡ͶǦ„ƒ•‡† lithium ion secondary batteries”, Journal of Power Sourcesǡ …Ǥ ͳͻ͸ǡ •› ͳǡ ••Ǥ ͵͵ͳǦ͵͵͸ǡ …ƒǤ ʹͲͳͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͳͲǤͲ͸ǤͲͻͺǤ ȏ͵ͲȐ Ǥ ƒ•œƒǡ Ǥ ƒ‡”ǡ Ǥ Š‹ǡ ˜‡ Ǥ Š”‹•–‡•‡ǡ “Modeling stationary lithiumǦ‹‘ „ƒ––‡”‹‡• ˆ‘” optimization and predictive control”, içinde 2017 IEEE Power and Energy Conference at Illinois (PECI), Şub. ʹͲͳ͹ǡ••ǤͳǦ͹Ǥ†‘‹ǣͳͲǤͳͳͲͻȀ

ǤʹͲͳ͹Ǥ͹ͻ͵ͷ͹ͷͷǤ ȏ͵ͳȐ J. Ordoñez, E. J. Gago, ve A. Girard, “Processes and –‡…Š‘Ž‘‰‹‡• ˆ‘” –Š‡ ”‡…›…Ž‹‰ ƒ† ”‡…‘˜‡”› ‘ˆ •’‡– Ž‹–Š‹—Ǧion batteries”, Renewable and Sustainable Energy Reviewsǡ …Ǥ ͸Ͳǡ ••Ǥ ͳͻͷǦʹͲͷǡ ‡Ǥ ʹͲͳ͸ǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤ”•‡”ǤʹͲͳͷǤͳʹǤ͵͸͵Ǥ ȏ͵ʹȐ M. Dubarry, A. Devie, ve B. Y. Liaw, “The Value of Battery Diagnostics and Prognostics”, Journal of Energy and Power Sourcesǡ…Ǥͳǡ••ǤʹͶʹǦʹͶͻǡ›ŽǤʹͲͳͶǤ ȏ͵͵Ȑ Ǥ ƒ‘™†ǡ Ǥ –‘‹‡ǡ Ǥ ƒ”ǡ Ǥ ƒ–ƒ‹”‡ǡ Ǥ ƒ ‡ Bossche, ve J. Van Mierlo, “Battery Management ›•–‡—ƒŽƒ…‹‰ ‘†—Žƒ”‹œƒ–‹‘ ƒ•‡† ‘ ƒ ‹‰Ž‡ ™‹–…Š‡†ƒ’ƒ…‹–‘”ƒ†‹Ǧ‹”‡…–‹‘ƒŽȀ‘˜‡”–‡” with the Auxiliary Battery”, Energiesǡ…Ǥ͹ǡ•›ͷǡ”–Ǥ•›ͷǡ ƒ›ǤʹͲͳͶǡ†‘‹ǣͳͲǤ͵͵ͻͲȀ‡͹Ͳͷʹͺͻ͹Ǥ ȏ͵ͶȐ A. Allam, S. Onori, S. Marelli, ve C. Taborelli, “Battery ‡ƒŽ–Š ƒƒ‰‡‡– ›•–‡ ˆ‘” —–‘‘–‹˜‡

’’Ž‹…ƒ–‹‘•ǣ ”‡–”‘ƒ…–‹˜‹–›Ǧ„ƒ•‡† ƒ‰‹‰ ’”‘’ƒ‰ƒ–‹‘

study”, içinde 2015 American Control Conference (ACC)ǡ

‡Ǥ

ʹͲͳͷǡ

͹Ͳ͵Ǧ͹ͳ͸Ǥ

ͳͲǤͳͳͲͻȀǤʹͲͳͷǤ͹ͳ͹Ͳͺͳ͹Ǥ

ȏ͵ͷȐ G. L. Plett, “Extended Kalman filtering for battery

ƒƒ‰‡‡–•›•–‡•‘ˆ‹Ǧ„ƒ•‡†„ƒ––‡”›’ƒ…•ǣ

Part 1. Background”, Journal of Power Sourcesǡ…Ǥͳ͵Ͷǡ•›

ʹǡ ••Ǥ ʹͷʹǦ261,

Ağu.

2004,

ͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͲͶǤͲʹǤͲ͵ͳǤ

ȏ͵͸Ȑ Ǥ Š‡ǡ Ǥ Š‡ǡ Ǥ ƒ‹ǡ Ǥ ƒ‘ǡ

‹ǡ ˜‡ Ǥ ƒ’‘‘”ǡ

“Robust Adaptive SlidingǦ‘†‡ „•‡”˜‡” •‹‰

‡—”ƒŽ‡–™‘”ˆ‘”‹–Š‹—Ǧ

‘ƒ––‡”›–ƒ–‡‘ˆŠƒ”‰‡

Estimation in Electric Vehicles”, IEEE Transactions on

Vehicular Technologyǡ …Ǥ ͸ͷǡ •› Ͷǡ ••Ǥ ͳͻ͵͸ǦͳͻͶ͹ǡ ‹•Ǥ

ʹͲͳ͸ǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲͳͷǤʹͶʹ͹͸ͷͻǤ

ȏ͵͹Ȑ ǤǦ

Ǥ‡ǡ

ǤǦǤŠ‡ǡ

ǤǦ ǤŠ‡ǡ˜‡ǤǦF. Ma, “State of health

‡•–‹ƒ–‹‘ ‘ˆ Ž‹–Š‹—Ǧ‹‘ „ƒ––‡”‹‡•ǣ —Ž–‹•…ƒŽ‡

Gaussian process regression modeling approach”, AIChE

Journalǡ …Ǥ ͸ͳǡ •› ͷǡ ••Ǥ ͳͷͺͻǦͳ͸ͲͲǡ ʹͲͳͷǡ †‘‹ǣ

ͳͲǤͳͲͲʹȀƒ‹…ǤͳͶ͹͸ͲǤ

ȏ͵ͺȐ ǤǦǤ—ƒ‰ǡǤǦǤ•‡‰ǡ

ǤǦǤ‹ƒ‰ǡǤǦǤŠƒ‰ǡ˜‡Ǥ

Pecht, “An Online SOC and SOH Estimation Model for

‹–Š‹—ǦIon Batteries”, Energiesǡ…ǤͳͲǡ•›Ͷǡ”–Ǥ•›Ͷǡ‹•Ǥ

ʹͲͳ͹ǡ†‘‹ǣͳͲǤ͵͵ͻͲȀ‡ͳͲͲͶͲͷͳʹǤ

ȏ͵ͻȐ Ǥ

ƒˆƒ”‹ ˜‡ ǤǦC. Byun, “Prediction of the Battery State

•‹‰–Š‡‹‰‹–ƒŽ™‹ ”ƒ‡™‘”ƒ•‡†‘–Š‡ƒ––‡”›

Management System”, IEEE Accessǡ …Ǥ ͳͲǡ ••Ǥ ͳʹͶ͸ͺͷǦ

ͳʹͶ͸ͻ͸ǡʹͲʹʹǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹʹǤ͵ʹʹͷͲͻ͵Ǥ

ȏͶͲȐ L. Wang, X. Zhao, Z. Deng, ve L. Yang, “Application of

‡Ž‡…–”‘…Š‡‹…ƒŽ ‹’‡†ƒ…‡ •’‡…–”‘•…‘’› ‹ „ƒ––‡”›

ƒƒ‰‡‡– •›•–‡ǣ –ƒ–‡ ‘ˆ …Šƒ”‰‡ ‡•–‹ƒ–‹‘ ˆ‘”

aging batteries”, Journal of Energy Storageǡ …Ǥ ͷ͹ǡ •Ǥ

ͳͲ͸ʹ͹ͷǡ…ƒǤʹͲʹ͵ǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ‡•–ǤʹͲʹʹǤͳͲ͸ʹ͹ͷǤ

ȏͶͳȐ

Ǥ ƒŽ†ƒÓƒǡ

Ǥ Ǥ ƒ”–Àǡ

Ǥ ƒ‘”ƒǡ Ǥ

Ǥ •‡•‹‘ǡ Ǥ

Oñederra, ve M. González, “Empirical Electrical and

Degradation Model for Electric Vehicle Batteries”, IEEE

Accessǡ …Ǥ ͺǡ ••Ǥ ͳͷͷͷ͹͸Ǧͳͷͷͷͺͻǡ ʹͲʹͲǡ †‘‹ǣ

ͳͲǤͳͳͲͻȀǤʹͲʹͲǤ͵ͲͳͻͶ͹͹Ǥ

ȏͶʹȐ M. Rezvani, M. AbuAli PhD, S. Lee, J. Lee, ve J. Ni PhD, “A

‘’ƒ”ƒ–‹˜‡ƒŽ›•‹•‘ˆ‡…Š‹“—‡•ˆ‘”Ž‡…–”‹…‡Š‹…Ž‡

Battery Prognostics and Health Management (PHM)”,

program adı: Commercial Vehicle Engineering Congress,

›ŽǤ ʹͲͳͳǡ ••Ǥ ʹͲͳͳǦͲͳǦʹʹͶ͹Ǥ †‘‹ǣ ͳͲǤͶʹ͹ͳȀʹͲͳͳǦͲͳǦ

ʹʹͶ͹Ǥ

ȏͶ͵Ȑ

Ǥ ‡†ƒ‹ǡ Ǥ ‘Ž–ƒ‹ǡ Ǥ

Ǥ ‡Ž‘—†‹ǡ ˜‡ Ǥ Šƒƒ”‹ǡ

“Prediction of aging of battery for electric vehicles based

on a modified version of neural networks”, içinde 2021

29th Mediterranean Conference on Control and

Automation (MED)ǡ ƒœǤ ʹͲʹͳǡ ••Ǥ ͵͵͸Ǧ͵ͶͳǤ †‘‹ǣ

ͳͲǤͳͳͲͻȀͷͳͶͶͲǤʹͲʹͳǤͻͶͺͲͳ͸ͳǤ

ȏͶͶȐ W. He, N. Williard, C. Chen, ve M. Pecht, “State of charge

‡•–‹ƒ–‹‘ ˆ‘” ‡Ž‡…–”‹… ˜‡Š‹…Ž‡ „ƒ––‡”‹‡• —†‡” ƒ

adaptive filtering framework”, içinde Proceedings of the

IEEE 2012 Prognostics and System Health Management

Conference (PHM-2012 Beijing)ǡ ƒ›ǤʹͲͳʹǡ ••Ǥ ͳǦͷǤ †‘‹ǣ

ͳͲǤͳͳͲͻȀǤʹͲͳʹǤ͸ʹʹͺͺͶͻǤ

ȏͶͷȐ

ǤǤŽ˜ƒ”‡œ–אǡǤ

ƒ”…Àƒ‹‡–‘ǡ Ǥ

Ǥ†‡‘•

—‡œǡ Ǥ

ž…Š‡œ ƒ•Š‡”ƒ•ǡ Ǥ

‘œžŽ‡œ ‡‰ƒǡ ˜‡ Ǥ Ǥ ‘“—‡ÓÀ

Gutiérrez, “Battery stateǦ‘ˆǦ…Šƒ”‰‡ ‡•–‹ƒ–‘” —•‹‰ –Š‡

SVM technique”, Applied Mathematical Modellingǡ …Ǥ ͵͹ǡ

•› ͻǡ ••Ǥ ͸ʹͶͶǦ͸ʹͷ͵ǡ ƒ›Ǥ ʹͲͳ͵ǡ †‘‹ǣ

ͳͲǤͳͲͳ͸ȀŒǤƒ’ǤʹͲͳ͵ǤͲͳǤͲʹͶǤ

ȏͶ͸Ȑ A. Mammone, M. Turchi, ve N. Cristianini, “Support

vector machines”, içinde WIREs Computational Statisticsǡ

ƒ•ǤʹͲͲͻǡ••Ǥʹͺ͵ǦʹͺͻǤ†‘‹ǣͳͲǤͳͲͲʹȀ™‹…•ǤͶͻǤ

19/129

ȏͶ͹Ȑ S. Zhang, “A new method for lithiumǦion battery’s SOH

estimation and RUL prediction”, içinde 2018 13th IEEE

Conference on Industrial Electronics and Applications

(ICIEA)ǡ ƒ›Ǥ ʹͲͳͺǡ ••Ǥ ʹ͸ͻ͵Ǧʹ͸ͻ͹Ǥ †‘‹ǣ

ǤʹͲͳͺǤͺ͵ͻͺͳ͸͸Ǥ

ȏͶͺȐ S. Song, C. Fei, ve H. Xia, “LithiumǦ

‘ ƒ––‡”›

•–‹ƒ–‹‘ ƒ•‡†‘

‘‘•–Ž‰‘”‹–Š™‹–Š……—”ƒ…›

Correction”, Energiesǡ…Ǥͳ͵ǡ•›Ͷǡ”–Ǥ•›Ͷǡ…ƒǤʹͲʹͲǡ†‘‹ǣ

ͳͲǤ͵͵ͻͲȀ‡ͳ͵ͲͶͲͺͳʹǤ

ȏͶͻȐ

Ǥ ‘‰ vd., “Thermal Runaway Prognosis of Battery

›•–‡• •‹‰ –Š‡ ‘†‹ˆ‹‡† —Ž–‹•…ƒŽ‡ –”‘’› ‹ ‡ƒŽǦ

World Electric Vehicles”, IEEE Transactions on

Transportation Electrificationǡ …Ǥ ͹ǡ •› Ͷǡ ••Ǥ ʹʹ͸ͻǦʹʹ͹ͺǡ

”ƒǤʹͲʹͳǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹͳǤ͵Ͳ͹ͻͳͳͶǤ

ȏͷͲȐ A. Barr´, F. Suard, M. Gérard, ve D. Riu, “A RealǦ–‹‡ƒ–ƒǦ

†”‹˜‡‡–Š‘†ˆ‘”ƒ––‡”›‡ƒŽ–Š”‘‰‘•–‹…•‹Ž‡…–”‹…

Vehicle Use”, PHM Society European Conferenceǡ…Ǥʹǡ•›ͳǡ

”–Ǥ•›ͳǡʹͲͳͶǡ†‘‹ǣͳͲǤ͵͸ͲͲͳȀ’Š‡ǤʹͲͳͶǤ˜ʹ‹ͳǤͳͷͳͶǤ

ȏͷͳȐ I. JORGE, A. SAMET, T. MESBAHI, ve R. BONÉ, “New ANN

”‡•—Ž–•‘ƒƒŒ‘”„‡…Šƒ”ˆ‘”–Š‡’”‡†‹…–‹‘‘ˆ

of Lithium Ion batteries in electric vehicles”, içinde 2020

19th IEEE International Conference on Machine Learning

and Applications (ICMLA)ǡ”ƒǤʹͲʹͲǡ••ǤͳʹͶ͸Ǧͳʹͷ͵Ǥ†‘‹ǣ

ͷͳʹͻͶǤʹͲʹͲǤͲͲͳͻ͸Ǥ

ȏͷʹȐ Ǥ ‘ƒǡ Ǥ ƒš‡ƒǡ Ǥ ‘„—ǡ Ǥ ‡…Š–ǡ ˜‡ Ǥ Ž›ǡ

“Machine learning pipeline for battery stateǦ‘ˆǦŠ‡ƒŽ–Š

estimation”, Nat Mach Intellǡ …Ǥ ͵ǡ •› ͷǡ ”–Ǥ •› ͷǡ ƒ›Ǥ

ʹͲʹͳǡ†‘‹ǣͳͲǤͳͲ͵ͺȀ•Ͷʹʹͷ͸ǦͲʹͳǦͲͲ͵ͳʹǦ͵Ǥ

ȏͷ͵Ȑ P. Jain, S. Saha, ve V. Sankaranarayanan, “Novel method

–‘ •–‹ƒ–‡ ‘ ‘ˆ ‹–Š‹—ǦIon Batteries”, içinde 2021

Innovations in Energy Management and Renewable

Resources(52042), Şub. 2021, ss. 1ǦͷǤ †‘‹ǣ

ͷʹͲͶʹǤʹͲʹͳǤͻ͵ͺ͸ͺͺͳǤ

ȏͷͶȐ J. Zhang, X. Liu, A. Simeone, ve D. Lv, “A deformationǦ

„ƒ•‡† ƒ’’”‘ƒ…Š –‘ –Š‡ ‘ ‡•–‹ƒ–‹‘ ‘ˆ …‘ŽŽ‹†‡†

Ž‹–Š‹—Ǧion batteries”, IOP Conf. Ser.: Earth Environ. Sci.ǡ

…Ǥ Ͷ͸͵ǡ •› ͳǡ •Ǥ ͲͳʹͲ͹ͳǡ ƒ”Ǥ ʹͲʹͲǡ †‘‹ǣ ͳͲǤͳͲͺͺȀͳ͹ͷͷǦ

ͳ͵ͳͷȀͶ͸͵ȀͳȀͲͳʹͲ͹ͳǤ

ȏͷͷȐ X. Liu, J. Li, Z. Yao, Z. Wang, R. Si, ve Y. Diao, “Research on

„ƒ––‡”› ‡•–‹ƒ–‹‘ ƒŽ‰‘”‹–Š ‘ˆ ‡‡”‰› •–‘”ƒ‰‡

frequency modulation system”, Energy Reportsǡ …Ǥͺǡ ••Ǥ

ʹͳ͹Ǧʹʹ͵ǡƒ›ǤʹͲʹʹǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ‡‰›”ǤʹͲʹͳǤͳͳǤͲͳͷǤ

ȏͷ͸Ȑ A. Yang, Y. Wang, K. L. Tsui, ve Y. Zi, “LithiumǦ‹‘ƒ––‡”›

SOH Estimation and Fault Diagnosis with Missing Data”,

‹­‹†‡ 2019 IEEE International Instrumentation and

Measurement Technology Conference (I2MTC)ǡ ƒ›Ǥ

ʹͲͳͻǡ••ǤͳǦ͸Ǥ†‘‹ǣͳͲǤͳͳͲͻȀ

ʹǤʹͲͳͻǤͺͺʹ͸ͺͺͺǤ

ȏͷ͹Ȑ ǤǦI. Stroe ve E. Schaltz, “SOH Estimation of LMO/NMCǦ

„ƒ•‡† Ž‡…–”‹… ‡Š‹…Ž‡ ‹–Š‹—Ǧ

‘ ƒ––‡”‹‡• •‹‰ –Š‡

Incremental Capacity Analysis Technique”, içinde 2018

IEEE Energy Conversion Congress and Exposition (ECCE)ǡ

›ŽǤ

ʹͲͳͺǡ

ʹ͹ʹͲǦʹ͹ʹͷǤ

ͳͲǤͳͳͲͻȀǤʹͲͳͺǤͺͷͷ͹ͻͻͺǤ

ȏͷͺȐ S. Chowdhury, M. N. Bin Shaheed, ve Y. Sozer, “An

–‡‰”ƒ–‡† –ƒ–‡ ‘ˆ ‡ƒŽ–Š ȋȌ ƒŽƒ…‹‰ ‡–Š‘† ˆ‘”

‹–Š‹—ǦIon Battery Cells”, içinde 2019 IEEE Energy

Conversion Congress and Exposition (ECCE)ǡ›ŽǤʹͲͳͻǡ••Ǥ

ͷ͹ͷͻǦͷ͹͸͵Ǥ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲͳͻǤͺͻͳʹͻ͵ʹǤ

ȏͷͻȐ S. Pang, J. Farrell, J. Du, ve M. Barth, “Battery stateǦ‘ˆǦ

charge estimation”, içinde Proceedings of the 2001

American Control Conference. (Cat. No.01CH37148)ǡƒœǤ

ʹͲͲͳǡ

ͳ͸ͶͶǦͳ͸Ͷͻ

…ǤʹǤ

ͳͲǤͳͳͲͻȀǤʹͲͲͳǤͻͶͷͻ͸ͶǤ

ȏ͸ͲȐ Y. Zhou, H. Gu, T. Su, X. Han, L. Lu, ve Y. Zheng, “Remaining

—•‡ˆ—Ž Ž‹ˆ‡ ’”‡†‹…–‹‘ ™‹–Š ’”‘„ƒ„‹Ž‹–› †‹•–”‹„—–‹‘ ˆ‘”

20/129

Ž‹–Š‹—Ǧ‹‘ „ƒ––‡”‹‡• „ƒ•‡† ‘ ‡†‰‡ ƒ† …Ž‘—† collaborative computation”, Journal of Energy Storageǡ…Ǥ ͶͶǡ •Ǥ ͳͲ͵͵Ͷʹǡ ”ƒǤ ʹͲʹͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤ‡•–ǤʹͲʹͳǤͳͲ͵͵ͶʹǤ ȏ͸ͳȐ “LiǦion Battery Aging Datasets | NASA Open Data Portal”. Erişim: 27 Nisan 2023. [Çevrimiçi]. Erişim adresi: Š––’•ǣȀȀ†ƒ–ƒǤƒ•ƒǤ‰‘˜Ȁ†ƒ–ƒ•‡–Ȁ‹Ǧ‹‘Ǧƒ––‡”›Ǧ‰‹‰Ǧ ƒ–ƒ•‡–•Ȁ—Œͷ”ǦœŒ†„ ȏ͸ʹȐ C. Xu, L. Li, Y. Xu, X. Han, ve Y. Zheng, “A vehicleǦ…Ž‘—† …‘ŽŽƒ„‘”ƒ–‹˜‡ ‡–Š‘† ˆ‘” —Ž–‹Ǧ–›’‡ ˆƒ—Ž– †‹ƒ‰‘•‹• ‘ˆ Ž‹–Š‹—Ǧion batteries”, eTransportationǡ…Ǥͳʹǡ•ǤͳͲͲͳ͹ʹǡ ƒ›ǤʹͲʹʹǡ†‘‹ǣͳͲǤͳͲͳ͸ȀŒǤ‡–”ƒǤʹͲʹʹǤͳͲͲͳ͹ʹǤ ȏ͸͵Ȑ Ǥ ƒ‰ vd., “LithiumǦ

‘ ƒ––‡”› –ƒ–‡ ‘ˆ ‡ƒŽ–Š •–‹ƒ–‹‘ ™‹–Š —Ž–‹Ǧ ‡ƒ–—”‡ ‘ŽŽƒ„‘”ƒ–‹˜‡ ƒŽ›•‹• and Deep Learning Method”, Batteriesǡ…Ǥͻǡ•›ʹǡ”–Ǥ•›ʹǡ Şub. 2023, doi: 10.3390/batteries9020120. ȏ͸ͶȐ C. Birkl, “Oxford Battery Degradation Dataset 1”, 2017, Erişim: 27 Nisan 2023. [Çevrimiçi]. Erişim adresi: Š––’•ǣȀȀ‘”ƒǤ‘šǤƒ…Ǥ—Ȁ‘„Œ‡…–•Ȁ——‹†ǣͲ͵„ƒͶ„ͲͳǦ…ˆ‡†Ǧ Ͷ͸†͵Ǧͻ„ͳƒǦ͹†Ͷƒ͹„†ˆ͸ˆƒ… ȏ͸ͷȐ Ǥ — vd., “A cloudǦ‡†‰‡ …‘ŽŽƒ„‘”ƒ–‹˜‡ •–”ƒ–‡‰› ˆ‘” …ƒ’ƒ…‹–› ’”‘‰‘•–‹… ‘ˆ Ž‹–Š‹—Ǧ‹‘ „ƒ––‡”‹‡• „ƒ•‡† ‘ dynamic weight allocation and machine learning”, Energyǡ …Ǥ ʹ͵ͻǡ •Ǥ ͳʹʹͳͺͷǡ …ƒǤ ʹͲʹʹǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤ‡‡”‰›ǤʹͲʹͳǤͳʹʹͳͺͷǤ ȏ͸͸Ȑ A. A. Chehade ve A. A. Hussein, “A Collaborative Gaussian ”‘…‡•• ‡‰”‡••‹‘ ‘†‡Ž ˆ‘” ”ƒ•ˆ‡” ‡ƒ”‹‰ ‘ˆ ƒ’ƒ…‹–› ”‡†• ‡–™‡‡ ‹ǦIon Battery Cells”, IEEE Transactions on Vehicular Technologyǡ …Ǥ ͸ͻǡ •› ͻǡ ••Ǥ ͻͷͶʹǦͻͷͷʹǡ›ŽǤʹͲʹͲǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹͲǤ͵ͲͲͲͻ͹ͲǤ ȏ͸͹Ȑ Y. Wang, R. Xu, C. Zhou, X. Kang, ve Z. Chen, “Digital twin ƒ†…Ž‘—†Ǧ•‹†‡Ǧ‡†…‘ŽŽƒ„‘”ƒ–‹‘ˆ‘” ‹–‡ŽŽ‹‰‡–„ƒ––‡”› management system”, Journal of Manufacturing Systemsǡ …Ǥ ͸ʹǡ ••Ǥ ͳʹͶǦͳ͵Ͷǡ …ƒǤ ʹͲʹʹǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ•›ǤʹͲʹͳǤͳͳǤͲͲ͸Ǥ ȏ͸ͺȐ T. Berghout, M. Benbouzid, Y. Amirat, ve G. Yao, “LithiumǦ ‹‘ ƒ––‡”› –ƒ–‡ ‘ˆ ‡ƒŽ–Š ”‡†‹…–‹‘ ™‹–Š ƒ ‘„—•– ‘ŽŽƒ„‘”ƒ–‹˜‡ —‰‡–‡† ‹††‡ ƒ›‡” ‡‡†ˆ‘”™ƒ”† Neural Network Approach”, IEEE Transactions on Transportation Electrificationǡ ••Ǥ ͳǦͳǡ ʹͲʹ͵ǡ †‘‹ǣ ͳͲǤͳͳͲͻȀǤʹͲʹ͵Ǥ͵ʹ͵͹͹ʹ͸Ǥ ȏ͸ͻȐ S. Piller, M. Perrin, ve A. Jossen, “Methods for stateǦ‘ˆǦ charge determination and their applications”, Journal of Power Sourcesǡ …Ǥ ͻ͸ǡ •› ͳǡ ••Ǥ ͳͳ͵ǦͳʹͲǡ ƒœǤ ʹͲͲͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀͲ͵͹ͺǦ͹͹ͷ͵ȋͲͳȌͲͲͷ͸ͲǦʹǤ ȏ͹ͲȐ ǤǦǤŠ‹ƒ‰ǡǤǦǤ‡ƒǡ˜‡

ǤǦC. Ke, “Online estimation of ‹–‡”ƒŽ ”‡•‹•–ƒ…‡ ƒ† ‘’‡Ǧ…‹”…—‹– ˜‘Ž–ƒ‰‡ ‘ˆ Ž‹–Š‹—Ǧ ion batteries in electric vehicles”, Journal of Power Sourcesǡ …Ǥ ͳͻ͸ǡ •› ͺǡ ••Ǥ ͵ͻʹͳǦ͵ͻ͵ʹǡ ‹•Ǥ ʹͲͳͳǡ †‘‹ǣ ͳͲǤͳͲͳ͸ȀŒǤŒ’‘™•‘—”ǤʹͲͳͳǤͲͳǤͲͲͷǤ ȏ͹ͳȐ N. Noura, L. Boulon, ve S. Jemeï, “A Review of Battery –ƒ–‡ ‘ˆ ‡ƒŽ–Š •–‹ƒ–‹‘ ‡–Š‘†•ǣ ›„”‹† Ž‡…–”‹… Vehicle Challenges”, World Electric Vehicle Journalǡ…Ǥͳͳǡ •›Ͷǡ”–Ǥ•›Ͷǡ”ƒǤʹͲʹͲǡ†‘‹ǣͳͲǤ͵͵ͻͲȀ™‡˜ŒͳͳͲͶͲͲ͸͸Ǥ ȏ͹ʹȐ C. Vidal, P. Malysz, P. Kollmeyer, ve A. Emadi, “Machine ‡ƒ”‹‰ ’’Ž‹‡† –‘ Ž‡…–”‹ˆ‹‡† ‡Š‹…Ž‡ ƒ––‡”› –ƒ–‡ ‘ˆ Šƒ”‰‡ƒ†–ƒ–‡‘ˆ‡ƒŽ–Š•–‹ƒ–‹‘ǣ–ƒ–‡Ǧ‘ˆǦ–Š‡ǦArt”, IEEE Accessǡ …Ǥ ͺǡ ••Ǥ ͷʹ͹ͻ͸ǦͷʹͺͳͶǡ ʹͲʹͲǡ †‘‹ǣ ͳͲǤͳͳͲͻȀǤʹͲʹͲǤʹͻͺͲͻ͸ͳǤ ȏ͹͵Ȑ R. Xiong, J. Cao, Q. Yu, H. He, ve F. Sun, “Critical Review on –Š‡ ƒ––‡”› –ƒ–‡ ‘ˆ Šƒ”‰‡ •–‹ƒ–‹‘ ‡–Š‘†• ˆ‘” Electric Vehicles”, IEEE Accessǡ…Ǥ͸ǡ••Ǥͳͺ͵ʹǦͳͺͶ͵ǡʹͲͳͺǡ †‘‹ǣͳͲǤͳͳͲͻȀǤʹͲͳ͹Ǥʹ͹ͺͲʹͷͺǤ ȏ͹ͶȐ Ǥ ƒ‘ vd., “A Review of LithiumǦ

‘ ƒ––‡”› –ƒ–‡ ‘ˆ Health Estimation and Prediction Methods”, World

Electric Vehicle Journalǡ…Ǥͳʹǡ•›͵ǡ”–Ǥ•›͵ǡ›ŽǤʹͲʹͳǡ†‘‹ǣ

ͳͲǤ͵͵ͻͲȀ™‡˜ŒͳʹͲ͵Ͳͳͳ͵Ǥ

ȏ͹ͷȐ A. S. Abdelaal, S. Mukhopadhyay, ve H. Rehman, “Battery

‡”‰› ƒƒ‰‡‡– ‡…Š‹“—‡• ˆ‘” ƒ Ž‡…–”‹… ‡Š‹…Ž‡

Traction System”, IEEE Accessǡ …Ǥ ͳͲǡ ••Ǥ ͺͶͲͳͷǦͺͶͲ͵͹ǡ

ʹͲʹʹǡ†‘‹ǣͳͲǤͳͳͲͻȀǤʹͲʹʹǤ͵ͳͻͷͻͶͲǤ

ȏ͹͸Ȑ

Ǥ‘‰vd., “Fault Prognosis and Isolation of LithiumǦ

ƒ––‡”‹‡• ‹ Ž‡…–”‹… ‡Š‹…Ž‡• ‘•‹†‡”‹‰ ‡ƒŽǦ…‡ƒ”‹‘

Thermal Runaway Risks”, IEEE Journal of Emerging and

Selected Topics in Power Electronicsǡ…Ǥͳͳǡ•›ͳǡ••ǤͺͺǦͻͻǡ

Şub. 2023, doi: 10.1109/JESTPE.2021.3097827.

ȏ͹͹Ȑ D. Li, Z. Zhang, P. Liu, Z. Wang, ve L. Zhang, “Battery Fault

‹ƒ‰‘•‹• ˆ‘” Ž‡…–”‹… ‡Š‹…Ž‡• ƒ•‡† ‘ ‘Ž–ƒ‰‡

„‘”ƒŽ‹–› „› ‘„‹‹‰ –Š‡ ‘‰ Š‘”–Ǧ‡”

‡‘”› ‡—”ƒŽ ‡–™‘” ƒ† –Š‡ “—‹˜ƒŽ‡– ‹”…—‹–

Model”, IEEE Transactions on Power Electronicsǡ…Ǥ͵͸ǡ•›

ʹǡ ••Ǥ ͳ͵Ͳ͵Ǧ1315, Şub. 2021, doi:

ͳͲǤͳͳͲͻȀǤʹͲʹͲǤ͵ͲͲͺͳͻͶǤ

ȏ͹ͺȐ B. Jiang, Z. Chen, ve F. Chen, “Influence of Sampling Delay

‘–Š‡•–‹ƒ–‹‘‘ˆ‹–Š‹—Ǧ

‘ƒ––‡”›ƒ”ƒ‡–‡”•ƒ†

an Optimized Estimation Method”, Energiesǡ…Ǥͳʹǡ•›ͳͲǡ

”–Ǥ•›ͳͲǡ…ƒǤʹͲͳͻǡ†‘‹ǣͳͲǤ͵͵ͻͲȀ‡ͳʹͳͲͳͺ͹ͺǤ

ȏ͹ͻȐ “Prognostics center of excellence Ǧ data repository”,

NASA Ames Progn Res Center. Erişim: 29 Nisan 2023.

Š––’ǣȀȀ™™™Ǥƒ•ƒǤ‰‘˜Ȁ‹–‡ŽŽ‹‰‡–Ǧ•›•–‡•Ǧ†‹˜‹•‹‘

ȏͺͲȐ “Battery Data | Center for Advanced Life Cycle

Engineering”, CALCE battery research group. Erişim: 29

Š––’•ǣȀȀ…ƒŽ…‡Ǥ—†Ǥ‡†—Ȁ„ƒ––‡”›Ǧ†ƒ–ƒ

ȏͺͳȐ “Experimental Data Platform”, Toyota Research

Institute. Erişim: 29 Nisan 2023. [Çevrimiçi]. Erişim

ƒ†”‡•‹ǣŠ––’•ǣȀȀ†ƒ–ƒǤƒ–”Ǥ‹‘ȀͳȀ

ȏͺʹȐ “Data for degradation of commercial lithiumǦ‹‘…‡ŽŽ•ƒ•

a function of chemistry and cycling conditions”, Sandia

National Lab. Erişim: 29 Nisan 2023. [Çevrimiçi]. Erişim

ƒ†”‡•‹ǣŠ––’•ǣȀȀ™™™Ǥ„ƒ––‡”›ƒ”…Š‹˜‡Ǥ‘”‰Ȁ•Ž̴•–—†›ǤŠ–Ž

ȏͺ͵Ȑ Ǥ ”‡‰‡” vd., “Degradation of Commercial LithiumǦ

Cells as a Function of Chemistry and Cycling Conditions”,

J. Electrochem. Soc.ǡ…Ǥͳ͸͹ǡ•›ͳʹǡ•ǤͳʹͲͷ͵ʹǡ…ƒǤʹͲʹͲǡ

†‘‹ǣͳͲǤͳͳͶͻȀͳͻͶͷǦ͹ͳͳͳȀƒ„ƒ‡͵͹Ǥ

ȏͺͶȐ D. Gun, H. Perez, ve S. Moura, “Berkeley: eCal fast

charging test data”. Dryad, s. 293617695 bytes, 2015.

†‘‹ǣͳͲǤ͸Ͳ͹ͺȀͳ͵Ǥ

ȏͺͷȐ S. Zhang, “Data for: A dataǦ†”‹˜‡ …‘—Ž‘„ …‘—–‹‰

‡–Š‘†ˆ‘”•–ƒ–‡‘ˆ…Šƒ”‰‡…ƒŽ‹„”ƒ–‹‘ƒ†‡•–‹ƒ–‹‘‘ˆ

Ž‹–Š‹—Ǧ‹‘ „ƒ––‡”› Ǧ Mendeley Data”. Erişim: 29 Nisan

ʹͲʹ͵Ǥ

Š––’•ǣȀȀ†ƒ–ƒǤ‡†‡Ž‡›Ǥ…‘Ȁ†ƒ–ƒ•‡–•Ȁ…ͷ†š™͸™ͻʹȀͳ

ȏͺ͸Ȑ M. Luzi, “Automotive LiǦion Cell Usage Data Set”. IEEE, 07

Eylül 2018. Erişim: 29 Nisan 2023. [Çevrimiçi]. Erişim

ƒ†”‡•‹ǣ

Š––’•ǣȀȀ‹‡‡‡Ǧ

†ƒ–ƒ’‘”–Ǥ‘”‰Ȁ†‘…—‡–•Ȁƒ—–‘‘–‹˜‡ǦŽ‹Ǧ‹‘Ǧ…‡ŽŽǦ—•ƒ‰‡Ǧ

†ƒ–ƒǦ•‡–

ȏͺ͹Ȑ “eVTOL Battery Dataset”. Carnegie Mellon University, 18

ƒ”–ʹͲʹͳǤ†‘‹ǣͳͲǤͳͳͺͶȀͳȀͳͶʹʹ͸ͺ͵ͲǤ˜͵Ǥ

ȏͺͺȐ “DataǦ†”‹˜‡ ’”‡†‹…–‹‘ ‘ˆ „ƒ––‡”› …›…Ž‡ Ž‹ˆ‡ „‡ˆ‘”‡

capacity degradation”, Cycle Life Prediction. Erişim: 29

Š––’•ǣȀȀ†ƒ–ƒǤƒ–”Ǥ‹‘ȀͳȀ’”‘Œ‡…–•Ȁͷ…Ͷͺ††ʹ„…͸ʹͷ†͹ͲͲͲͳ

ͻˆ͵ʹͲͶ

ȏͺͻȐ G. Pozzato, A. Allam, ve S. Onori, “LithiumǦ‹‘ „ƒ––‡”›

ƒ‰‹‰ †ƒ–ƒ•‡– „ƒ•‡† ‘ ‡Ž‡…–”‹… ˜‡Š‹…Ž‡ ”‡ƒŽǦ†”‹˜‹‰

profiles”, Data Brief, c. 41, s. 107995, Şub. 2022, doi:

ͳͲǤͳͲͳ͸ȀŒǤ†‹„ǤʹͲʹʹǤͳͲ͹ͻͻͷǤ

Elektrikli Araçlarda Otonom Batarya Yönetim Sistemi Literatür İncelemesi Autonomous Battery Management System in Electric Vehicles Literature Review

Metin Yılmaz, Eyüp Çinar, Ahmet Yazıcı ȏͻͲȐ ǤǤ––‹ƒvd., “ClosedǦŽ‘‘’‘’–‹‹œƒ–‹‘‘ˆˆƒ•–Ǧ…Šƒ”‰‹‰ protocols for batteries with machine learning”, Natureǡ…Ǥ ͷ͹ͺǡ •› ͹͹ͻͷǡ ••Ǥ ͵ͻ͹Ǧ402, Şub. 2020, doi: ͳͲǤͳͲ͵ͺȀ•Ͷͳͷͺ͸ǦͲʹͲǦͳͻͻͶǦͷǤ ȏͻͳȐ M. Dubarry, “Graphite//LFP synthetic training diagnosis dataset”, c. 1, May. 2020, doi: 10.17632/bs2j56pn7y.1. ȏͻʹȐ P. Kollmeyer, “Panasonic 18650PF LiǦion Battery Data”, …ǤͳǡƒœǤʹͲͳͺǡ†‘‹ǣͳͲǤͳ͹͸͵ʹȀ™›Š–ͺ›͹–‰ǤͳǤ

21/129

Metin Yılmaz, Eskişehir Osmangazi Üniversitesi’nde (ESOGÜ) doktora öğrencisidir. Yedi yıl boyunca Tusaş Motor Sanayii A.Ş.’de kıdemli yazılım mühendisi olarak çalıştı. 2020 yılında bilgisayar mühendisliği alanında yüksek lisans derecesini aldı. ESOGÜ’de Akıllı Fabrika ve Robotik Laboratuvarı’nın bir parçası olarak Türkiye Bilimsel ve Teknik Araştırma Kurumu (TÜBİTAK) doktora bursiyeri öğrencisidir. Ayrıca 100/2000 Yükseköğretim Kurulu (YÖK) doktora bursiyeridir. Araştırma çalışmaları, robotik sistemler, yapay zeka ile endüstriyel sistemlerde hata tespiti ve tahmini konularına odaklanmaktadır.

Doç. Dr. Eyüp Çınar, Fulbright Bursiyeri olarak 2010 yılında New York, ABD’deki Rochester Institute of Technology’de Elektrik ve Mikroelektronik Mühendisliği alanında yüksek lisans derecesini almıştır. Aynı üniversitenin Mikrosistem Mühendisliği bölümünde doktorasına devam etmiş ve 2015 yılında doktora derecesini almıştır. Sonrasında, ABD’de yaklaşık dört yıl boyunca çeşitli şirketlerde Kıdemli Mühendis olarak endüstriyel deneyim kazanmıştır. New York eyaletindeki dünyaca ünlü GLOBALFOUNDRIES Fab8 çip üretim tesisinde Kıdemli Gelişmiş Süreç Kontrol mühendisi olarak, yarı iletken üretiminde hata tahmini, sınıflandırma ve süreç kontrolü üzerine çalışmıştır. Daha sonra, San Jose, CA’daki ASML-HMI Ar-Ge merkezinde Kıdemli Yarı İletken Desenleme Veri Bilimcisi olarak çalışmaya devam etmiştir. 2019 yılında Dr. Eyüp Çınar, 2023’ten beri Bilgisayar Mühendisliği Doçenti ve Eskişehir Osmangazi Üniversitesi’nde öğretim üyesidir. Aynı zamanda Elektrik ve Elektronik Mühendisleri Enstitüsü’nün (IEEE) kıdemli üyesidir.

Prof. Dr. Ahmet Yazıcı, 2000 ve 2005 yıllarında Eskişehir Osmangazi Üniversitesi’nde (ESOGÜ) kontrol sistemleri alanında yüksek lisans ve doktora derecelerini almıştır. 2007 Darpa Urban Challenge’da OSU-ACT Ekibi üyesiydi. 2005 yılından beri Eskişehir Osmangazi Üniversitesi Bilgisayar Mühendisliği Bölümü’nde çalışmaktadır. Akıllı Fabrika ve Robotik Laboratuvarı’nın kurucusudur. Ayrıca ESOGÜ’de Akıllı Sistemler Araştırma Merkezi’nin müdürüdür. Mevcut araştırma ilgi alanları arasında akıllı araçlar, Akıllı Fabrika ve Otonom Sistemler bulunmaktadır.

22/129

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 03.05.2024

Geleceğin Harekât Ortamında Otonom Sürü SİHA Konseptlerinin Stratejik Önemi ve Kullanım Taktiklerinin Örnek Bir Senaryo Üzerinden İncelenmesi

Strategic Importance of Autonomous Swarm UCAV Concepts in the Future Operational Environment and Investigation of Tactics through a Sample Scenario

Vural Avcı1

1 Harekât ve Veri Tabanı Uzmanı, Türk Havacılık ve Uzay Sanayii (TUSAŞ) Ankara, Türkiye [email protected]

Günümüzde ülkelerin en önemli istihbarat ve harekât unsurlarını harekât ortamında destekleyen sistemler kuşkusuz ki İnsansız Hava Araçları (İHA) bağlamında geliştirilen Silahlı İHA (SİHA)’lardır. Stratejik olarak düşman üzerinde büyük bir üstünlük yaratan SİHA’lar aynı zamanda kesintisiz harekâta uzun süreli destek vererek istihbarata dayalı anlık fırsat hedeflerine karşı da büyük bir başarı ile kullanılmaktadır.

Teknolojinin gelişmesi ile birlikte Konvansiyonel harbin değişmesi, ülkelerin ve şirketlerin Ar-Ge faaliyetlerine büyük yatırımlar yapmalarına neden olmuştur. Bu gelişmeler SİHA’ların öncelikle uzaktan kontrollü yapılarının değişerek otomasyon kabiliyete, sonrasında ise otonom (bağımsız hareket edebilme) kabiliyete evrilmelerine yönelik ihtiyaçlar artmıştır.

Bu çalışmanın amacı; sürü SİHA kavramını ve bu alandaki gelişmeleri inceleyerek, örnek olarak bir harekât senaryosu ortamında otonom sürü halinde görev icra eden SİHA’ların taktiklerini incelemek ve gelecek dönemde bu taktiklerin nasıl bir katkı sunacağı konusunda değerlendirmelerde bulunmaktır.

Anahtar Kelimeler: Geleceğin Harekât Ortamı, Hava Harekâtı, Otonomi, Yapay Zekâ, İHA, SİHA.

Today, the systems that support the most important intelligence and operational elements of countries in the operational environment are undoubtedly the Armed UAVs (UCAVs) developed in the context of Unmanned Aerial Vehicles (UAVs). UAVs, which strategically create a great superiority over the enemy, are also used with great success against intelligence-based instant opportunity targets by providing long-term support to uninterrupted operations.

The change in conventional warfare with the development of technology has led countries and companies to invest heavily in R&D activities. These developments have increased the need for UCAVs to evolve from remote-controlled structures to automation capability and then to autonomous (independent movement) capability.

The aim of this study is to examine the concept of swarm UCAVs and developments in this field, to examine the tactics of autonomous swarm UCAVs in an operational scenario, and to make evaluations on how these tactics will contribute in the future.

Keywords: Future Operational Environment, Air Operations, Autonomy, Artificial Intelligence, UAV, UCAV.

23/129

İnsansız Hava Araçları (İHA) soğuk savaş döneminin sonlarına doğru, daha çok keşif ve gözetleme amacıyla geliştirilmeye başlanmıştır. 1980’li yılların sonuna doğru İHA’lar boyut olarak küçülmeye ve daha fazla fonksiyonu bir arada barındırmaya başlamış, çeşitli silahlar ile hedeflerin imhasında da kullanılmıştır [1]. İlk dönemlerde uzaktan kontrollü basit birer uçuş platformlarıyken, teknolojinin gelişimi ile sensör donanımları ve gelişmiş otonomi özellikleri sayesinde çok özellikli hava araçlarına evrilmişlerdir.

Bu İHA’lar harekât ortamında birçok farklı görevde kullanılabilirler. Ayrıca İHA’lar daha çok keşif ve gözetleme görevinde kullanılırken, Silahlı İnsansız Hava Araçları (SİHA) ise, doğrudan saldırı yeteneği eklenmiş İHA'lar olarak tanımlanmaktadır. Teknolojik olarak gelişimleri ile birlikte kullanım konseptleri de büyük oranda değişmiş, geleceğin harbinin önemli bir yön vericisi olmuşlardır.

Ülkelerin savunma stratejilerinde ve harekât alanlarında, istihbarat ve saldırı amaçlı en önemli elemanları kuşkusuz ki geliştirilen SİHA’lardır. Stratejik olarak düşman üzerinde büyük bir üstünlük yaratan SİHA’lar aynı zamanda kesintisiz harekâta uzun süreli destek vererek istihbarata dayalı anlık fırsat hedeflerine karşı da büyük bir başarı ile kullanılmaktadır.

Teknolojinin gelişmesi ile birlikte konvansiyonel harbin değişmesi, ülkelerin ve şirketlerin Ar-Ge faaliyetlerine büyük yatırımlar yapmalarına neden olmuştur. Bu gelişmeler SİHA’ların öncelikle uzaktan kontrollü yapılarının değişerek otomasyon kabiliyetine (önceden belirlenmiş iş dizinini yapabilme), sonrasında ise otonom (bağımsız hareket edebilme) kabiliyete evrilmelerine yönelik sürecin önünü açmıştır [2].

Bu çalışmanın amacı; sürü SİHA kavramını ve bu alandaki gelişmeleri inceleyerek, örnek olarak oluşturulmuş bir harekât senaryosu ortamında otonom sürü halinde görev icra eden SİHA’ların taktiklerini incelemek ve gelecek dönemde taktiklerin nasıl değişebileceği konusunda değerlendirmelerde bulunmaktır.

2. Otonom Sürü SİHA’ların Gelişimi

Savunma veya saldırı sistemleri açısından ülkeler; hata payı düşük, zor şartlara dayanıklı, insansız hava araçları geliştirmeye devam etmektedirler. Yapay zekâ destekli bu insansız hava araçlarının en özel örneği SİHA’lardır. İnsan faktörünü ortadan kaldırarak en zorlu ve karmaşık görevleri dahi yapmak üzere tasarlanan bu araçlar gelişmiş sensörlerinin yardımı ile yüksek durumsal farkındalıklarını artırmışlardır. Bir pilotun, insan fizyolojisine bağlı olarak kısıtlı sürelerle görev yapabildiği harp ortamlarında, kullanım amaçları doğrultusunda 120 saate kadar havada kalıp görev icra edebileceklerdir [3].

2.1. Konvansiyonel Harbin Değişimi

Ağ Merkezli Savaş (Network Centric Warfare) ortak bir farkındalık amacıyla, karar ve komuta hızının artırılmasına, yüksek bir operasyon temposuna, ağ sensörleri ile gelişmiş bir savaş gücü üreten, bilginin hızına da bağlı olarak etkin olduğu bir operasyon konsepti olarak tanımlanmıştır [4]. Ağ Merkezli Savaş özünde, harp alanında elde edilen bilgilerin etkili bir şekilde birbirine bağlanarak bilgi üstünlüğü ile alınan kararların savaş gücüne dönüştürülmesidir.

Ağ Merkezli Savaş kavramı ile birlikte yapay zekânın da harekât ortamlarına dahil olması ile SİHA’ların önemi daha da

artmıştır. SİHA’ların erken uyarı sistemlerine, acil istihbarat bilgisine ulaşıma ve karar alma döngüsünün hızlandırılmasına, ortaya çıkan ya da bilinen hedeflerin etki altına alınmasına doğal olarak Konvansiyonel Harbin değişimine etkileri büyüktür. Harekât alanında görünmez, sessiz ve çok uzun süre havada kalarak anlık olarak hem istihbarat toplayan hem de saldırı gerçekleştirebilen bu yüksek teknoloji ürünler, geleceğin harbini de değiştirmeye başlamıştır [5]. Bu durum; orduların, ortaya çıkan gelişmelere (fırsat hedefi) anında otonom reaksiyon göstermesine, savaş kabiliyetlerinde ve stratejilerinde büyük bir değişim/dönüşüm olgusuna sebebiyet vermiştir.

2.2. Otonom Harekata Geçiş ve SİHA’ların Gelişimi

Otonomi alanındaki gelişmeler, askeri uyduların ileri seviyede ürettiği çözümler, nesnelerin interneti, özellikle 5G teknolojisindeki atılımlar ve bulut veri teknolojisi ile yapay zekâ kavramının hızla ilerlemesi, SİHA’ların sürü halinde otonom harekât icra edebilme özelliklerinin daha fazla geliştirilmesini hızlandırmıştır.

Günümüzde üretilen birçok SİHA keşif ve gözetlemeyi barındıran istihbarat amacından çok hava savunma ve taarruz görevlerini icra etmek amacıyla üretilmektedir. Kompleks görevlerin tamamı SİHA’lar tarafından icra edilebilmektedir. Havada kalış süresinin uzunluğu, yüksek irtifalara çıkabilme, motor gücü, data link uzunlukları, yüksek sürat ve yüksek manevra kabiliyeti, uzun menzil, faydalı yük kapasitesi, otonom görev kabiliyeti, hassas vuruş, elektronik harp, sinyal istihbaratı, gelişmiş aviyonikler gibi birçok hassas sistemlerindeki gelişimleri devam etmektedir.

2000’li yıllardan itibaren çok sayıda ülke SİHA’ları geliştirme ve kullanma amaçlı projelere yatırım yapmıştır. Bu kapsamda ülkelerin SİHA’lar ile olan ilişkilerini;

- SİHA teknolojisini geliştirme kapasitesine sahip, - Aktif olarak SİHA’ları harekât ortamında kullanan, - SİHA’lara sahip ama aktif olarak kullanmamış ülkeler şeklinde sınıflandırmak mümkündür. 2000’li yılların başında SİHA teknolojisine sahip ülke bulunmazken, 2020 yılı verileri ile 28 ülke SİHA teknolojisini üretebilme kabiliyetine sahip olmuş, 38 ülke SİHA teknolojisine ulaşabilmiş ve 11 ülke ise harekât alanında söz konusu bu teknolojiyi kullanmıştır (Şekil-1) [6].

Şekil-1: SİHA Kullanan, Geliştiren ve Sahip Olan Ülkeler [6].

24/129

Geleceğin Harekât Ortamında Otonom Sürü SİHA Konseptlerinin Stratejik Önemi ve Kullanım Taktiklerinin Örnek Bir Senaryo Üzerinden İncelenmesi Strategic Importance of Autonomous Swarm UCAV Concepts in the Future Operational Environment and Investigation of Tactics through a Sample Scenario

Teknolojiye bağlı olarak otomasyon sistemleri (önceden programlanmış) ile hareket edebilen bu araçların gelecekte tam otonom olarak (kendi kendine karar alabilme) hareket edebilmelerine yönelik çalışmalar devam etmektedir [7, 8]. Harekât ortamında kullanım amaçları doğrultusunda SİHA’lar 6 kategoriye ayrılmışlardır (Tablo-1) [9].

Tablo-1: Harekât Ortamında SİHA Kategorileri [9].

Kategori Tasarım

Görev

Örnek

-Keşif

TB2

-Sınırlı

-Hedef tespiti

Süreli

-Hafif Silahlarla

Operasyon Saldırı

Süresi

Stratejik -Uzun

-Geniş Alan

MQ-9

Gözetleme

Reaper

-Gelişmiş Keşif (ABD)

Misyonları

-Uzun Menzilli

Hassas Vuruş

MALE -Orta İrtifa -Keşif

Aksungur

-Saldırı

Heron

HALE

-Stratejik Keşif, RQ-4

Global

-İletişim

Hawk

Aktarımı

Silahlı

-Orta İrtifa -Küçük Gövde MQ-1C

-Hassas Vuruş

Anka-3

Manevra

Kabiliyeti

-Mühimmat

Çeşitliliği

Kamikaze -Alçak İrtifa -Tek Kullanımlık Harop

Saldırılar

Kargu,

Alpagu

Otonom sistemler kendini tamamen veya kısmen kontrol edebilen, herhangi bir insan müdahalesine gerek kalmadan görevi seçebilen ve amaca ulaşan sistemler olarak tanımlanmıştır [10]. Amaç öncesinde işlem dizini programlanmış olan ve bu bağlamda harekete geçmiş sistemler olarak da ifade edilmiştir [11]. Otonom silah sistemleri ise kullanıcısı olan insan faktörünün hiçbir etkisi ya da müdahalesi olmadan görev başarımı için gerekli hedefleri seçip imha etmek amaçlı silahlarını kullanan sistemleridir.

Otonom silahlar üzerinde yeni ve etkin çalışmalar mevcuttur. Yarı otonom ve denetimli otonom olarak tanımlanan sistemler teknolojinin yardımı ile tam otonom hale getirilmeye çalışılmaktadır. İnsan operatörün girdisine gerek duymadan hedefleri bulan, izleyen, seçen, taktikleri üreten ve gerekli hallerde saldıran otonom sistemlerin gelişimi halen son hızla devam etmektedir [12].

2.3. SİHA’larda Yapay Zekâ ve Otonom Sistemlerin Gelişimi

SİHA’lar için büyük bir öneme sahip makine öğrenmesi, yapay zekâ alanında gelişimini büyük bir hızla sürdürmektedir.

İnsansız SİHA sistemlerinin gelişmesinde; komuta ve kontrol, rota uygulaması, algılama (sensör füzyonu), engellerin tespiti, hedefin bulunması, saldırı ve kaçınma, sürü davranışı ve taktiklerin belirlenmesi, insan ile olan etkileşimi gibi konular önem taşımaktadır. Makine öğrenmesi aşamalarında yapay zekâ sistemleri; ön bilgi, eğitim verileri ve tecrübelerden faydalanarak karar alma yetisini geliştirmektedir. Bu uygulama sistemi içinde, denetimli öğrenme (supervised learning), denetimsiz öğrenme (unsupervised learning) ve pekiştirmeli öğrenme (reinforcement learning) tekniklerinden yararlanılmaktadır. Sistem ilk başlarda geliştirici tarafından oluşturulmuş veri setlerinden yararlanırken, gelecekte diğer öğrenme modellerini daha fazla kullanacağı varsayılmıştır. Yapay zekâ ve makine öğrenmesi alanındaki gelişmeler kararları otonom olarak alabilecek sistemlerin geliştirilmesini mümkün kılmaktadır [13].

Harekât uzmanlarının ve mühendislerin ortak çalışmaları, gelecekte tüm savaş uçaklarının, yapay zekâ destekli ve insansız muharebeye katılacağı yönündedir. ABD menşeili Northrop Grumman şirketi tarafından geliştirilen X47-B türünün ilk örneklerinden biridir. X47- B insan fizyolojisinin dayanamayacağı hız, “G” kuvveti, meteorolojik şartlar ve sürelerde, hatasız ve tam otonom olarak hava muharebesine gireceği tahmin edilmektedir [14].

Yine yapay zekâ çalışmaları kapsamında ABD Hava Kuvvetleri ve Savunma İleri Araştırma Projeleri Ajansı (The Defense Advanced Research Projects Agency (DARPA)) 17 Nisan 2024 tarihinde yaptığı açıklamada, ilk kez deneysel olarak yapay zekâ destekli uçurulan bir F-16’nın hava muharebesine katılarak, yakın hava muharebesine (dogfight) girdiği belirtilmiştir. Deneysel F-16 modeli geliştirme projesi olan X-62A VISTA’nın yapay zekâ tarafından desteklenerek tam otonom gerçek bir dogfight’ta başka bir F-16’ya karşı uçtuğu açıklanmıştır [15].

Geliştirilmeye devam edilen tam otonom silah sistemlerinin günümüzde harp alanlarında kullanımından bahsetmek mümkün değildir. Kendi askeri güçlerini artırmak isteyen ülkeler yapay zekâ destekli otonom silah sistemlerine olan yatırımlarını ve Ar-Ge faaliyetlerini artırmaya devam etmektedir. Gartner’in “Gelişen Teknolojiler İçin Tırmanma Döngüsü” grafiğinde (Şekil-2) ise Yapay Zekâ Destekli Otonom SİHA’ların, “Yenilik Tetikleyici” zaman sınıfından çıkarak, “Beklentilerin Zirvesi (Peak of Inflated Expectations)” zaman sınıfına geçiş yapmaya başladığı değerlendirilmiştir [16].

Şekil-2: Gelişen Teknolojiler İçin Tırmanma Döngüsü [16].

25/129

2.4. Sürü Kavramı ve Kontrol Mimarileri

Sürü SİHA kavramı, belirlenmiş bir görevi yerine getirmek amacıyla iş birliği içinde çalışan çok sayıda SİHA’yı kapsamaktadır. Çoklu SİHA (sürü) sistemlerinde, sensör karakteristikleri, faydalı yük taşıma kapasiteleri ve otonom seviyeleri ile platform konfigürasyonları aynı ya da farklı olabilir. Birbirinden farklı donanım ve özelliklere sahip SİHA platformlarının oluşturduğu grup (heterojen sürü) karmaşık bir sisteme sahip olacaktır. Bu durum, SİHA kabiliyetlerindeki farklılıkların harp sahasında büyük önem taşıdığı durumlarda çok daha faydalı olacaktır.

Yüksek teknolojik özellikler gerektiren sensör kabiliyeti veya göreve bağlı olarak farklı özelliklerde sensörler gerektiren, ancak bu farklı büyüklükteki sensörlerin taşıma kapasitesi kısıtlaması yüzünden tek bir SİHA tarafından taşınamadığı durumlarda sürü kavramı kullanım kolaylığı ve görevde etkinlik sağlayacaktır [17].

Sürü SİHA sistemlerinin kontrolü (rota planlamaları, taktik belirlenmesi ve görev paylaşımı) konusunda literatürde çok farklı yaklaşımlar mevcuttur [18]. Temel olarak bu yaklaşımlar merkezi (centralized) ve merkezi olmayan (decentralized) kontrol mimarileri olarak tanımlanmaktadır. Merkezi kontrol mimarisinde düşük seviyeli bir otonomiye sahip sürü SİHA’lar arasında karşılıklı bir iletişim bulunmamaktadır. Kullanıcı operatör sürü içindeki farklı SİHA elemanlarından bilgiyi alır, koordine kurar ve sürü sistemi içinde görev tanımlamalarını ve atamalarını önceden yapar. Bu yaklaşımla, otonominin düşük olması yüzünden daha basit ve kolay optimize edilebilir görevler icra edilmekle birlikte geleceğin harbi açısından yetersiz kalmaktadır. Merkezi olmayan kontrol mimarisinde, sürü SİHA elemanları arasında yüksek bir otonomi ve karşılıklı iletişim mevcuttur. Her bir eleman iletişim halinde olup bilgiyi paylaşabilmeli ve gerekli kararları verebilmedir. Gerek çok daha karmaşık yapıda olmaları gerekse yüksek seviyeli yapay zekaya dayalı bir otonomiye ihtiyaç duymaları nedeniyle son yıllara kadar kullanılamamıştır [19].

2.5. Geleceğin Harbi, Sürü SİHA Operasyonlarında Kullanım Konseptleri

Boyut ve özelliklerine göre SİHA’ların farklı harp alanlarında daha etkin olduğu bilinmektedir. Savunma sistemleri tarafından bulunmaları ve tespit edilmeleri çok zor olan küçük ölçekli SİHA’ların sürü saldırılarda merkezi kontrollü olarak kullanılmaktadır. Yüksek irtifa ve uzun süre havada kalabilen sensör füzyonu ile donatılmış radar kesiti (RCS, bir nesnenin radarla ne kadar algılanabilir olduğunun ölçüsü) düşük, tam otonom SİHA’lar ise genelde coğrafi olarak uzaktaki hedeflere taktik saldırı açısından ön plana çıkmaktadır.

Son insanlı savaş uçakları olarak tanımlanan 5’inci Nesil uçaklar yapılana kadar savaş uçakları, genelde karmaşık görevleri paket halinde icra etmektedir. Paket içindeki uçakların bir kısmı elektronik karıştırma uygular, bazıları havadan yere atılan mühimmatları ile hedeflere taarruz eder bazıları da taşıdıkları havadan havaya mühimmatlar ile düşman hava unsurlarına karşı önleme ya da himaye görevleri yapmaktadır. Gelecekte insan fizyolojisi ve güvenlik kısıtlarından dolayı harekât ortamında karar verici rolde görev yapma ihtimali yükselen 5’inci Nesil uçaklarla birlikte bu komutaya bağlı ve/veya görev ataması ile bağımsız sürü halinde görev yapacak SİHA’ların geliştirilmesiyle ilgili çalışmalar devam etmektedir.

Savunma Sanayii Başkanlığı tarafından Hava Kuvvetleri Komutanlığının ihtiyacı olan ve TUSAŞ (Türk Havacılık ve Uzay Sanayii) tarafından geliştirmekte olan Milli Muharip Uçak KAAN’da herhangi bir harekât alanında görev yaparken yalnız uçmayacaktır. TUSAŞ tarafından IDEF-2023’de duyurulan Otonom Kol Uçuşu (OKU) proje çalışmaları kapsamında KAAN uçağı gelişmiş sensörleri ve füzyon yeteneği sayesinde birden fazla SİHA’yı (ANKA-III) kontrol merkezi olarak yönlendirme görevini yürütebilecektir. KAAN uçağı, pilotu tarafından uçurulurken, icra edilmesi gereken görev için hedefe yanında uçan ve farklı otonomi seviyelerine sahip ve sürü halinde hareket edebilen ANKA-III (Loyal Wingman) bulunacaktır. KAAN füzyon sensörü, iletişim, görev tahsis edebilme ve planlama özellikleri ile görev sahasında ANKA-III’lerin görev paylaşımını yapmış ve onları harp alanına göndererek, düşman topraklarına girmeden güvenli alanda komuta etmeye başlamış olacaktır. Görev paylaşımının ardından ANKA-3’ler gerekirse elektronik sinyalleri ile KAAN’ı taklit ederek aldatma yapacak, tehditlere karşı insanlı KAAN’ı koruyacak, bir kısmı düşman hava kuvvetleri unsurlarından gelebilecek tehditlere karşı önleme görevi icra edecektir. Bu görevi icra eden ANKA’lar havadan havaya füzeleriyle donatılmış ve hava muharebesi görevlerine odaklanmış olacaklardır. Diğer grup üzerlerinde bulunan elektronik harp imkânları ile düşmanın aktif radar istasyonlarını köreltecek, düşman hava savunma sistemlerinin KAAN’ı ve ANKA’ları hedef almasını önleyecektir. Son grup ise taşıdıkları havadan yere atılabilen mühimmatları ile önceden belirlenmiş düşman hedeflerine atışlarını yapabilecektir. Bu taktik konseptin amacı; insanlı ve yüksek maliyetli KAAN uçağının tahrip olmamasıdır [20].

Literatüre “Loyal Wingman” olarak geçen, düşük maliyeti ile hızlı üretilebilir ve sadık kol uçucusu olarak tanımlanan SİHA’lar gelecekte dinamik veri paylaşımı ve merkezi olmayan mimaride koordineli tam otonom ortak görev yapabileceklerdir. Tehlikeli görevler için insan faktörünü ortadan kaldırırken, gelişmiş sensörlerden toplanan çok sayıda bilginin insan gücü tarafından derlenemeyecek kadar çok ve hızlı akışından doğacak durumsal farkındalığı çok üst seviyeye çıkaracaklardır. Bu maksatla TUSAŞ OKU Konsept çalışması ile insanlı ve insansız sistemlerin otonom görev yapabilme yetkinliklerinin geliştireceği çatı ontoloji standardizasyonun sağlanmasını da hedeflenmektedir.

3. Senaryolaştırılmış Muharebe Ortamında Sürü Otonom SİHA’ların Karmaşık Hava

Operasyonu Örneği

3.1. Senaryo Planlamalarının Önemi

Senaryo planlama, bir organizasyonun misyonuyla ilgili olarak geleceği öngörmeye yönelik disiplinli bir çalışmadır. Geleceklere ilişkin tahminler ve belirsizlikler çok sayıda değişkene bağlıyken, senaryo çalışmaları geleceği yönetilebilir şekilde basitleştirir. Organizasyonlar, tahmin etme yeteneği ile büyük belirsizlik koşulları altında faaliyet gösterirken, senaryo planlamasından yararlanırlar. Yeni gelişmeleri ve fırsatları algılama veya yaratma kabiliyetinin sınırlı olması, stratejik olarak zayıf düşünme, sektörde meydana gelen önemli

26/129

Geleceğin Harekât Ortamında Otonom Sürü SİHA Konseptlerinin Stratejik Önemi ve Kullanım Taktiklerinin Örnek Bir Senaryo Üzerinden İncelenmesi Strategic Importance of Autonomous Swarm UCAV Concepts in the Future Operational Environment and Investigation of Tactics through a Sample Scenario

değişiklikler, ortak bir dil geliştirme ihtiyacı, görüş farklılıkları, gelecekteki askeri gücün planlanmasıyla ilgili hususlardır. Dolayısıyla senaryo analizleri, savunma ve taarruz strateji açısından büyük bir öneme sahiptir [21, 22].

Senaryo stratejileri, öngörülebilirlik düzeyi göz önüne alınarak optimum çözümlere dayanan gerçekçi çalışmalar olmalıdır. Daha önceki deneyimlere dayanarak kazanma stratejisi daima geliştirilmelidir. Süreç uzmanı tarafından, senaryonun değişen koşullara uyum sağlamasına yardımcı olacak organizasyonel süreçler geliştirmelidir [23].

Sun Tzu'nun “düşmanı tanıma” ilkesi, gelecekteki çatışmalarda daha da kritik olmaya devam edecektir [24]. Gelecekte yaşanması muhtemel bilgi yoğun savaşlarda, düşmanın potansiyel stratejilerine ilişkin sahip olunacak bilgiler, silah sistemlerinin yeteneklerine ilişkin farkındalık kadar önemli olacaktır [25].

Hava harekatları için senaryo planlamanın temel amacı gelecekte muhtemel kuvvet yapısına ilişkin karar almayı desteklemektir. Senaryo planlamasının yürütülmesi aynı zamanda organizasyon içindeki uyum yeteneğinin geliştirilmesine de yardımcı olacaktır.

3.2. Senaryonun Amacı ve Varsayımlar

Şekil-3’de gösterilmiş olan bu senaryoda amaç; gelecekte hava harekatlarının ayrılmaz bir parçası olacak yapay zekâ destekli sürü otonom SİHA grubunun, görev formasyonu içindeki hareketlerini ve olası taktiklerini incelemektir.

Bu kapsamda; senaryolaştırılmış harp sahası aşağıda maddeler halinde sunulmuş olup varsayımların çerçevesi bu maddelere göre belirlenmiştir.

- Sürü otonom SİHA’lar harp alanında farklı görevler icra edeceği için, görevin gerektirdiği donanım, silah ve taşıma kapasitelerine sahiptir.

- Bölgede bir adet AWACS (Havadan Erken İhbar ve Kontrol) uçağı ve bir adet HYİ (Havada Yakıt İkmali) uçağı görev yapmaktadır.

- Tüm unsurlarda 5G teknolojisi mevcuttur. Ağ Merkezli Harp için uygun donanım ve alt yapı kullanılmaktadır.

- Taarruzlarda akıllı mühimmat kullanılmaktadır. - Hedef stratejik bir düşman komuta kontrol merkezidir. Orta (MRSAM) ve Uzun (LRSAM) menzilli hava savunma sistemleri ile korunmaktadır. - Havada CAP görevi için bekleyen düşman uçakları mevcuttur.

3.3. Sürü SİHA Elemanlarının Açılımı

Karmaşık Kuvvet Hava Harekâtı (Composite/Combined Air Operations, COMAO), özellikle büyük ve karmaşık hava görevleri için bir ya da birkaç meydandan havalanan, farklı özelliklerde ve farklı görev kabiliyetine sahip uçaklar tarafından oluşturulmuş görev paketine verilen isimdir. Paketin bir görev komutanı varken her bir alt görev grubunun da bir lideri bulunmaktadır. Görev farklılıkları, paket kolunun üyelerinin belirli görevleri üstlenmesini sağlamaktadır. Bunlar, keşif, koruma, saldırı ve diğer görevleri içerebilir. Her hava aracı, yetenekleri ve görev gereksinimleri göz önünde bulundurularak belirli bir rolde yer alır. Gelişmiş teknolojiler ile

donatılmış SİHA’lar ise aynı anda birçok görevi icra edebilirler [26]. Bu kapsamda senaryo amacıyla oluşturulmuş COMAO paket içinde bulunan Sürü SİHA’lar ve diğer görev elemanları aşağıda olduğu gibidir.

Tablo-2: COMAO Paketi Görev Elemanları

SÜRÜ

Uçak 1xTanker Uçağı 1xAWACS

2xSİHA 2xSİHA

Görev AAR (HYİ) Erken İhbar ve Komuta Kontrol Strike (HYT)

Escort (HİM)

SEAD/ DEAD

E/H (Elekt. Harp)

Yük -

Hava-Yer Mühimmatı Hava-Hava Mühimmatı

Anti Radyasyon Füzesi

E/H Podu

Açıklamalar Dost topraklarda Havada Yakıt İkmali için kullanılacaktır.

Dost topraklarda Komuta Kontrol ve Radar görevi icra edecektir.

Stratejik hedefe havadan yere taarruz görevi icra edecektir.

COMAO paketinin hava savunmasını yapacaktır.

SEAD (Düşman Savunma Sistemlerinin Bastırılması) ve DEAD (Düşman Savunma Sistemlerinin İmha Edilmesi) görevlerini icra edecektir.

Elektronik Harp Podu ile savunma sistemlerine elektronik sinyal karıştırması yapacaktır.

3.4. Örnek Harekât Ortamı Senaryosu

Sürü otonom SİHA’ların muharebe sahasında hangi görevleri nasıl yapabileceklerine dair bir öngörü sahibi olabilmek amacıyla özgün bir hava harekâtı senaryosu oluşturulmuştur. Bu amaçla sürü halinde tam otonom hareket edebilen büyük gövde ve faydalı yük taşıma kapasitesine sahip, yüksek irtifalara çıkabilen, alçak irtifada arazi maskelemesi için gelişmiş sensör teknolojisi ile donatılmış, SİHA’lar kullanılmıştır.

Mavi Ülke ve Kırmızı Ülke arasında yaşanan politik ve jeopolitik tarihsel anlaşmazlıklar sonucunda önce karşılıklı gerginlikler yaşanmış, daha sonra küçük çaplı askeri çatışmalar ve nihayetinde kaçınılmaz olarak topyekûn harbe başlanmıştır. Harbin ilk günlerinde COMAO harekâtı icra edebilmek amacıyla Mavi Ülkeye ait sürü SİHA’lar iki farklı meydandan (A ve B Meydanları) havalanmışlardır. COMAO paketini oluşturmak amacıyla Randevu Noktasında buluşan Mavi Ülkeye ait kollar taarruz öncesi planlanan formasyon düzenine geçmiştir. Hedef olarak Kırmızı Ülke derinliklerinde bulunan

27/129

stratejik bir komuta kontrol merkezi, kalkış öncesi planlamalarda SİHA’lara hedef olarak atanmıştır. SİHA’ların ana görevi Komuta Kontrol Merkezinin imhası amacıyla paket içinde bulunan havadan yere taarruz görevini icra edecek grubun hedefe ulaşmasını ve emniyetli pozisyondan silahlarını salmak olarak belirlenmiş ve minimum kayıp verecek şekilde RTB (Return to Base – Üsse Dönüş) yapmaları beklenmiştir.

Lider olarak atanmış SİHA tarafından yönlendirilen sürü, Kırmızı Ülkeye ait önceden belirlenmiş hedefe yapılacak havadan yere taarruz için taktiğine ve havada karşılaşılabilecek durumlara otonom olarak karar verecektir.

Mavi Ülkenin saldırılarını havada önlemek amacıyla Kırmızı ülke toprakları üstünde görev yapan CAP (Combat Air Patrol) görev kolları mevcuttur. Ayrıca sınırı korumak amacıyla bir hat üstünde orta menzilli hava savunma sistemleri (MRSAM Medium Range Surface to Air Missle) bulunmaktadır. Yine aynı şekilde hedef komuta kontrol merkezi de MR-SAM ve uzun menzilli hava savunma sistemleri (LR-SAM Long Range Surface to Air Missle) tarafından korunmaktadır (Şekil-3).

Şekil-3: Örnek Harekât Ortamı Senaryosu.

Randevu noktasında taarruz için gerekli formasyonu oluşturan COMAO paketin lideri, tüm SİHA’lar ile iletişim halindedir. Paket sınıra doğru uçarken lider SİHA sensörleri yardımı ile SAR (Sentetik Açıklık Radarı) taraması yapmaktadır. Potansiyel hedeflerin tespit ve takibinde kullanılan Hareketli Hedef Tespiti, her hava durumunda yüksek çözünürlüklü radar görüntüsü, hedef sınıflandırma ve arazi topografyası üretme için kullanılmaktadır. Lider SİHA Kırmızı Ülke MR-SAM’larının konumunu ve kaplama diyagramını çıkararak sınırı geçme taktiğini belirlemiştir. Senaryoda toplamda 4 adet MR_SAM sistemi tespit eden SİHA’lar, orta noktada kaplama bindirmesi olmayan ve arazi maskelemesi için kullanılabilecek bir geçiş yolu tespit etmiştir. Yapay zekâ destekli yapılan analizde, SİHA’lar SAM’lara taarruz ederek koridor açmak yerine, zaiyat vermeden geçiş yapılabileceğini analiz etmiş ve rota planlamasını otonom oluşturmuştur. Paket kol, Escort kollarının himayesinde arazi maskelemesi yapmak amacıyla alçak irtifadan profiline devam etmiş ve sınırı geçmeye başlamıştır (Şekil-4).

Şekil-4: Sınır Geçiş.

Sınırdaki SAM kaplama zafiyetinin bilincinde olan Kırmızı Ülke, vadi içinde alçak irtifadan gelebilecek tehditlere karşı iki uçaktan oluşan bir CAP kolunu uygun pozisyonda konuşlandırmıştır. COMAO paketin Escort SİHA radarları ve

28/129

Geleceğin Harekât Ortamında Otonom Sürü SİHA Konseptlerinin Stratejik Önemi ve Kullanım Taktiklerinin Örnek Bir Senaryo Üzerinden İncelenmesi Strategic Importance of Autonomous Swarm UCAV Concepts in the Future Operational Environment and Investigation of Tactics through a Sample Scenario

AWACS uçağından gelen bilgiler ile tespit edilen Kırmızı CAP kolları için hedef tahsisi lider tarafından yapılmıştır. Bir ve iki numaralı uçaklar kendi aralarında tahsis edilen hedeflere BVR (Beyond Visual Range - Görüş Ötesi) Füzeleri ile angajmana girmiş ve tehditleri ortadan kaldırmıştır. Bu esnada Paketin (Elektronik Harp (E/H) SİHA’ları güvenli geçiş amacıyla, geçişe başlamadan ve geçiş esnasında (yanal radar yardımı ile) MR-SAM’lara E/H Karıştırması uygulamıştır (Şekil-5). E/H, düşman radarlarının elektronik karıştırma kullanılarak kullanılamaz hale gelecek şekilde körleştirilmesi ve haberleşmelerinin engellenmesidir. Harekât esnasında savaş uçaklarının tehdit radarlar ve hava savunma sistemlerine karşı güvende olmasını sağlamaktadır [27].

Şekil-6: LR-SAM’lara E/H Karıştırması ve SEAD/DEAD Görevi.

MR-SAM ve LR-SAM’ların inha edilmesini takiben havadan yere güdümlü bombalar ile taarruz edecek elemanlar, en uygun taarruz taktiğini ve irtifayı analiz edecek, yüksek sürat ve eş güdümlü bombalarını hedefe göndererek kaçınma manevrasına başlayacaklardır. Tüm paketten toplanan veriler ile hedefin imhasının başarılamadığının anlaşıldığı durumlarda ve tehdit durumuna bağlı olarak paket lideri re-attack (yeniden taarruz) planlayabilecektir. (Şekil-7)

Şekil-5: Kırmızı CAP Kollarına Angajman ve E/H Karıştırması.

Bölgede bulunan Escort kol, pakete tehdidin Kırmızının “C” Meydanından kalkabilecek Scramble kollarından gelebileceği analizini yapmıştır. Bu maksatla hem meydanı gelişmiş radar ve sensörleri ile tarayacak hem de paketin korumasına uygun bekleme paternini kuracak şekilde konuşlanarak, sıcak-soğuk bacakta CAP bekleyecektir. CAP kollarının yerini alması ile birlikte E/H kolu SEAD/DEAD kolunun işini kolaylaştırmak için düşman SAM’larına çoklu hedef karıştırma kabiliyeti ile E/H karıştırması yapabileceği en uygun konumu yapay zekâ analizi ile belirleyecek ve karıştırmasına başlayacaktır. Kırmızı Komuta Kontrol Merkezinin koruması için yerleştirilmiş MR-SAM ve LR-SAM tehditlerinin, taarruz koluna olan etkisini ortadan kaldırmak amacıyla SEAD (Düşman Savunma Sistemlerinin Bastırılması) ve DEAD (Düşman Savunma Sistemlerinin İmha Edilmesi) görevlerini icra edecek iki adet SİHA en uygun taarruz analizinin belirlenmesini sağlayacaktır. Birinci eleman sağa ikinci eleman sola manevralar ile SAM tehdit mesafesinin kendilerine angajman olamayacak (SAM tehdidinde göre değişmekle birlikte genelde %30’luk bir alan) kısmına kadar girerek her 30 sn.’de bir füzeyi bindirmeli olarak atacaklar ve düşman SAM tehditlerinin bu süre zarfında kapatılmasını başaracaklardır (Şekil-6).

Şekil-7: Komuta Kontrol Merkezinin İmhası.

Görev başarılıp paketin dönüşü lider tarafından diğer SİHA’lara iletilecek, alçak irtifa yüksek sürat ile arazi maskelemesinden de yararlanan paket en kısa zamanda Mavi Ülke topraklarına dönüş yapacaktır. Sınır geçiş esnasında E/H kolu sınırdaki MR-SAM’lara karıştırma yapmaya devam edecek, Escort kol tüm paketin arkasında pakete gelebilecek tehditlere AWACS’tan aldığı bilgileri de kullanarak hazırlıklı olmaya devam edecektir. Bölgeden son ayrılan kol olarak, gelişmiş sensörlerinin yardımı ve uydu görüntülerinin analizi ile keşif görevini de yerine getirecektir. (Şekil-8)

29/129

Şekil-8: Kaçınma ve Sınır Geçiş.

Sınırı geçişi takiben paket randevu noktasında toplanacak, görevde harcanan yakıta bağlı olarak yakıtı azalan eleman havada yakıt ikmal uçağından yakıt alabilecektir. Yapay zekâ tarafından yakıt ikmal planlaması, meydana dönüş yakıtı azalan SİHA’lar için yapılacaktır. Tüm SİHA’ların meydanlara inişlerini takiben görev sona erecektir (Şekil-9).

Şekil-9: Meydana Dönüş.

Mavi’ye ait “A” ve “B” meydanlarından planlı kalkışlarını yapan ve randevu noktasında buluşan sürü SİHA’ların bu noktadan itibaren tam bir otonom görev kabiliyeti ile icra ettikleri çalışmalarına ait akış diyagramı Şekil-10’da olduğu gibidir.

30/129

Şekil-10: Sürü SİHA Akış Diyagramı

Geleceğin Harekât Ortamında Otonom Sürü SİHA Konseptlerinin Stratejik Önemi ve Kullanım Taktiklerinin Örnek Bir Senaryo Üzerinden İncelenmesi Strategic Importance of Autonomous Swarm UCAV Concepts in the Future Operational Environment and Investigation of Tactics through a Sample Scenario

4. Değerlendirme

Geleceğin hava savaşları düşünüldüğünde SİHA’ların muharebe sahalarında tam otonom olarak bulunmaları, tüm taktik ve stratejileri değiştirecektir. SİHA’lar öncelikle savaş ortamlarında olmak üzere birçok silahlı organizasyonda etkinlikle kullanılabilecektir (Tablo-3) [28].

Tablo-3: Silahlı Organizasyonlarda SİHA Kullanımı [24]

Beceri

-Keşif -Gözetleme -İstihbarat -Hava Yer Görevi -Hava Hava Görevi -Elektronik Harp -Deniz Görevleri

-Nokta Görev Kabiliyeti -Yönetme ve Yönlendirme -Deniz Alanında Hakimiyet -Hava Üstünlüğü -Hızlı ve Etkili Taarruz -Nihai Amaç

Fayda

-Risklerin Azaltılması -Maliyet -Terörle Mücadele -Kuvvet Çarpanı -Meteorolojik Koşullara Uyum -Uzun Süreli Havada Kalış -Ağ Merkezli Yapılanmayı Güçlendirme

Ortam

-Savaş -Terörle Mücadele -Ülke Savunması

Teknolojinin gelişmesi ve yapay zekâ alanındaki gelişmelere bağlı olarak öncelikle Hava-Hava görevleri, sonrasında ise en kritik ve karmaşık görevlerde kullanılmaları beklenmektedir. Özellikle Hava-Hava görevinde pilota düşen uçuş yükünün fazlalığı, angajmanların anlık olarak değişken analize dayanması, hızlı muhakeme ve refleksler gerektirmesi gibi zorluklar, SİHA’ların bu görevlerde kullanılmasını zorlaştırmaktadır. Bu alanda yarı otonom ve insanlı uçaktan gelen komutlara göre hareket eden Loyal Wingman kavramı ile otonom SİHA gelişim süreci devam etmektedir.

SİHA’ların çok daha ucuz ve gözden çıkarılabilir olmaları nedeniyle, insanlı uçak ile karşılaştırıldığında savaş alanında ülkeler üzerinde maddi ve manevi kayıp yaratmayacaktır. İnsanlı uçağın, üretim maliyetinin yanı sıra pilotun hayatının korunması açısından da bu durum önemlidir. Düşmanın belirlenmiş yüksek değerlikli stratejik hedeflerine taarruz etmek için SİHA'ları gözden çıkarmanın daha rasyonel olacağı değerlendirilmektedir. Bu şartlar altında kullanılacak taktikler, insanların doğrudan içinde bulunduğu savaşlardan kesinlikle farklı ve zorlu olacaktır [4].

Örnek senaryo üzerinde de görüldüğü üzere az sayıda gelişmiş SİHA ile karmaşık görevler, insan kaynaklı hataların ve kısıtların önüne geçerek yerine getirilebilecektir. SİHA’lar tüm görev boyunca, kol uçuşu, toplanma, kalkış, iniş gibi otonom kabiliyetlerinin yanı sıra;

- Randevu noktasında buluşma, - Paket kol düzenini oluşturma, - Kırmızı ülke arazisinin taranması ve SAM’ların tespiti, - Sınır geçiş usulleri ve geçiş için kullanılacak taktik, - SAM’lara karşı E/H karıştırması yapılması,

- Angajmana giriş ve silah salma, - CAP, E/H ve SAM’ların bastırılması, taktiklerinin belirlenmesi, - Ana hedefin tespiti ve taarruz taktiğinin belirlenmesi, - Re-attack ve kaçınma, - Sınır geri geçiş ve havada yakıt ikmali gibi çok sayıda konuda anlık değerlendirme yapması ve karar alması beklenmiştir. Bu görevin insanlı muharip uçaklar tarafından yapılması gerektiği düşünüldüğünde, çok sayıda uçak ve tecrübeli pilot tarafından gerçekleştirilmesinin beklenmesi muhtemeldir. Bunun yanında; - Bu görevleri yapacak pilotların uzmanlık alanlarına ve görev tipine göre yetiştirilmesi ile bunun getirdiği eğitim maliyetleri, - Göreve katılması muhtemel uçak sayısının artması sonucu oluşacak uçak kullanım maliyetleri, - Görevin farklı zorluk derecelerine göre, çok alçak irtifada ya da gece şartlarında icra edilmesi gibi durumlarda daha da artacak farklı uçak kategorilerine olan ihtiyaç, - Yetiştirilmesi uzun zaman alan ve meşakkatli olan savaş pilotu kaybı, - İnsanlı Uçak sistemlerinin insan fizyolojisi açısından ortaya çıkan kısıtlar (Max 9G), - NCW’in gelecekte getireceği çok sayıda verinin, anlık analiz edilmesindeki problemler gibi zorluklarla dolu alanların da çözümlenmesi gerekecektir.

Askeri havacılık; ülke bekası için üretilecek güvenlik ihtiyaçları ve savunma endüstrisi yönündeki ekonomik katkıları açısından stratejik öneme sahiptir. Devletler, mevcut silahlı hava araçlarını korumak ve geliştirmek zorundadır. Tehdidin sayısının ve çeşidinin her gün arttığı günümüzde, ülke savunması için yüksek kabiliyetli ve gelişmiş hava araçlarına sahip olunması kaçınılmaz bir zorunluluktur.

Yeni teknolojiler ve geliştirilmeye çalışan yapay zekâ destekli otonom sistemler, hava taarruz ve savunma stratejilerinin ve kabiliyetlerinin güçlendirilmesine ve çeşitlendirilmesine neden olmaktadır. Muharip savaş uçakları daha da gelişmiş, yüksek manevra kabiliyetlerine ulaşmış ve radarlar tarafından daha geç tespit edilebilir yetenekler kazanmış olup durumsal farkındalıkları çok artmıştır. Bunların yanında teknolojideki gelişmeler ile birlikte Tablo-3’de gösterilen tüm kullanım alanları için özel olarak yetiştirilmesi ve tecrübe kazanması gereken insan faktörü ise risk temelli yaklaşımlar ile zaman içinde denklemden çıkarılması gerekmektedir.

Maliyet etkin yaklaşımın bir sonucu olarak da üretilmeye ve geliştirilmeye çalışılan SİHA’lar, savaş uçaklarından farklı olarak birden fazla görevi üstlenebilmesi beklenmektedir. Geçmişte her bir görev misyonu için farklı tipte uçak geliştirilmesi ve pilot yetiştirilmesi gerekirken, günümüzde ve gelecekte geliştirilen platformlar ile yapay zekâ destekli sistemler sayesinde bu misyonların büyük bir kısmı tek bir gövdede gerçekleştirilebilecektir. Ancak, İHA ve SİHA gibi araçların yapısal ve teknik özellikleri bazı görevleri sınırlandırabilir. Geliştirilen sistemlerin gelecekte mutlak hava hâkimiyetini sağlaması, yeni teknolojilerin hızla platformlara

31/129

adapte edilebilir olması ve bunların ülke savunmasında çok uzun yıllar kullanılabilmesi öne çıkan beklentiler arasındadır.

Sonuç olarak, Sürü Otonom SİHA'ların yakın gelecekte savaş stratejilerini köklü bir şekilde değiştireceği, maliyet etkin bütçeler ile sürdürülebilir savunma desteğine katkıda bulunacağı ve bu teknolojiye sahip güçler için belirgin ve stratejik üstünlükler sağlayacağı açıkça görülmektedir.

[1] T. Kök, “İnsansız Hava Araçlarının Güvenli Kullanımı

için Spektrum İhtiyaçlarının Belirlenmesi ile İlgili

Öneriler”, Teknik Uzmanlık Tezi, Bilgi Teknolojileri ve

İletişim Kurumu, 2012.

[2] İ. Kalınbacak, “Sürü Otonom İha Sistemlerinin Muharebe

Sahasında Uygulama Taktikleri ve Geliştirilen Yeni

Teknolojiler” Savunma Bilimleri Dergisi, 1(43), 191-

209, 2023.

[3] Tekinay, O. N., & Batı, G. B. (2022). Askeri Alanlarda

Kullanılmak Üzere İnsansız Hava Aracı (İHA) Sistemleri

Seçiminde Topsis ve Bulanık Topsis Yönteminin

Kullanılması. Marmara Üniversitesi İktisadi ve İdari

Bilimler Dergisi, 44(1), 78-103]

[4] DS.Alberts, J. Garstka, ve FP Stein, Ağ merkezli savaş:

Bilgi

Üstünlüğünü

Geliştirmek

Kullanmak, Washington DC Ulusal Savunma

Üniversitesi Yayınları, (s. 2-16), 1999

[5] C. Karakuş, F. Katman, “Male Sınıfı İnsansız Hava Aracı

(İHA) Teknolojisi ve Konvansiyonel (geleneksel)

Savaştaki Yeri” Akademik Tarih ve Düşünce Dergisi,

6(2), 882-897, 2019

[6] Çağlar, M. T., & Gülmez, L. (2023). Savaşın Yeni

Araçları: Silahlı İnsansız Hava Araçlarının (SiHA)

Yayılması ve Büyük Güçlerden Devlet Dışı Aktörlere

SİHA Kullanımı. Social Review of Technology and

Change, 1(2), 23-47.

[7] Boeing, “U.S. Navy, Boeing Conduct First MQ-25

Refueling

Mission

with

F-35C”,

https://www.boeing.com/defense/mq25/ (Erişim Tarihi

27,04,2024).

[8] Wikipedia,

“Loyal

wingman”,

https://en.wikipedia.org/wiki/Loyal_wingman. (Erişim

Tarihi 27,04,2024).

[9] Hubsan Havacılık ve Uzay Bilimleri,

https://www.hubsan.com.tr/genel/silahli-insansiz-havaaraclari (Erişim Tarihi 27,04,2024).

[10] J.S. Thurnher, “The Law That Applies to Autonomous

Weapon Systems, American Society of International Law,

17(4)” 2013.

[11] K. Cass, “Autonomous Weapons and Accountability:

Seeking Solutions in the Law of War” Loyola of Los

Angeles Law Review, 48(3), 1017-1068, 2015

[12] A. Özer, “Savaşlarda Üçüncü Devrim Otonom Silah

Sistemleri

İnsancıl

Hukuk”

https://tasam.org/trTR/Icerik/52518/savaslarda_ucuncu_

devrim_otonom_silah_sistemleri_ve_insancil_hukuk,

(Erişim Tarihi 27,04,2024).

[13] Unmanned Systems Integrated Roadmap FY 2017-2042

[14] Wikipedia,

Northrop

Grumman

X-47B,

https://tr.wikipedia.org/wiki/Northrop_Grumman_X-

47B, (Erişim Tarihi 27,04,2024).

[15] The Defense Advanced Research Projects Agency

(DARPA), ACE Program Achieves World First for AI in

Aerospace, https://www.darpa.mil/news-events/2024-04-

17, (Erişim Tarihi 27,04,2024).

[16] Gartner, Top trends in the gartner hype cycle for

emerging

technologies,

2017.

https://www.gartner.com/smarterwithgartner/top-trendsin-the-gartner-hype-cycle-foremerging-technologies-

2017/ (Erişim Tarihi 27,04,2024).

[17] STM Teknolojik Düşünce Merkezi, SÜRÜ İHA

SİSTEMLERİ Modern Harp İçin Bir Gelecek Öngörüsü,

https://thinktech.stm.com.tr/uploads/docs/1608905682_s

tm-suru-iha-sistemleri.pdf (Erişim Tarihi 27,04,2024).

[18] Frantz N. R. “Swarm Intelligence For Autonomous UAV

Control” Naval Postgraduate School

[19] Özer, M. M., & Bakırcı, M. İnsansız Hava Araçlarına

Kontrol Sistemi ve İletişim Ağı Entegrasyonu İle Sürü

Davranışı Kazandırılması, TMMOB Makina

Mühendisleri Odası XII. Ulusal Uçak, Havacılık ve Uzay

Mühendisliği Kurultayı, 13-14 Ekim 2023

[20] TurDef - Global Defence News, TUSAŞ, Türk Sadık

Kanat Adamını Hazırlıyor : OKU,

https://turdef.com/article/tusas-prepares-turkish-loyalwingman-oku-concept (Erişim Tarihi; 27.04.2024).

[21] P.J.H. Schoemaker, “Scenario Planning: A Tool for

Strategic Thinking,” Sloan Management Review, Cilt 36,

no. 2, 25–40, 1995.

[22] Australia’s Defence Science and Technology Group,

"Understanding Future Robustness being a theme for the

2020 call for Operations Research Network proposals”.

[23] Chermack, Lynham, and Ruona, “A Review of Scenario

Planning Literature.”

[24] Yoldaş, Ç. (2019). Yeni savaşlarda istihbarat teşkilatlarını

rolü: Hibrit Savaş örneği (Doctoral dissertation, Sakarya

Universitesi (Turkey))

[25] A. Dowse, “Scenario planning methodology for future

conflict”, The Journal of Indo-Pacific Affairs, 4(2), 18-

31, 2021.

[26] North Atlantic Treaty Organization (NATO) “Glossary of

Abbreviations Used in NATO Documents and

Publications”, 2008.

[27] DEMİR, M. (2022). Milli savunma teknolojileri ve Türk

silahlı kuvvetleri. Eurasian Academy of Sciences Social

Sciences Journal, 73-85.

[28] S. Aydoğan, “Bir İnovasyon Olarak İnsansız Hava

Araçlarının Silahlı Organizasyondaki Kullanımının

İncelenmesi: Bir Betimsel Analiz Çalışması”, Journal of

Aviation Research, 4(1), 129-145, 2022.

Not: Bu çalışmadaki bilgiler konuyla ilgili olarak yazarın yorumunu içermekte olup, herhangi bir kuruma ait görüşleri temsil etmemektedir.

32/129

Özgeçmiş Vural Avcı, Anadolu Üniversitesi İktisat Fakültesi Kamu Yönetimi bölümünden lisans derecesi almıştır. Ayrıca Hoca Ahmet Yesevi Üniversitesi’nde Yönetim ve Organizasyon alanında yüksek lisans yapmıştır. Vural Avcı, kariyerine Hava Teknik Okullar Komutanlığı’nda Harekât Astsubayı olarak başlamış, çeşitli Hava Kuvvetleri Komutanlığı Jet Filolarında Harekât Astsubayı olarak görev almış ve birçok önemli projeye katılmış olup 34 yıllık tecrübesi bulunmaktadır. Vural Avcı, NATO ve diğer uluslararası sertifikalara sahip olup, Taktik Lider Yetiştirme Eğitimlerine, NATO tatbikatına ve Anadolu Kartalı tatbikatlarına katılmıştır. Ayrıca, Afganistan’da ISAF operasyonunda kıdemli astsubay danışmanlığı yapmıştır. Katıldığı projeler arasında, F-16 uçaklarının AIDEWS Elektronik Harp sistemi entegrasyonu, Gece Görüş Gözlüğü (GGG) kullanımı için planlama grubu çalışmaları ve birçok uluslararası tatbikatta görev planlama ve harekât faaliyetleri bulunmaktadır. Türk Hava Kuvvetleri’nde görev yaparken uçuş görevlerini planlama, harekât merkezlerini sevk ve idare etme, tatbikat planlama ve koordinasyonu gibi birçok görevi yerine getirmiştir. Halen Türk Havacılık ve Uzay Sanayii AŞ (TUSAŞ)’de Milli Muharip Uçak Projesinde Harekât ve Veri Tabanı Uzmanı olarak görevine devam etmektedir.

33/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 34/129

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 13.05.2024

Makale Kabul Tarihi: 04.06.2024

Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi

A Study of Survival of Patients Diagnosed with Heart Failure Based on Different Sampling Techniques and Different Classifiers

Rukiye Uzun Arslan1, İrem Şenyer Yapıcı2 1Elektrik-Elektronik Mühendisliği Bölümü, Zonguldak Bülent Ecevit Üniversitesi, Zonguldak rukiryuekuiyzeuunzu6n76@[email protected], ORCID: 0000-0002-2082-8695 2Bilgisayar Mühendisliği Bölümü, Zonguldak Bülent Ecevit Üniversitesi, Zonguldak senysenriyreermire@[email protected], ORCID: 0000-0003-0655-340X

Öz Kalp yetmezliği (KY), insanların yaşam kalitesini etkileyen ve ciddi komplikasyonlara yol açabilen bir sağlık sorunudur. Hastalığın karmaşıklığı ve bireysel faktörlerin çeşitliliği, hastaların sağkalımlarının tahminini oldukça zorlaştırmaktadır. Ancak günümüzde, KY tanılı hastaların sağkalımlarını tahmininde makine öğrenimine (MÖ) dayalı karar destek sistemleri önemli bir rol oynamaktadır. Bu sistemler, hastaların genetik profilleri, klinik özellikleri ve tedavi yanıtları gibi birçok bilgiyi birleştirerek daha doğru tahminler yapılmasına yardımcı olmaktadır. Gerçekleştirilen çalışmada, KY hastalarının sağkalımını öngörmek için MÖ temelli bir model önerilmiştir. Model korelasyon temelli özellik seçimine göre belirlenen anlamlı özelliklerle oluşturulmuş ve yedi farklı MÖ sınıflandırıcısının performansı, on üç farklı yeniden örnekleme tekniği kullanılarak değerlendirilmiştir. Modellerin performansını belirlemek adına 80:20 hold-out tekniği kullanılmış ve başarımları beş farklı performans metriğine göre değerlendirilmiştir. Yapılan analizlerde doğruluk metriği açısından en yüksek başarım %82 ile EditedNearestNeighbours az örnekleme tekniğinin uygulanması durumunda XGBoost algoritmasıyla elde edilmiştir. Bu bulgular, MÖ algoritmalarının yanı sıra örnekleme tekniklerinin de KY hastalarının sağkalım tahmininde kritik bir rol oynadığını vurgulamaktadır.

Anahtar Kelimeler – kalp yetmezliği, yeniden örnekleme teknikleri, sınıflandırma

Abstract Heart failure (HF) is a health problem that affects people's quality of life and can lead to serious complications. The

complexity of the disease and the diversity of individual factors make the prediction of patient survival very difficult. However, nowadays, decision support systems based on machine learning (ML) play an important role in predicting the survival of patients with HF. These systems help to make more accurate predictions by combining many information such as genetic profiles, clinical characteristics and treatment responses of patients. In this study, a model based on ML is proposed to predict the survival of HF patients. The model is built with significant features determined by correlation-based feature selection and the performance of seven different ML classifiers is evaluated using thirteen different resampling techniques. The 80:20 hold-out technique is used to determine the performance of the models and their performance is evaluated according to five different performance metrics. In the analyses, the highest performance in terms of accuracy metric has been achieved with 82% with the XGBoost algorithm when the EditedNearestNeighbors undersampling technique was applied. These findings emphasize that besides ML algorithms, sampling techniques also play a critical role in HF patient survival prediction.

Keywords – heart failure, resample feature techniques, classifier

1. Giriş Kalp yetmezliği (KY), kalbin vücuda yeterli miktarda kan pompalayamaması nedeniyle vücut işlevlerinde meydana gelen bozulmalarla karakterize edilen önemli bir sağlık sorunudur. KY, dünya genelinde en sık karşılaşılan morbidite ve mortalite nedenleri arasında yer almaktadır. Günümüzde, KY vakalarının dünya genelinde yaklaşık 64,34 milyon

35/129

36/129

olduğu ve bu sayının hızla arttığı bilinmektedir [1]-[3]. Ölüm oranları endişe verici olmasına rağmen KY vakalarının tamamı ölümle sonuçlanmamaktadır. KY vakalarında hastanın hayatta kalma olasılığını doğru bir şekilde tahmin edebilen belirli özellikler bulunmaktadır. Bu özellikler arasında serum sodyumu, ejeksiyon fraksiyonu, serum kreatinini, kan basıncı, yaş gibi faktörler yer almaktadır [3], [4].

KY geçiren hastalar genellikle olaydan sonraki birkaç gün boyunca hastanede gözlem altında tutulmakta ve sağlık durumları daha yakından takip edilmektedir. Bu süreçte, hastalardan düzenli kan örnekleri alınarak hematolojik parametrelerin yanı sıra yaş, cinsiyet, tütün kullanımı gibi hastaya ait bilgiler de değerlendirilmektedir. Ancak, bu verilerin analizi ve aralarındaki ilişkilerin belirlenmesi, hastaların iyileşme veya kötüleşme olasılığını tahmin etme zorluğunu beraberinde getirmektedir. Doğru sonuçlar elde etmek için analitik yöntemlerin ve modelleme tekniklerinin titizlikle uygulanması gerekmektedir. Bu çerçevede yararlanılan makine öğrenimi (MÖ) algoritmaları, kullanıcı verileri işleyerek sonuçları otomatik olarak öğrenmekte ve tahmin etmektedir. Yanı sıra farklı durumlara uyum sağlayabilmekte ve önceki öğrenmelerine dayanarak kararlar alabilmektedir. Bu algoritmalar, günümüzde sağlık sektöründe özellikle hastalık teşhisinde yaygın olarak kullanılmaktadır [5]. KY sonrası hastalardan alınan takip verilerinin analiz edilmesi, hastalığın mortalitesinin öngörülmesi açısından büyük önem taşımaktadır. Son yıllarda, sağlık sistemlerine entegre edilen MÖ algoritmaları KY tanısı ve prognoz değerlendirmesinde etkili bir çözüm sunmaktadır [3], [6], [7].

Chicco ve Jurman KY hastalarının olası sağlık durumlarını saptamak amacıyla 13 özellik içeren bir veri seti kullanarak farklı MÖ algoritmalarının başarımlarını değerlendirmişlerdir. Tüm özelliklerin kullanıldığı çalışmada Lojistik Regresyon (LR) algoritmasıyla en yüksek başarım elde edilmiştir [7]. Erdaş ve Ölçer KY hastalarının takip verilerini içeren bir veri seti üzerinde hastaların hayatta kalma tahmine yönelik MÖ temelli bir model önermişlerdir. Önerdikleri modelde beş farklı MÖ algoritmasının başarımları hem veri setindeki tüm özelliklere hem de korelasyon temelli öznitelik seçim yöntemiyle çıkarılan özelliklere göre ayrı ayrı karşılaştırmışlardır. En yüksek başarım tüm özelliklerin kullanılması durumunda bir kural sınıflandırıcısıyla elde edilmiştir [8]. Başka bir çalışmada;

hastaların ameliyat öncesi ve ameliyat sırasındaki tıbbi verilerinden yararlanılarak ameliyat sonrası KY riskini tahmin etmeye yönelik Derin Piramit Evrişimli Sinir Ağları ve Aşırı Gradyan Artırma (XGBoost) yöntemleri içeren hibrid bir model önerilmiştir. Yapılan analizlerde önerilen modelle daha yüksek başarımlar elde edilebileceği ortaya koyulmuştur [9]. Ishaq ve arkadaşları KY tanılı hastaların sağkalım durumlarının tespitinde dokuz faklı MÖ algoritmasının sınıflandırma başarımını araştırmışlardır. Analizlerde en yüksek sınıflandırma başarımı Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) uygulanan Ekstra Ağaç Sınıflandırıcısı (ETC) için elde edilmiştir [10]. Mansur Huang ve arkadaşları 13 özellik (semptom) içeren açık erişimli bir veri seti kullanarak KY’ni tahmin etmek için dört popüler MÖ algoritmasının performansını karşılaştırmıştır. Deneysel analizler sonucunda Rasgele Orman (RO)’nın en yüksek performans skorunu verdiği tespit edilmiştir. Yanı sıra KY tahmininde 13 semptomun tamamının önemli olduğu ortaya koyulmuştur [11]. Mamun ve arkadaşları KY ile ilişkili patofizyolojik parametrelerden hasta sağkalımını tahmin etmek için en önemli risk faktörlerine karşılık gelen özellikleri korelasyon matrisine göre tespit ederek, sekiz farklı MÖ algoritmasının performansları analiz etmişlerdir. Analizlerde LightGBM’nin diğer MÖ algoritmalarına kıyasla daha yüksek performansa sahip olduğu belirlenmiştir [12]. Muntasir Nishat ve arkadaşları hastaların KY’den kurtulma olasılıklarını tahmin etmek için üç farklı yaklaşım kullanarak 6 farklı MÖ algoritmasının performanslarını analiz etmişlerdir. İlk yaklaşımda veri seti üzerinde standart ve min-max ölçekleme yöntemlerini içeren bir veri ön işleme adımı uygulanmıştır. İkinci yaklaşımda algoritmaların hiperparametreleri optimize etmek adına ızgara arama çapraz doğrulama ve rastgele arama çapraz doğrulama teknikleri kullanılmıştır. Üçüncü yaklaşım olarak veri setine SMOTE ve düzenlenmiş en yakın komşu veri yeniden örnekleme tekniği (SMOTE-ENN) uygulanmıştır. Gerçekleştirilen analizlerde tüm yaklaşımlar için MÖ algoritmalarının performansları kapsamlı bir şekilde karşılaştırılmıştır. Yapılan karşılaştırmalar sonucunda, SMOTE-ENN ve standart ölçekleme tekniği birlikte uygulandığı durumda RO sınıflandırıcısının diğer tüm algoritmaları geride bıraktığı tespit edilmiştir [13]. Özbay ve Özbay açık erişimli dengesiz bir veri setine SMOTE tekniği uygulayarak, on farklı MÖ algoritmasının KY tahmin başarımlarını farklı performans metriklerine göre

Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi A Study of Survival of Patients Diagnosed with Heart Failure Based on Different Sampling Techniques and Different Classifiers Rukiye Uzun Arslan, İrem Şenyer Yapıcı

kıyaslamışlardır. Tüm algoritmalar arasından en yüksek başarım bütün performans metrikleri açısından RO algoritmasıyla elde edilmiştir [14]. Sachdeva ve arkadaşları KY tanılı 299 hastanın tıbbi özelliklerini içeren bir veri seti üzerinden dört farklı MÖ algoritmasının hastaların hayatta kalma olasılıklarını tahminindeki başarımlarını analiz etmişlerdir. Yapılan analizlerle destek vektör makinesi (DVM) kullanılması durumunda en yüksek başarıma ulaşılabileceği ortaya koyulmuştur [15]. Mudassar ve arkadaşları tarafından dengesiz bir veri seti üzerinde SMOTE tekniği uygulanarak dokuz farklı MÖ algoritmasının başarımları çeşitli performans metrikleri açısından değerlendirilmiştir. 10-kat çapraz doğrulama ve %70-%30 hold-out tekniğiyle eğitilen modelde en yüksek performans SMOTE uygulanma durumuna bakılmaksızın LightBoost algoritması için elde edilmiştir [16]. Keser ve Keskin gerçek bir veri seti kullanarak KY tanılı hastaların sağ kalımlarının tahmininde üç farklı MÖ algoritmasının performanslarını karşılaştırmıştır [17]. 2024 yılında yapılan bir çalışmada KY tahmininde farklı kategorilerde yer alan çeşitli MÖ algoritmalarının performansları hem kategorik hem de genel performans bakımından irdelenmiştir [5]. Yapıcı ve arkadaşları tarafından yapılan çalışmada SMOTE tekniğinin uygulanma durumuna göre KY teşhisinde farklı MÖ algoritmalarının başarımları iki farklı çapraz doğrulama tekniği kullanarak karşılaştırılmıştır [3].

Yukarıda değinilen çalışmalar, KY tanılı hastaların sağkalımlarının tahmininde MÖ temelli karar destek sistemlerinin etkili bir şekilde kullanılabileceğini göstermektedir. Ancak bu sistemlerde kullanılan MÖ algoritmalarının hangisinin başarımının daha yüksek olduğu hususunda kesin bir sonuca varılamamıştır. Bu doğrultuda, gerçekleştirilen çalışmada KY tanılı hastaların sağkalımlarını belirlemeye yönelik MÖ temelli üç aşamalı hibrit bir model önerilmiştir. Çalışmanın ilk aşamasında korelasyon temelli bir özellik seçim yöntemi kullanılarak veri setindeki belirleyici özellikler tespit edilmiştir. İkinci aşamada bu özellikler kullanılarak yedi farklı MÖ algoritmasına dayanan modelin performansları analiz edilmiştir. Üçüncü aşama da ise modellerin başarımlarını arttırmak adına eğitim veri seti üzerinde 13 farklı yeniden örnekleme tekniği uygulamanın etkileri analiz edilmiştir. Çalışmada modellerin doğruluğu hold-out (80:20) tekniğine göre değerlendirilirken, modellerin performansları yeniden örnekleme tekniğinin uygulanıp uygulanmama durumları için test verisi üzerinden

hesaplanan beş farklı metriğe (doğruluk, kesinlik, duyarlılık, F1 skoru ve AUC gibi) göre karşılaştırılmıştır.

2. Materyal ve Metotlar KY tanılı hastaların hayatta kalma durumlarını belirlemek için önerilen modelin blok diyagramı Şekil 1’de gösterilmiş olup bu bölümde uygulanan yöntemler anlatılmıştır.

Şekil 1. Önerilen modelin akış diyagramı. 2.1 Veri Seti

Bu çalışmada, 299 tane KY tanılı hastanın tıbbi kayıtlarını içeren açık erişimli bir veri seti kullanılmıştır. Veri seti sınıf değişkenleri de dahil olmak üzere 13 özelliği içermekte olup, Ahmad ve arkadaşları tarafından Pakistan'ın Pencap eyaletindeki Faisalabad Kardiyoloji Enstitüsü Hastanesi'nden toplanmıştır. Tablo 1’de veri seti hakkında ayrıntılı açıklama sunulmuştur [4].

Veri seti, hastaların yaşları, tütün kullanımı, çeşitli kan tahlili sonuçları ile diyabet, tansiyon ve anemi gibi hastalıklara dair bilgileri içermektedir. Kreatinin fosfokinaz, trombosit, ejeksiyon fraksiyonu, kreatinin ve sodyum gibi değerler sürekli değişkenlerken; sigara kullanımı, diyabet, anemi, kan basıncı ve cinsiyet gibi bilgiler kategorik değişkenler olarak tanımlanmıştır. Hastaların sağkalım süreleri gün cinsinden belirtilmiştir. Veri setinde eksik değer olmamakla birlikte 130 günlük ortalama takip sürecinde hastaların 96’sı hayatını kaybetmiştir. Bu durum veri setinin dengesiz bir dağılıma sahip olduğunu göstermektedir. Bununla birlikte veri setinde ölüm Olayı=1 hayatını kaybeden hastayı, ölüm olayı=0 ise hayatta kalan hastayı ifade etmektedir. Bu çalışmada KY tanılı hastaların sağ

37/129

kalımlarının tahmininde MÖ sınıflandırıcıları ile birlikte yeniden örnekleme tekniklerinin birlikte kullanılması durumunda sınıflandırıcı performansları irdelenmiştir. 2.2 Veri Ön işleme

MÖ dayalı modellerin performansları kullanılan verilerin kalitesiyle yakından ilintilidir. Bu nedenle modellerde, veri ön işleme süreci büyük önem arz etmektedir. Veri ön işleme süreci; verilerin dönüştürülmesini, yeniden örnekleme yapılmasını ve özellik seçiminin uygulanmasını içermekte olup, aynı zamanda bozuk veya eksik veri noktalarını ve aykırı değerleri tespit ederek verilerin temizlenmesini sağlamaktadır. Bu kapsamda çalışmada ilk olarak veri setinde kategorik formatta olan özelliklerin değerleri tam sayı formatına dönüştürülmüş ve ardından min-max yöntemi uygulanarak veriler normalize edilmiştir. Daha sonra korelasyon temelli bir özellik seçim yöntemi olan CfsSubsetEval algoritmasıyla en iyi ilk arama yöntemine dayanarak veri setindeki anlamlı (belirleyici) özellikler tespit edilmiştir. Buna göre veri setindeki en anlamlı özellikler yaş, ejeksiyon fraksiyonu, serum kreatinin, serum sodyum ve süre olarak belirlenmiştir. 2.3 Yeniden Örnekleme Teknikleri

Gerçek veri setlerinde sınıf dağılımlarının dengesiz olduğu durumlar oldukça yaygındır. Bu dengesizlik, çoğu zaman bazı sınıfların diğerlerine kıyasla daha fazla veya daha

az örneğe sahip olması durumunda ortaya çıkmaktadır.

Dengesiz veri problemi, bu tür veri setlerinde modellerin

sınıflandırma

olumsuz

yönde

etkileyebilmektedir. Özellikle çoğunluk sınıfının daha fazla

örneğe sahip olması, azınlık sınıfının doğru bir şekilde

öğrenilmesini zorlaştırabilmektedir. Bu durum, geleneksel

sınıflandırma modellerinin azınlık sınıfını ihmal etmesine

veya yanlış sınıflandırmasına yol açabilmektedir. Sonuç

olarak, dengesiz veri setleriyle çalışırken, sınıflandırıcıların

performans ölçütleri (doğruluk, hassasiyet, geri çağırma gibi)

olumsuz etkilenebilmektedir. Dengesiz veri probleminin

üstesinden gelmek adına literatürde birçok yaklaşım

geliştirilmiştir. Bu yaklaşımlardan biri olan örnekleme tabanlı

yaklaşım, azınlık sınıfındaki örnekleri artırarak (aşırı

örnekleme, oversampling) veya çoğunluk sınıfındaki

örnekleri azaltarak (az örnekleme, undersampling) sınıf

dengesizliğini azaltmayı ve dolayısıyla sınıflandırma

performansını iyileştirmeyi amaçlamaktadır [18], [19].

Gerçekleştirilen bu çalışmada veri setindeki dengesizliği

gidermek ve böylece sınıflandırıcıların performanslarını

artırmak amacıyla on üç farklı yeniden örnekleme

tekniğinden yararlanılmıştır.

Tablo 1. Veri setindeki özelliklerinin genel bir tanımı [3]

Özellik

Tanımı ve Aralığı

Yaş

Hastanın yaşı (Yıl)

Cinsiyet

Hastanın cinsiyet bilgisi (Kategorik)

Tütün kullanımı

Hastanın tütün kullanma durumu (Kategorik)

Anemi

Sağlıklı kırmızı kan hücrelerinin eksikliği (Kategorik)

Yüksek kan basıncı

Hastanın kan basıncı durumu (Kategorik)

Kreatinin Fosfokinaz (CPK)

Kandaki Kreatinin Fosfokinaz enzimi miktarı (mcg/L)

Diyabet

Hastanın diyabetik durumu (Kategorik)

Ejeksiyon Fraksiyonu

Kalp kasılırken kalpten çıkan kan miktarı (%)

Trombositler

Kandaki trombosit sayısı (kiloplateletler/mL)

Serum Kreatinin

Kandaki kreatinin düzeyi (mg/dL)

Serum Sodyum

Kandaki sodyum seviyesi (mEq/L)

Takip süresi (Gün)

(Hedef) Ölüm Olayı

Takip süresi boyunca hayatta kalan hasta sayısı (Kategorik)

2.4. Sınıflandırıcılar

Sınıflandırma problemlerinde, veri setindeki desenler ve ilişkiler üzerinden öğrenilen bilgiler kullanılarak, yeni gelen

38/129

Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi A Study of Survival of Patients Diagnosed with Heart Failure Based on Different Sampling Techniques and Different Classifiers Rukiye Uzun Arslan, İrem Şenyer Yapıcı

veri noktalarının hangi sınıfa ait olduğu belirlenmektedir. Bu tür problemlerde, veri noktalarının hangi kategorilere ait olduğunu belirlemek için farklı yöntemler kullanılabilmektedir. Bu yöntemler, veri setinin özelliklerine, problem alanına ve gereksinimlere bağlı olarak değişiklik göstermektedir. Sınıflandırma problemlerinde önemli olan, uygun bir sınıflandırma algoritması seçmek ve modelin doğruluğunu değerlendirmek için uygun metrikleri kullanmaktır. Gerçekleştirilen bu çalışma kapsamında KY tanılı hastaların sağkalımlarının tahmini için literatürde sıklıkla tercih edilen RO, DVM, Gradyan arttırma (Gradient Boosting, GB), XGBoost, LightGBM, Adaptif Arttırma

(AdaBoost, Adaptive Boosting) ve ETC algoritmaları kullanılmıştır. Kullanılan sınıflandırıcı algoritmaları Tablo 2’de açıklanmıştır. 2.5 Model Doğrulama ve Performans Değerlendirme Kriterleri

Çapraz doğrulama, istatistiksel analiz sonuçlarının bağımsız bir veri kümesinde ne ölçüde genelleştirildiğini değerlendirmek için uygulanan bir model doğrulama tekniğidir. Bu çalışmada veri setini rastgele eğitim seti (%80) ve test seti (%20) olarak ayıran hold-out yöntemi kullanılarak modellerin doğruluğu değerlendirilmiştir. Yeniden

Tablo 2. Kullanılan sınıflandırma algoritmaları

Algoritma Tanımı

RO, birden fazla zayıf öğrenenin bir araya gelerek doğru tahminler ürettiği ağaç tabanlı bir topluluk öğrenme

modelidir. Bu model, torbalama tekniği kullanılarak çeşitli önyükleme örnekleriyle çeşitli karar ağaçlarını eğitmek

için kullanılmaktadır. Her bir ağaç, örneğin boyutunun eğitim veri kümesine eşit olduğu, ancak eğitim veri

kümesinden rastgele örnekleme yapılarak türetilen bir önyükleme örneğiyle eğitilmektedir. Bu şekilde, her bir ağaç

farklı bir alt örneklemeyle eğitilmekte ve topluluk olarak bir araya getirilmektedir. Böylece daha güçlü ve

genelleştirilebilir bir sınıflandırıcı elde edilmektedir [3].

DVM, veriler arasında bir ayrım yapmak için karar düzlemleri olarak adlandırılan yüksek boyutlu hiperdüzlemler

oluşturmaktadır. Bu hiperdüzlemler, farklı sınıflara ait verileri birbirinden ayırmak için en iyi şekilde

yerleştirilmektedir. Temel prensibi, veri noktalarını en iyi şekilde sınıflandıran bir hiperdüzlemi bulmaktır. Bu

hiperdüzlem, veri noktalarının en yakınları arasındaki mesafeyi maksimize etmeye çalışmaktadır, böylece sınıflar

arasındaki marjı maksimize etmektedir [20].

GB, birçok zayıf sınıflandırıcının bir araya gelerek güçlü bir öğrenme modeli oluşturduğu bir topluluk öğrenme

algoritmasıdır. Genellikle karar ağacı prensibiyle çalışır ve her bir bağımsız ağacı yaratırken maliyetli ve zaman

alıcı bir seçim yapmaktadır. Algoritma, bir dizi ince ayarın ardından zayıf öğrenme algoritmalarını geliştirerek

gücünü artırmaktadır. Yaklaşık olarak doğru öğrenme olasılığı adı verilen özelliğe dayanan GB, işlenmemiş veriler

üzerinde iyi çalışırken, veri eksik değerlerini verimli bir şekilde ele almaktadır [21].

XGBoost XGBoost, optimize edilen bir kayıp fonksiyonu ve çeşitli düzenlemelerle desteklenen yüksek performanslı bir

güçlendirme tekniğidir. GB algoritmasıyla çalışan XGBoost, modelin zor durumlara odaklanmasını sağlamakta ve

bu durumları önceki modellerden daha iyi ele almasını sağlamaktadır. Bu, gözlemlerin dağılımını çarpıtarak zor

örnekleri daha fazla vurgulayarak gerçekleştirilmektedir. Böylece, her bir zayıf öğrenen model daha iyi performans

göstermekte ve sonunda tüm bu modeller birleştirilerek güçlü bir tahminci elde edilmektedir [22].

LightGBM LightGBM, GB’e dayanan yüksek performanslı ve dağıtılmış bir MÖ algoritmasıdır. Bu algoritma, özellikle büyük

veri kümeleriyle çalışırken hızlı eğitim süreleri ve yüksek tahmin doğruluğu sağlamaktadır. LightGBM, ağaç tabanlı

bir model oluştururken, diğer GB modellerine kıyasla daha hızlı eğitim süreleri sunmaktadır. Bu, büyük veri

kümeleri veya yüksek boyutlu özelliklerle çalışırken avantajlıdır. LightGBM ayrıca bellek kullanımını optimize

etmekte ve özelleştirilmiş kayıp fonksiyonları ve metrikler kullanarak modelin performansını artırma esnekliği

sunmaktadır. Bu nedenle, birçok MÖ uygulamasında tercih edilmektedir [23].

AdaBoost AdaBoost, genellikle diğer algoritmalarla birlikte kullanılarak performansını artırmak için tercih edilen bir

algoritmadır. Zayıf öğrenicileri güçlü öğrenicilere dönüştürmek için güçlendirme (boosting) üzerinde çalışmaktadır.

39/129

40/129

Her ağaç, AdaBoost sınıflandırıcısında önceki ağaçların hata oranına bağlı olarak oluşturulmaktadır. Bu şekilde,

hatalı sınıflandırılan örnekler daha fazla vurgulanmakta ve yeni eklenen ağaçlar bu hatalara odaklanmaktadır,

böylece daha doğru bir sınıflandırıcı elde edilmektedir [24].

ETC, çalışma prensibi bakımından RO’a oldukça benzeyen bir çalışma prensibine sahiptir, ancak ağaçların inşa

yöntemi açısından farklılık göstermektedir. Her bir KA, orijinal eğitim veri örneklerinden oluşturulmaktadır. Karar

vermek için en iyi k özelliğin rastgele örneklere uygulandığı ve Gini indeksinin kullanıldığı en üst özellik

seçilmektedir. Bu rastgele örnek özellikler, korelasyonsuz birçok KA’nın oluşturulmasını sağlamaktadır. Bu sayede,

daha genel ve çeşitli bir modele olanak tanımaktadır [25].

örnekleme yöntemlerinin sadece eğitim setine uygulandığı çalışmada modellerin performansları test verisi üzerinden karmaşıklık matrisinden hesaplanan dört farklı metriğe göre değerlendirilmiştir. Karmaşıklık matrisi gerçek ve tahmin edilen sınıflar arasındaki ilişkiyi göstermektedir. Genellikle dört ana kategoriden oluşmaktadır: Doğru pozitif (DP), yanlış pozitif (YP), doğru negatif (DN) ve yanlış negatif (YN). Bu kategoriler, modelin sınıfları ne kadar doğru tahmin ettiğini ve ne kadar hata yaptığını göstermektedir [26]. Eğer veri tıbbi bir uygulamayla ilişkilendirilmişse, yanlış negatif tahminler en kritik olanlardır çünkü hastalığı kaçırmak veya yanlış teşhis koymak ciddi sonuçlara yol açabilmektedir.

Karmaşıklık matrisinden hesaplanan performans metrikleri Tablo 3’de kısaca açıklanmıştır. Çalışmada modellerin performansları Tablo 3’de verilen metriklerin

haricince ROC eğrisinin altında kalan alan (AUC) metriği kullanılarak da değerlendirilmiştir. AUC-ROC eğrisi metriği, farklı sınıflandırma eşiklerindeki duyarlılık ve özgüllük değerlerini görselleştirerek sınıflandırıcının performansını geniş bir perspektiften değerlendirmektedir. Böylelikle, sınıflandırıcıların farklı veri kümesi veya koşullar altında nasıl performans göstereceği hakkında kapsamlı bir bilgi sağlamaktadır. Bu bağlamda çalışma kapsamında modellerin performanslarını daha geniş bir açıdan değerlendirmek adına AUC-ROC eğrisi metriği de göz önünde bulundurulmuştur.

3. Deneysel Sonuçlar Bu çalışmada açık erişime sahip gerçek bir veri seti kullanılarak, KY tanılı hastaların sağ kalımlarının tahmini için

Tablo 3. Performans metrikleri. Metrik Adı Formülü

???????????????????????? + ???????????????????????? ???????????????????????? + ???????????????????????? + ???????????? + ????????????

Duyarlılık

Kesinlik F-Skor AUC-ROC

???????????? ???????????? ???????????????????????????????????????????????????????????????????????????????????????????????? ???????????? ???????????????????????????????????????????????????????????????????????????????????? ???????????????????????????????????????????????????????????????????????????????????????????????? + ????????????????????????????????????????????????????????????????????????????????????

∫ ????????????????????????????????????. ????????????(????????????)

Tanımı Doğruluk, bir modelin doğru tahmin ettiği örneklerin oranını ifade etmektedir.

Duyarlılık, gerçek pozitiflerin tüm pozitif örnekler içindeki oranını ifade etmekte ve modelin gerçek pozitifleri ne kadar iyi tanıdığını ölçmektedir.

Kesinlik, doğru pozitiflerin toplam pozitif tahminlere oranını ifade etmekte olup, modelin doğru pozitif tahminlerinin ne kadarını doğru bir şekilde gerçek pozitif olarak belirlediğini göstermektedir.

F-skor kesinlik ve duyarlılık değerlerinin harmonik ortalamasıdır.

ROC eğrisinin altında kalan alanı ifade etmekle birlikte; doğru pozitif oranının (DPR) yanlış pozitif oranının (FPR) fonksiyonu olarak tanımlanmaktadır.

CfsSubsetEval algoritmasıyla veri setindeki belirleyici olan özellikler (yaş, ejeksiyon fraksiyonu, serum kreatinin, serum sodyum ve süre) tespit edilmiştir. İkinci aşamada bu özellikleri kullanan yedi farklı MÖ algoritmasına dayanan (RO, AdaBoost, XGBoost, LightGBM, DVM, GB ve ETC) modeller oluşturularak başarımları karşılaştırılmıştır. Üçüncü

aşamada ise modellerin performanslarını iyileştirmek amacıyla on üç farklı yeniden örnekleme yönteminin uygulanmasının etkileri analiz edilmiştir. Çalışmada kullanılan algoritmaların parametreleri Spyder programının kendi varsayılan değerleri olacak şekilde bırakılmış, model başarımına olumlu ya da olumsuz etki edebilecek

Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi A Study of Survival of Patients Diagnosed with Heart Failure Based on Different Sampling Techniques and Different Classifiers Rukiye Uzun Arslan, İrem Şenyer Yapıcı

değişikliklerden kaçınılmıştır. Ayrıca modellerin doğruluğu için 80:20 hold-out tekniği kullanılırken, performansları yeniden örnekleme tekniklerinin uygulanıp uygulanmama durumları için test verisi üzerinden hesaplanan beş farklı

parametreye (doğruluk, kesinlik, duyarlılık, F1 skoru ve AUC) göre değerlendirilmiştir. Buna göre RO, Adaboost, XGBoost, LightGBM, DVM, GB ve ETC için elde edilen sonuçlar sırasıyla Tablo 4'den Tablo 10'a kadar sunulmuştur.

Tablo 4. RO algoritması için performans metrikleri

F1 Skoru 0,59 0,68 0,64 0,67 0,67 0,67 0,74 0,74 0,72 0,65 0,73 0,65 0,72 0,65

Duyarlılık 0,68 0,68 0,74 0,75 0,75 0,70 0,69 0,69 0,61 0,67 0,67 0,71 0,72 0,71

Kesinlik 0,52 0,68 0,56 0,60 0,60 0,64 0,80 0,80 0,88 0,64 0,80 0,60 0,72 0,60

Doğruluk 0,70 0,73 0,73 0,75 0,75 0,73 0,77 0,77 0,72 0,72 0,75 0,73 0,77 0,73

AUC 0,83 0,84 0,84 0,86 0,84 0,80 0,85 0,86 0,87 0,85 0,85 0,85 0,84 0,86

Tablo 5. Adaboost algoritması için performans metrikleri

Tablo 6. XGBoost algoritması için performans metrikleri

F1 Skoru 0,59 0,70 0,70 0,73 0,67 0,71 0,72 0,75 0,73 0,64 0,73 0,71 0,68 0,70

Duyarlılık 0,75 0,83 0,83 0,84 0,75 0,80 0,72 0,71 0,63 0,68 0,70 0,88 0,73 0,83

Kesinlik 0,48 0,60 0,60 0,64 0,6 0,64 0,72 0,80 0,88 0,60 0,76 0,60 0,64 0,60

Doğruluk 0,72 0,78 0,78 0,80 0,75 0,78 0,77 0,78 0,73 0,72 0,77 0,80 0,75 0,78

0,84 0,86 0,87 0,79 0,84 0,80 0,88 0,86 0,86 0,83 0,83 0,87 0,86 0,87

F1 Skoru 0,68 0,72 0,71 0,67 0,74 0,72 0,78 0,73 0,75 0,73 0,72 0,70 0,75 0,63

Duyarlılık 0,79 0,77 0,80 0,82 0,81 0,77 0,77 0,70 0,64 0,70 0,68 0,83 0,73 0,81

Kesinlik 0,60 0,68 0,64 0,56 0,68 0,68 0,80 0,76 0,92 0,76 0,76 0,60 0,76 0,52

Doğruluk 0,77 0,78 0,78 0,77 0,80 0,78 0,82 0,77 0,75 0,77 0,75 0,78 0,78 0,75

0,86 0,87 0,88 0,85 0,85 0,83 0,88 0,87 0,88 0,85 0,86 0,88 0,89 0,87

41/129

Tablo 7. LightGBM algoritması için performans metrikleri

F1 Skoru 0,68 0,65 0,63 0,68 0,68 0,75 0,72 0,73 0,74 0,72 0,78 0,73 0,75 0,67

Duyarlılık 0,88 0,71 0,81 0,79 0,79 0,78 0,72 0,70 0,62 0,72 0,79 0,94 0,73 0,82

Kesinlik 0,56 0,60 0,52 0,60 0,60 0,72 0,72 0,76 0,92 0,72 0,76 0,60 0,76 0,56

Doğruluk 0,78 0,73 0,75 0,77 0,77 0,80 0,77 0,77 0,73 0,77 0,82 0,82 0,78 0,77

AUC 0,88 0,87 0,88 0,87 0,84 0,82 0,87 0,88 0,87 0,86 0,85 0,86 0,86 0,88

Tablo 8. DVM algoritması için performans metrikleri

F1 Skoru 0,65 0,71 0,71 0,75 0,76 0,75 0,72 0,71 0,76 0,69 0,72 0,67 0,75 0,67

Duyarlılık 0,78 0,74 0,69 0,73 0,76 0,78 0,72 0,69 0,70 0,71 0,72 0,75 0,73 0,75

Kesinlik 0,56 0,68 0,72 0,76 0,76 0,72 0,72 0,72 0,84 0,68 0,72 0,60 0,76 0,60

Doğruluk 0,75 0,77 0,75 0,78 0,80 0,80 0,77 0,75 0,78 0,75 0,77 0,75 0,78 0,75

AUC 0,82 0,82 0,81 0,83 0,83 0,80 0,83 0,83 0,84 0,85 0,83 0,83 0,81 0,82

Tablo 9. GB algoritması için performans metrikleri.

F1 Skoru 0,54 0,67 0,67 0,62 0,67 0,68 0,72 0,70 0,71 0,63 0,71 0,71 0,73 0,67

Duyarlılık 0,83 0,82 0,82 0,76 0,93 0,88 0,72 0,66 0,62 0,65 0,69 0,88 0,75 0,93

Kesinlik 0,40 0,56 0,56 0,52 0,52 0,56 0,72 0,76 0,84 0,60 0,72 0,60 0,72 0,52

Doğruluk 0,72 0,77 0,77 0,73 0,78 0,78 0,77 0,73 0,72 0,70 0,75 0,80 0,78 0,78

0,86 0,87 0,88 0,86 0,85 0,81 0,87 0,87 0,85 0,84 0,85 0,86 0,88 0,88

42/129

Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi A Study of Survival of Patients Diagnosed with Heart Failure Based on Different Sampling Techniques and Different Classifiers Rukiye Uzun Arslan, İrem Şenyer Yapıcı

Tablo 10. ETC algoritması için performans metrikleri

F1 Skoru 0,65 0,67 0,67 0,68 0,68 0,65 0,75 0,75 0,78 0,64 0,69 0,70 0,73 0,70

Duyarlılık 0,78 0,75 0,93 0,73 0,73 0,71 0,73 0,73 0,72 0,68 0,71 0,83 0,75 0,83

Kesinlik 0,56 0,60 0,52 0,64 0,64 0,60 0,76 0,76 0,84 0,60 0,68 0,60 0,72 0,60

Doğruluk 0,75 0,75 0,78 0,75 0,75 0,73 0,78 0,78 0,80 0,72 0,75 0,78 0,78 0,78

0,88 0,87 0,86 0,85 0,88 0,83 0,87 0,86 0,87 0,87 0,86 0,86 0,86 0,87

Elde edilen sonuçlar incelendiğinde, bazı yeniden örnekleme yöntemlerinin belirli sınıflandırıcıların başarısını, örnekleme yapılmayan duruma kıyasla azalttığı gözlemlenmiştir. XGboost algoritmasını kullanarak yapılan sınıflandırmalarda, örnekleme yapılmayan durumda başarı oranı %77 iken, InstanceHardnessThreshold, NeighbourhoodCleaningRule ve TomekLinks gibi az örnekleme yöntemlerinin uygulanmasıyla bu başarı oranı %75'e düşmüştür. LightGBM algoritmasıyla yapılan sınıflandırmalarda, örnekleme yapılmayan durumda başarı oranı %78 iken, bu değer SMOTE ve InstanceHardnessThreshold yöntemlerinin uygulanmasıyla %73'e, RandomOverSampler yönteminin uygulanmasıyla %75'e ve son olarak ADASYN, Bonderlinesmote, EditedNearestNeighbours, AIIKNN, NearMiss ve TomekLinks yöntemlerinin uygulanmasıyla %77’ye düşmüştür. GB algoritması kullanılarak yapılan sınıflandırmalarda, örnekleme yapılmayan durumda başarı oranı %72 iken, algoritmaya NearMiss örnekleme yöntemi uygulanması durumunda başarım %70’e inmiştir. ETC algoritmasıyla yapılan sınıflandırmalar için ise örnekleme yapılmayan durumda %75 olan başarı oranı SVMSMOTE örnekleme yöntemi uygulanması durumunda %73 ve NearMiss örnekleme yöntemi uygulanması durumunda ise %72’ye düşmüştür. Elde edilen sonuçlar genel olarak irdelendiğinde, yeniden örnekleme tekniklerinin genel anlamda sınıflandırma başarısını artırdığı tespit edilmiştir.

Sınıflandırma başarımı açısından bakıldığında, yeniden örnekleme tekniklerinin kullanılmasıyla RO algoritmasında %10’luk, LightGBM algoritmasında %4’lük, XGboost, DVM

ve ETC algoritmalarında %7’lik ve Adaboost ile GB algoritmalarında %12’lik bir performans artışı elde edilmiştir. Örnekleme tekniklerinin başarı durumları değişkenlik gösterse de, bu çalışmada az örneklemenin daha başarılı sonuçlar verdiği ve InstanceHardnessThreshold, ADASYN ve OneSidedSelection tekniğinin genel anlamda daha yüksek başarı artışı (%12) sağladığı belirlenmiştir.

Örnekleme tekniklerinin uygulanıp (fazla örnekleme ve az örnekleme) uygulanmama (örneklemesiz) durumlarının MÖ algoritmalarının performansına olan etkileri farklı metrikler açısından Tablo 11’de karşılaştırılmıştır. Burada her bir durum için farklı başarım metrikleri açısından model performansları ayrı ayrı değerlendirilerek, elde edilen en yüksek değerler özetlenmiştir. Tablo 11’den de açıkça görüldüğü üzere, farklı örnekleme teknikleri uygulanan MÖ algoritmalarının performansı F1 skoru açısından değerlendirildiğinde en yüksek başarımı az örnekleme tekniği kullanıldığında XGBoost, LightGBM ve ETC (%78) algoritmaları sergilemiştir. Duyarlılık metriği açısından en yüksek başarım değeri az örnekleme tekniğiyle LightGBM algoritmasıyla (%94) elde edilmiştir. Kesinlik metriği açısından en yüksek başarı değeri XGboost ve LightGBM algoritmalarına (%92) az örnekleme tekniğinin uygulanması durumunda ulaşılmıştır. AUC metriği açısından elde edilen en yüksek değer az örnekleme tekniği uygulanan XGboost algoritmasında (%89) görülmüştür. Son olarak doğruluk metriği açısından ise en yüksek doğruluk değeri %82 ile az örnekleme teknikleri uygulanan XGBoost ve LightGBM elde edilmiştir. Genel olarak, XGBoost ve LightGBM algoritmaları farklı metriklerde benzer performans

43/129

sergilemiştir. Ancak XGBoost, F1 skoru ve AUC metriği Dengesiz veri setlerinde örnekleme tekniklerinin

açısından biraz daha iyi bir performans göstermiştir. Bu uygulanması önem arz etmektedir. Çünkü çoğunluk sınıfa

nedenle, F1-skor, doğruluk ve AUC metriklerine dayanarak, odaklanan modeller, azınlık sınıfı göz ardı edebilmekte, bu da

XGBoost'un LightGBM'den daha yüksek performansa sahip model performansını etkilemektedir. Örnekleme teknikleri,

olduğu belirlenmiştir.

sınıflar arasındaki dengesizliği azaltarak daha doğru ve adil

Literatürde benzer veri seti kullanarak yapılan çalışmalar tahminler yapılmasını sağlamaktadır. Elde edilen bulgular

Tablo 12’de verilmiştir. Tablodan da görüldüğü üzere KY dengesiz veri setlerinde örnekleme yönteminin

tanılı hastaların sağkalımlarının tahmininde daha yüksek kullanılmasının performans üzerinde etkili olduğu

başarımlar elde edilen çalışmalar mevcuttur. Ancak gösterilmiştir.

gerçekleştirilen çalışma dengesiz veri setlerinde örnekleme

tekniklerinin model başarımı üzerindeki etkilerinin ele

alınması açısından mevcut çalışmalardan ayrışmaktadır.

Tablo 11. Kullanılan algoritmalar için elde edilen en iyi sonuçlar

Algoritma

Örnekleme Yöntemi

En İyi F1Skoru

Adaboost

XGboost

LightGBM

0,54

En İyi Duyarlılık

0,68 0,75 0,72 0,75 0,84 0,88 0,79 0,82 0,83 0,88 0,81 0,94 0,78 0,78 0,75 0,83 0,93 0,93 0,78 0,93 0,83

En İyi Kesinlik

0,52 0,68 0,88 0,48 0,64 0,88 0,60 0,68 0,92 0,56 0,72 0,92 0,56 0,76 0,84 0,40 0,56 0,84 0,56 0,64 0,84

En

İyi En İyi AUC

0,70

0,84

0,89

0,85

Tablo 12. Literatürde aynı veri seti kullanılarak yapılan çalışmaların karşılaştırılması

Yazarlar Chicco ve Jurman [7] Mamun ve ark [12] Awan ve ark. [27] Princy ve ark. [28] Bharti ve ark. [29] Önerilen model

Yöntem LR LightGBM RO KA KNN XGboost+ EditedNearestNeighbours

Doğruluk (%) 83.8 85 76 73 84.8 82

44/129

4. Sonuç ve Tartışma KY, yüksek ölüm oranlarına sahip ve son yıllarda artış gösteren ciddi bir kalp hastalığıdır. Bu çalışmada, KY tanılı hastalarının sağkalımlarının doğru bir şekilde tahmin

etmek amacıyla MÖ temelli hibrid bir model önerilmiştir. Model korelasyon temelli özellik seçimiyle tespit edilen anlamlı özelliklerle oluşturulmuş ve yedi farklı MÖ algoritmasının performansı on üç farklı yeniden örnekleme

Farklı Örnekleme Tekniklerine ve Farklı Sınıflandırıcılara Dayanarak Kalp Yetmezliği Tanılı Hastaların Sağkalımlarının İncelenmesi A Study of Survival of Patients Diagnosed with Heart Failure Based on Different Sampling Techniques and Different Classifiers Rukiye Uzun Arslan, İrem Şenyer Yapıcı

tekniği kullanılarak değerlendirilmiştir. Tüm örnekleme teknikleri ve sınıflandırma algoritmaları arasında farklı başarım metrikleri açısından yapılan genel değerlendirmeler neticesinde en iyi performansı EditedNearestNeighbours az örnekleme tekniğiyle uygulanan XGBOOST algoritmasının sergilediği tespit edilmiştir. Literatürde aynı veri seti üzerinde daha yüksek başarımlar elde eden çalışmalar bulunmaktadır.

Ancak bu çalışmada mevcuttakilerden farklı olarak veri seti

80:20 oranında bölünerek yeniden örnekleme tekniklerinin

KY hastalarının sağkalımlarının tahminin üzerindeki etkileri irdelenmiştir. Elde edilen bulgular ışığında dengesiz veri setlerinde örnekleme yönteminin kullanılmasının performans üzerinde etkili olduğu tespit edilmiştir. Ancak çalışmamızda veri setinin sınırlı olması gibi bazı sınırlılıklar bulunmaktadır.

Bu nedenle gelecekte yapılması planlanan çalışmalarda farklı sınıflandırıcıları bir araya getiren bir topluluk öğrenme modeli oluşturulması ve daha yüksek başarımın elde edilmesi konuları ele alınacaktır. Bunun için daha geniş bir veri seti kullanılarak, farklı model doğrulama teknikleri, farklı veri ön işleme aşamaları ve özellik seçme yöntemlerinin kullanılması planlanmaktadır.

[1] G. Lippi, and F. Sanchis-Gomar, “Global epidemiology and future trends of heart failure”,. AME Medical Journal, vol. 1, no.15, pp.1-6, 2020.

[2] A. Feher, B. Bednarski, R. J. Miller, A. Shanbhag, M. Lemley, L. Miras, Miras, Albert J. Sinusas, Edward J. Miller and P. J. Slomka, “Artificial intelligence predicts hospitalization for acute heart failure exacerbation in patients undergoing myocardial perfusion imaging”, Journal of Nuclear Medicine, vol. 65, no. 5, pp. 768-774, 2024.

[3] İ.Ş. Yapıcı, R. U. Arslan, and O. Erkaymaz, “Kalp yetmezliği tanılı hastaların hayatta kalma tahmininde topluluk makine öğrenme yöntemlerinin performans analizi”, Karaelmas Fen ve Mühendislik Dergisi, vol. 14, no. 1, pp. 59-69, 2024.

[4] T. Ahmad, A. Munir, S. H: Bhatti, M. Aftab, and M. A. Raza, “Survival analysis of heart failure patients: A case study”, PloS One, vol. 12, no. 7, p.e0181001, 2017.

[5] İ. Atacak, “Kalp yetmezliği tahmininin kategorik olarak farklı tip makine öğrenmesi yöntemleri ile uygulanmasına yönelik bir değerlendirme çalışması”, EMO Bilimsel Dergi, vol. 14, no. 1, pp. 73-85, 2024.

[6] F.S. Alotaibi, “Implementation of machine learning model to predict heart failure disease”, International Journal of Advanced Computer Science and Applications, vol. 10, no. 6, pp.261- 268, 2019.

[7] D. Chicco, and G. Jurman, “Machine learning can predict survival of patients with heart failure from serum creatinine and ejection fraction alone”, BMC Medical Informatics and Decision Making, vol. 20, no. 1, pp.1-16, 2020.

[8] Ç. B. Erdaş and D. Ölçer, "A Machine Learning-Based Approach to Detect Survival of Heart Failure Patients," 2020 Medical Technologies Congress (TIPTEKNO), Antalya, Turkey, 2020, pp. 1-4, doi: 10.1109/TIPTEKNO50054.2020.9299320.

[9] Y. Chen, X. Qin, L. Zhang, and B. Yi, “A novel method of heart failure prediction based on DPCNN-Xgboost model”, Computers, Materials & Continua, vol. 65, no.1, pp. 495-510, 2020.

[10] A. Ishaq, S. Sadiq, M. Umer, S. Ullah, S. Mirjalili, V. Rupapara, and M. Nappi, “Improving the prediction of heart failure patients’ survival using SMOTE and effective data mining techniques”, IEEE access, vol. 9, pp. 39707-39716, 2021.

[11] N. S. Mansur Huang, Z. Ibrahim, and N. Mat Diah, “Machine learning techniques for early heart failure prediction”, Malaysian Journal of Computing, vol. 6, no. 2, pp. 872-884,2021.

[12] M. Mamun, A. Farjana, M. A. Mamun, M. S. Ahammed and M. M. Rahman, "Heart failure survival prediction using machine learning algorithm: am I safe from heart failure?," 2022 IEEE World AI IoT Congress (AIIoT), Seattle, WA, USA, 2022, pp. 194-200, doi: 10.1109/AIIoT54504.2022.9817303.

[13] M. Muntasir Nishat, F. Faisal, I. Jahan Ratul, A. AlMonsur, A. M. Ar-Rafi, S. M. Nasrullah, M. T. Reza and M. R. H. Khan, “A comprehensive investigation of the performances of different machine learning classifiers with SMOTE-ENN oversampling technique and hyperparameter optimization for imbalanced heart failure dataset”, Scientific Programming, vol. 2022, pp. 1-17, 2022.

[14] F. A. Özbay, and E. Özbay, “Makine öğrenmesi algoritmalarının kalp yetmezliği hastalarının hayatta kalma tahmini üzerindeki performans karşılaştırılması”, 2. International Mediterranean Scientific Research and Innovation Congress, pp. 503-515, Girne, KKTC, 2022.

[15] R. K. Sachdeva, K. D. Singh, S. Sharma, P. Bathla and V. Solanki, "An Organized Method for Heart Failure Classification," 2023 International Conference on Emerging Smart Computing and Informatics (ESCI), Pune, India, 2023, pp. 1-6, doi: 10.1109/ESCI56872.2023.10099809.

[16] M. Mudassar, M. Afzal and T. Muhammad, "A Machine Learning Based Predictive Model to Diagnose Heart Failure Patients using Imbalanced Classification Problem," 2023 4th International Conference on Advancements in Computational Sciences (ICACS), Lahore, Pakistan, 2023, pp. 1-8, doi: 10.1109/ICACS55311.2023.10089759.

[17] S. B. Keser, and K. Keskin, “Kalp yetmezliği hastalarının sağ kalım tahmini: Sınıflandırmaya dayalı makine öğrenmesi algoritmalarının bir uygulaması”, Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, vol. 23, no. 2, pp. 362-369, 2023.

[18] R. Ghorbani and R. Ghousi, "Comparing Different Resampling Methods in Predicting Students’ Performance Using Machine Learning Techniques," in IEEE Access, vol. 8, pp. 67899-67911, 2020, doi: 10.1109/ACCESS.2020.2986809.

45/129

[19] M. A. Aydın, “Müşteri Kaybı Tahmininde Sınıf

Dengesizliği Problemi”, Politeknik Dergisi, vol. 25, no.

1, pp. 351 - 360, 2020.

[20] R. Uzun, Y. Isler and M. Toksan, "Use of Support Vector

Machines to Predict the Success of Wart Treatment

Methods," 2018 Innovations in Intelligent Systems and

Applications Conference (ASYU), Adana, Turkey, 2018,

pp. 1-4, doi: 10.1109/ASYU.2018.8554010.

[21]S. Gündoğdu, “Efficient prediction of early-stage

diabetes using XGBoost classifier with random forest

feature selection technique”, Multimedia Tools and

Applications, vol. 82, no. 22, pp. 34163-34181, 2023.

[22] N. Q. K. Le, D. T. Do, and Q. A. Le, “A sequence-based

prediction of Kruppel-like factors proteins using

XGBoost and optimized features”, Gene, vol. 787, pp.

145643, 2021.

[23] K. Karthick, S. K., Aruna, R. Samikannu, R.

Kuppusamy, Y. Teekaraman, and A. R. Thelkar,

“Implementation of a heart disease risk prediction model

using machine learning”, Computational and

Mathematical Methods in Medicine, vol. 2022, pp.

6517716, 2022.

[24] W. Wang, and D. Sun, “The improved AdaBoost

algorithms

for

imbalanced

data

classification”, Information Sciences, vol. 563, pp.

358-374, 2021.

[25] L. Abhishek, "Optical Character Recognition using Ensemble of SVM, MLP and Extra Trees Classifier," 2020 International Conference for Emerging Technology (INCET), Belgaum, India, 2020, pp. 1-4, doi: 10.1109/INCET49848.2020.9154050.

[26] R. Uzun, Y. Isler, and M. Toksan, “Prediction of the Success of Wart Treatment Methods”, Karaelmas Fen Ve Mühendislik Dergisi, vol. 10, no. 1, pp. 44-52, 2020.

[27] S. E. Awan, M. Bennamoun, F. Sohel, F. M. Sanfilippo, and G. Dwivedi, “Machine learning‐based prediction of heart failure readmission or death: implications of choosing the right model and the right metrics,” ESC heart failure, vol. 6, no. 2, pp. 428-435, 2019.

[28] R. J. P. Princy, S. Parthasarathy, P. S. H. Jose, A. R. Lakshminarayanan, and S. Jeganathan, “Prediction of cardiac disease using supervised machine learning algorithms,” In 2020 4th International Conference on Intelligent Computing and Control Systems, pp. 570575.

[29] R. Bharti, A. Khamparia, M. Shabaz, G. Dhiman, S. Pande, and P. Singh, “Prediction of heart disease using a combination of machine learning and deep learning,” Computational intelligence and neuroscience, vol. 2021, 8387680, 2021.

Dr. Rukiye UZUN ARSLAN, 2004 yılında Sivas Cumhuriyet Üniversitesi ElektrikElektronik Mühendisliği bölümünden mezun olan Rukiye UZUN ARSLAN, yüksek lisans eğitimini 2010 yılında, doktorasını ise 2014 yılında Zonguldak Bülent Ecevit Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği bölümünde tamamlamıştır. Şu anda Zonguldak Bülent Ecevit Üniversitesi Mühendislik Fakültesi Elektrik Elektronik Mühendisliği bölümünde doçent olarak görev yapmaktadır. Çalışma alanları arasında beyin bilgisayar arayüz sistemleri, sinyal işleme, biyomedikal sinyal işleme, görüntü işleme, biyomedikal görüntü işleme, derin öğrenme, makine öğrenmesi gibi konular bulunmaktadır.

Dr. İrem ŞENYER YAPICI, 2012 yılında Zonguldak Bülent Ecevit Üniversitesi ElektrikElektronik Mühendisliği bölümünden mezun olan İrem ŞENYER YAPICI, yüksek lisans eğitimini 2016 yılında, doktorasını ise 2021 yılında Zonguldak Bülent Ecevit Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği bölümünde tamamlamıştır. Şu anda Zonguldak Bülent Ecevit Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği bölümünde doktor öğretim üyesi olarak görev yapmaktadır. Çalışma alanları arasında beyin bilgisayar arayüz sistemleri, sinyal işleme, biyomedikal sinyal işleme, görüntü işleme, biyomedikal görüntü işleme, derin öğrenme, makine öğrenmesi gibi konular bulunmaktadır.

46/129

Dr. Rukiye Uzun Arslan, 2004 yılında Sivas Cumhuriyet Üniversitesi Elektrik-Elektronik Mühendisliği bölümünden mezun olan Rukiye UZUN ARSLAN, yüksek lisans eğitimini 2010 yılında, doktorasını ise 2014 yılında Zonguldak Bülent Ecevit Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği bölümünde tamamlamıştır. Şu anda Zonguldak Bülent Ecevit Üniversitesi Mühendislik Fakültesi Elektrik Elektronik Mühendisliği bölümünde doçent olarak görev yapmaktadır. Çalışma alanları arasında beyin bilgisayar arayüz sistemleri, sinyal işleme, biyomedikal sinyal işleme, görüntü işleme, biyomedikal görüntü işleme, derin öğrenme, makine öğrenmesi gibi konular bulunmaktadır. Dr. İrem Şenyer Yapıcı, 2012 yılında Zonguldak Bülent Ecevit Üniversitesi Elektrik-Elektronik Mühendisliği bölümünden mezun olan İrem ŞENYER YAPICI, yüksek lisans eğitimini 2016 yılında, doktorasını ise 2021 yılında Zonguldak Bülent Ecevit Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği bölümünde tamamlamıştır. Şu anda Zonguldak Bülent Ecevit Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği bölümünde doktor öğretim üyesi olarak görev yapmaktadır. Çalışma alanları arasında beyin bilgisayar arayüz sistemleri, sinyal işleme, biyomedikal sinyal işleme, görüntü işleme, biyomedikal görüntü işleme, derin öğrenme, makine öğrenmesi gibi konular bulunmaktadır.

47/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 48/129

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 14.05.2024

Makale Kabul Tarihi:14.06.2024

Classification of histopathological images using similarity-based learning

Mahmut Kaya1, Hasan Şakir BİLGE2,3

1Yapay Zeka ve Veri Mühendisliği Bölümü, Mühendislik Fakültesi, Fırat Üniversitesi, Elazığ, Türkiye [email protected]

2Elektrik Elektronik Mühendisliği Bölümü, Mühendislik Fakültesi 3Biyomedikal Kalibrasyon ve Araştırma Merkezi

Gazi Üniversitesi, Ankara, Türkiye [email protected]

Benzerlik metriği öğrenme, bir uzaklık öğrenme yaklaşımı olup aynı sınıfa ait örnekler arasındaki benzerliği arttırmayı, farklı sınıflar arasındaki benzerliği ise azaltmayı hedeflemektedir. Son yıllarda derin öğrenmenin elde ettiği başarıyla beraber benzerlik metriği öğrenmenin derin ağ modellerinde başarıyla uygulanabileceği görülmüştür. Bu çalışmada derin metrik öğrenme modellerinden olan Siamese ve Triplet ağ modelleri kullanılarak histopatolojik görüntülerde bir sınıflandırma işlemi gerçekleştirilmiştir. Histopatolojik görüntüler radyologlar tarafından tanı amacıyla kullanılırken sağlıklı ve sağlıksız görüntülerini birbirinden ayırmak oldukça zorlayıcıdır. Bu çalışmada literatürde başarısını kanıtlamış olan transfer öğrenme yöntemleri derin metrik öğrenme modellerine entegre edilmiştir. Yapılan çalışma sonucunda Siamese+VGG19 ağ modelinde %95,39 başarı elde edilirken, Triplet+VGG19 ağ modelinde ise %96,92 sınıflandırma başarısı elde edilmiştir.

Anahtar kelimeler: Benzerlik metriği öğrenme, siamese, triplet, sınıflandırma

Similarity metric learning is a distance learning approach that aims to increase the similarity between instances of the same class and decrease the similarity between instances of different classes. With the success of deep learning in recent years, it has been seen that similarity metric learning can be successfully applied in deep network models. In this study, a classification process was performed on histopathologic images using Siamese and Triplet network models, which are deep metric learning models. While histopathologic images are used by radiologists for diagnostic purposes, it is very challenging to distinguish between healthy and unhealthy images. In this study, transfer learning methods that have proven their success in the literature are integrated into deep metric learning models. As a result of the study, the Siamese+VGG19 network model achieved 95.39% success, while the Triplet+VGG19 network model achieved 96.92% classification success.

Keywords: Similarity metric learning, siamese, triplet, classification

Teknolojinin hızla geliştiği günümüz dünyasında, insanlar yaşamlarını kolaylaştırmak ve teknolojik ilerlemelere ayak uydurmak amacıyla karşılaştıkları problemleri, dijital ortamlara aktarıp çözüp bulma eğilimindedir. İnsanın özünde bulunan öğrenme yeteneği, bilgisayarlara nesneleri öğretme kabiliyetini beraberinde getirmiştir [1]. Günümüzde, birçok alanda insanların yaşamlarını kolaylaştırmak için makine öğrenmesi yaklaşımlarından yararlanılmaktadır. Makine öğrenmesi kavramı, hayatımızın çeşitli alanlarında kendine yer bulmuş durumdadır. Makine öğrenmesi ile yüz tanıma, sağlık verileri, saldırı tespit sistemleri, konuşma ve ses tanıma, metin madenciliği, örüntü tanıma gibi farklı görevlerde çeşitli amaçlar için çözümler sunulmaktadır. Bu tür problemleri değerlendirmek amacıyla makine öğrenmesinde verileri sınıflandırma veya kümeleme yaklaşımlarıyla çözüm önerileri geliştirilmektedir.

Veri boyutunun artması ve problemlerin çeşitlenmesi, gerçek dünya problemlerinde makine öğrenmesi teknikleriyle en etkili çözümü bulmayı karmaşık bir hale getirmiştir [2]. Şu aşamada, mevcut yaklaşımlar ve yenilikler, problemin amacına odaklanarak maksimum doğruluk oranına ulaşmayı amaçlamaktadır. Makine öğrenme algoritmaları kullanılarak, mevcut verilere dayalı yüksek başarıya sahip sınıflandırma modelleri geliştirilebilir. Öğrenme modelinin, öncelikle eğitim sürecinde kullanılan örnekler üzerinde başarı sağlamasının yanında test örnekleri üzerinde de başarılı sonuçlar elde etmesi hedeflenmektedir. Ancak öğrenme modeli her zaman doğru çalışmayabilir, çünkü her veri kümesinin kendisine ait bazı benzersiz zorlukları bulunmaktadır.

Metrik esaslı öğrenme, veri öğeleri arasındaki benzerlik veya farklılık ilişkilerini tespit etmek için, doğrudan metrikten öğrenmeyi temel alan bir makine öğrenmesi yaklaşımıdır. Bu yaklaşım, birbirine benzeyen veri öğeleri arasındaki mesafeyi azaltmayı hedeflerken, farklı veri öğeleri arasındaki uzaklığı artırmayı amaçlamaktadır. Metrik temelli öğrenmede yeni bir dönüşüm uzayına veriler taşınırken temelde bir W projeksiyon matrisinden yararlanılmaktadır. Metrik esaslı öğrenme Mahalonobis uzaklık metriğinin dönüşümü ile ilgili olup, dönüşüm sürecinde simetrik ve pozitif tanımlı matrislere dayalı

49/129

bir yaklaşım ele alınmaktadır [3-5]. Gelişen teknolojik araçların kullanımıyla beraber veri hacmi her geçen gün artmaktadır. Bu artış, daha doğru bir sınıflandırma elde etmek için büyük avantajlar sağlamaktadır. Ancak, veri artışı problemde yüksek başarım elde etmede pozitif katkı sunarken, çok büyük hacimli verilerin işlenmesi ve yüksek hesaplama maliyeti problemini beraberinde getirmektedir. Günümüzde, yoğun hesaplama ihtiyacı nedeniyle işlemlerin sıralı olmak yerine parça parça işlenmesi ve bu parçalı işlemlerin paralel olarak yapılması, önemli hesaplama avantajları sunmaktadır. Son yıllarda GPU (Graphics Processing Unit) teknolojisindeki gelişmelerle birlikte, verilerin paralel bir şekilde işlenmesi mümkün hale gelmiştir. Bu gelişme, yapay zekaya yeni bir soluk getirerek günümüzün en popüler konularından biri olan derin öğrenme kavramını ortaya çıkarmıştır [6].

Derin öğrenme, doğrudan ham verilerden yeni bir temsil oluşturarak, daha yüksek soyutlama seviyelerine ulaşmayı hedefler ve ayırt edici özellikleri otomatik olarak çıkarmayı sağlar [7]. Derin öğrenme, doğrudan veriden öğrenme amacındadır. Bu süreçte ham veriden yeni dönüştürülmüş öznitelikler elde edilir ve son aşamada sınıflandırma süreciyle birleştirilerek kompakt bir yapı sunulur. Son yıllarda derin öğrenme ile metrik öğrenmenin kesişimi, derin metrik öğrenme kavramını ortaya çıkarmıştır [8, 9]. Derin metrik öğrenme, uzaklığa dayalı benzerlik esaslı bir yaklaşımdır. Bu yaklaşımda, aynı sınıfa ait örneklerin yeni temsilini elde etmek, nesneler arası benzerliği artırmak ve aynı zamanda farklı nesneler arasındaki benzerliği azaltmak hedeflenmektedir. Literatürde genellikle Siamese [10] ve Triplet [11] ağlarından esinlenilerek metrik esaslı derin öğrenme yapılmaktadır. Bu metrik esaslı derin ağ öğrenme modelleri, örnek verileri paylaşımlı bir ağda ikili ya da üçlü olarak ağ modeline sunmaktadır. Ağ modelinde bir arada sunulan örneklerin ağırlıkları paylaşılarak kullanılır. Bu paylaşılan ağırlıklar, verilerin benzerliğini ya da benzersizliğini optimize etmeyi amaçlar. Kullanılan bu paylaşımlı ağırlıklar ile veriyi daha iyi temsil yeteneğine sahip bir uzaklık metriği öğrenilmesi hedeflenmektedir.

Dijital görüntüleme teknikleri, mikroskobik seviyede patolojik görüntüler elde ederek hastalıklar hakkında daha net bilgiler sağlamayı mümkün kılmaktadır [12]. Bu patolojik veriler, tanı sürecini kolaylaştırmanın yanı sıra elektronik olarak depolanabilir ve yapay zeka yaklaşımlarıyla analiz edilebilir. Histopatolojik görüntülere sahip veri kümeleri genel olarak iki ana problemle karşı karşıyadır. İlk olarak, bu tür veri kümelerinde genellikle sınırlı sayıda örnek bulunmaktadır. İkinci bir problem ise bu veri kümelerinde sağlıklı örneklerin daha yoğun olmasına rağmen, sağlıksız örneklerin daha az olması durumudur. Derin metrik öğrenme, bu tür problemleri çözmek için oldukça başarılı bir yapıya sahiptir. Çünkü derin metrik öğrenme ağ yapısında aynı anda iki ya da daha fazla örnek ağa sunulabilir, bu da ağın başarılı bir şekilde eğitilebilmesi için sınıf içi veya sınıflar arası kombinasyonların daha iyi bir örnekleme yaklaşımı sunmasına olanak tanır. Ayrıca, ağa sunulan örnek eğitim veri kombinasyonlarıyla, ağın sağlıklı ve sağlıksız örneklerinin bir arada değerlendirilmesiyle dengelenmesi mümkündür.

Bu çalışmada, histopatolojik veriler üzerinde derin metrik öğrenme ile sınıflandırma işlemi gerçekleştirilmiştir.

Çalışmanın sonraki bölümünde, derin metrik öğrenme hakkında detaylı bilgiler sunulmuştur. Daha sonra, histopatolojik veri kümesinde derin metrik öğrenme uygulaması açıklanmıştır. Son olarak, yapılan çalışmanın deneysel sonuçlarına yer verilmiştir. Önerilen yöntemde, derin metrik öğrenme yaklaşımları ve transfer öğrenme yaklaşımı bir arada kullanılmıştır. Elde edilen sonuçlara göre derin metrik öğrenmenin histopatolojik veri kümelerinde oldukça başarılı sonuçlar elde ettiği sonucuna varılmıştır.

2. Derin Metrik Öğrenme

Dijital çağın getirdiği kolaylıklar ve avantajlarla birlikte, günümüzde dijital verilerin hacmi ve çeşitliliği önemli ölçüde artmış durumdadır. Bugünün en kıymetli ürünü olarak nitelendirilen verinin işlenmesi, hayatımıza bir dizi yenilik ve pratiklik sağlamaktadır. Yapay zeka algoritmaları için her bir veri büyük anlamlar içermesine rağmen, verilerin işlenmesi ve hesaplama maliyetleri en önemli sorunlardan biridir. Gelişen teknolojiyle birlikte, verileri çok daha hızlı ve küçük parçalara ayrılarak paralel bir şekilde işleme imkanı, sinir ağlarında daha "derin" yapıların oluşturulabilmesine olanak tanımaktadır. İnsan beynindeki sinir hücrelerinin yapısından ilham alan derin öğrenme, derin yapılar veya katmanlar sayesinde veriden öğrenme yeteneğini artırmayı hedeflemektedir [13]. Derin sinir ağları, karmaşık gibi görünen zor problemleri daha iyi anlamlandırabilme kapasitesine sahiptir. Derin öğrenme, doğrudan ham veriden sınıflandırma yapmak yerine, veriyi daha iyi temsil yeteneğine sahip olduğu yüksek soyutlama seviyesine taşıyarak sınıflandırma yapmayı amaçlamaktadır [7].

Derin öğrenmenin popülerliğinin artmasıyla birlikte, benzerlik esasına dayalı metrik öğrenme odaklı derin öğrenme çalışmalarının önemli ölçüde arttığı gözlemlenmektedir [1416]. Bu tür yaklaşımlar, örnekler arasındaki benzerlik veya benzersizlik ilişkisine dayanarak, örnekler arasındaki uzaklık ilişkisini doğru bir şekilde anlamak için derin bir metrik öğrenmeyi amaçlamaktadır. Bu öğrenme yaklaşımında, bilinen derin öğrenme sinir ağları yapısından farklı olarak, aynı ya da farklı sınıflardan veri örnekleri, aynı anda ağ yapısına giriş örnekleri olarak sunulur. Bu da ağ yapısında aynı kategoride bulunan sınıf örneklerinin birbirine yaklaştırılmasını, farklı kategorilerde bulunan ağ örneklerinin ise öğrenilen metrikle birbirinden uzaklaştırılmasını sağlar [17].

Derin metrik öğrenme çalışma yapısı Şekil 1'de gösterilmiştir. Şekil 1’i incelediğimizde, bu ağ yapısında verilerin yeni bir temsil uzayına yerleştirildiğini görebiliriz. Bu temsil uzayındaki yapı, bir metrik uzaklığından faydalanır. Öğrenilecek olan metrik, benzer örnekler arasındaki uzaklığı minimize etmeye çalışırken, farklı örnekler arasındaki uzaklığı maksimize etmeye çalışır. Şekil 1’de temsili bir ağ yapısı olarak sunulan Siamese ağlarında, ağa aynı anda iki örnek veri girişi sunulur. Bu ikili örnekler, aynı sınıftan veya farklı sınıflardan örnekler olabilir. Her iki ağ örneği için aynı W ağırlık değerleri kullanılır ve öğrenilecek metrik, örnekler arasındaki benzerlik veya benzersizlik ilişkisini kurar. Temsili dönüştürülmüş veri uzayında da görüleceği üzere, oluşturulan yapıyla nesnelerin birbirinden mümkün olabildiğince ayrılabilmesi sağlanır.

50/129

Benzerlik Tabanlı Öğrenme Kullanarak Histopatolojik Görüntülerin Sınıflandırılması Classification of histopathological images using similarity-based learning Mahmut Kaya, Hasan Şakir Bilge

y d(x, y)

d= (x, y)

k

∑(xi − yi )2 i =1

Uzaklığı minimize etme Uzaklığı maksimize etme

Şekil 1. Derin metrik öğrenme [8]

Derin metrik öğrenme güncel birçok uygulama alanında elde ettiği başarılarla dikkatleri çekmektedir. Öğrenme yaklaşımında, gerçek hayat problemlerini ele alırken doğrusal olmayan verileri anlama yeteneği ve benzerlik esaslı bir yaklaşım kullanarak; ham veriyi daha soyut veri seviyelerine indirmeyi amaçlamaktadır. Kişiyi yeniden tanımlama görevlerinde [18-20], histopatolojik görüntüleri anlamlandırmada [21-23], röntgen görüntülerinden hastalık tanımada [24-25], imza doğrulamada [26-27], ağ saldırı tespit sistemlerinde [28-29], duygu tanımada [30], ses sinyallerini işlemede derin metrik öğrenme yaklaşımları oldukça başarılı çözümler sunmaktadırlar.

Günümüzde mikroskobik ortamda incelemeleri gerçekleştirilen patolojik görüntülerle çeşitli hastalıklara ait tıbbi tanılar konulmaktadır. Tanılama işlemi öncesinde, mikroskobik bir doku görüntüsünü doğrudan incelemek yerine anlamlı bir görüntü elde etmek amacıyla çeşitli boyama teknikleri kullanılmaktadır. Bu bağlamda, Hematoxylin ve Eosin kimyasallarının birlikte kullanıldığı H & E boyama tekniği, bu amaçla en sık başvurulan yöntemlerden biridir [33].

3.1.Veri Kümesi

Yapılan çalışmada, Hematoxylin ve Eosin kimyasalları ile boyanmış olan histopatolojik görüntüler veri kümesi

kullanılmaktadır [34]. Veri örnekleri, iki farklı gruptan örnekler içermektedir. İlk grup, sağlıklı örneklerden oluşan görüntülerdir. İkinci grup ise, 100 mg/kg/gün intraperitoneal Alüminyum Klorür (AlCl3) enjekte edilmiş örneklerden oluşan hasarlı görüntülerdir. Histopatolojik bir görüntüde mavi, beyaz ve pembe bileşenler bulunmaktadır. Mavi bileşenler, görüntüde hücre çekirdeğini temsil etmektedir. Beyaz ve pembe bileşenler ise görüntüdeki diğer doku yapılarına karşılık gelmektedir. Veri kümesinde toplamda 360 hasarlı görüntü ve 779 sağlıklı görüntü örneği bulunmaktadır. Görüntüler, 2560x1920 boyutlarına sahip RGB renk uzayına aittir. Çalışmada kullanılan histopatolojik veri kümesindeki sağlıklı ve hasarlı görüntü örnekleri içeren görseller Şekil 2'de sunulmaktadır.

51/129

Şekil 2. Histopatolojik veri kümesinden örnek görüntüler

3.2. Transfer Öğrenme

Transfer öğrenmenin temel motivasyonu, önceden öğrenilmiş bilginin aktarılması ve bu bilgi sayesinde daha etkili ve hızlı bir şekilde sonuca ulaşılmasıdır [35]. Derin sinir ağlarında, transfer öğrenme yöntemleriyle yüksek derecede ayırt edici öznitelikler kazanılmaktadır [36]. Bu öğrenme yaklaşımında daha önce başarıyla uygulanan öğrenme sürecinin, farklı bir alandaki probleme başarılı bir şekilde uygulanarak bilginin aktarılması süreci önem arz etmektedir. Bu alandaki çalışmalarda, kullanılan sinir ağı modelinin uygulanabilirliği, modelin daha önce benzer ağlarda elde ettiği öğrenme yeteneğine dayanmaktadır. Zira transfer öğrenme uygulamalarında kullanılan sinir ağı modelleri, çok sayıda kategoriye sahip milyonlarca görüntüden oluşan, nitelik ve nicelik bakımından zengin veri kümelerine başarılı bir şekilde uygulanmaktadır.

Özellikle öğrenme verisinin az olduğu durumlarda, transfer öğrenme önemli bir araç haline gelmektedir. Literatürde başarıyla test edilmiş birçok sinir ağı modeli bulunmaktadır. Bu sinir ağı modelleri, geniş bir kategori yelpazesi ve yeterli sayıda örnek içeren veri kümelerinde güvenilir transfer öğrenme stratejileri olarak öne çıkmaktadırlar. AlexNet [37], VGG16 [38], VGG19 [38], ResNet [39], DenseNet [40] ve MobileNet [41] gibi sinir ağı modelleri literatürde transfer öğrenme amacıyla sıkça kullanılmaktadır.

3.3. Histopatolojik Görüntülerde Derin Metrik Öğrenme ile Sınıflandırma

Bu çalışmada, histopatolojik görüntülerde sağlıklı ve sağlıksız örnekleri ayırt etmek amacıyla derin metrik öğrenme yöntemleri kullanılmıştır. Siamese ve Triplet ağları, histopatolojik görüntüleri sınıflandırma amacıyla kullanılarak; benzer nesneleri birbirine yaklaştırma ve farklı nesneleri birbirinden uzaklaştırma hedeflenmiştir. Bu ağ modelleri, örnekler arasındaki benzerlik ilişkisini analiz etmek üzere

tasarlanmıştır. İki örnek arasındaki benzerlik durumuna bağlı olarak sinir ağının eğitim işlemi gerçekleştirilmektedir. ???????????????????????????????????????????????? ve ???????????????????????????????????????????????? olarak sinir ağına sunulacak iki tane örneğimiz olduğunu kabul edelim. Bu örnekler arasındaki uzaklık hesabı Denklem

1’de verilmektedir:

????????????????????????????????????????????????(????????????????????????????????????????????????, ????????????????????????????????????????????????) = ‖????????????????????????????????????????????????(????????????????????????????????????????????????) − ????????????????????????????????????????????????(????????????????????????????????????????????????)‖????????????????????????

Burada ????????????????????????????????????????????????(????????????????????????????????????????????????) ve ????????????????????????????????????????????????(????????????????????????????????????????????????), ???????????????????????????????????????????????? ve ???????????????????????????????????????????????? örneklerinin temsili dönüşüm uzayındaki yeni gösterimlerini ifade etmektedir. ???????????????????????????????????????????????? ise, temsili dönüşüm uzayındaki örnekler arasındaki uzaklığı hesaplayan bir fonksiyondur. Denklem 1’de ???????????????????????????????????????????????? benzer örnekler arasındaki uzaklığı azaltmayı, farklı örnekler arasındaki uzaklığı ise arttırmayı amaçlamak için kullanılmaktadır. Bu denklemi kullanarak bir uzaklık değeri hesaplanır. Daha sonra, Siamese derin sinir ağı modelindeki kayıp fonksiyonuna (????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????) ait hesaplama Denklem 2’de sunulmaktadır:

????????????????????????)

(????????????????????????????????????????????????)????????????????????????

+ (????????????????????????) ???????????????????????? {????????????????????????????????????????????????????????????????????????(????????????????????????, ???????????????????????? − ????????????????????????????????????????????????)}

Denklemde kullanılan Y sembolü kategori etiketlerini temsil etmektedir. ????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????’deki ???????????????????????? değeri ön tanımlı bir marjin değeridir. Triplet sinir ağ modelleri, Siamese ağ modelinden farklı olarak üç giriş örneği içerir. Çapa örneği ????????????????????????, çapayla aynı sınıfa ait örnek içeren ???????????????????????????????????????????????? ve çapadan farklı sınıfa ait örnek içeren ???????????????????????????????????????????????? örneğidir. Denklem 3’te verilen Triplet kayıp fonksiyonuna (????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????) ait hesaplamada, ???????????????????????? ön tanımlı bir marjin değeri olarak ifade edilmektedir. Triplet kayıp fonksiyonuna ait hesaplama Denklem 3’te şu şekilde hesaplanmaktadır:

???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? = ????????????????????????????????????????????????????????????????????????(0, ‖????????????????????????????????????????????????(????????????????????????) − ????????????????????????????????????????????????(????????????????????????????????????????????????)‖???????????????????????? −‖????????????????????????????????????????????????(????????????????????????) − ????????????????????????????????????????????????(????????????????????????????????????????????????)‖???????????????????????? + ???????????????????????? )

x1

W

x2

Kontrastif Kayıp

Şekil 3. Siamese-VGG19 ağ modeli

52/129

Benzerlik Tabanlı Öğrenme Kullanarak Histopatolojik Görüntülerin Sınıflandırılması Classification of histopathological images using similarity-based learning Mahmut Kaya, Hasan Şakir Bilge

Pozitif Çapa

Uzaklık1 +

Uzaklık2

Triplet Kayıp

Negatif

Şekil 4. Triplet-VGG19 ağ modeli

Klasik evrişimli sinir ağında her bir örnek, evrişim, örnekleme, tam bağlı katman süreçlerinden geçerek bir sınıflandırma işlemine tabi tutulur. Ancak, derin metrik öğrenme süreci biraz daha farklıdır. Örnekler, sinir ağına paylaşımlı ağırlıklar kullanılarak birden fazla örnek içerecek şekilde bir arada paralel olarak sunulur. Bu sinir ağı yapısı içinde evrişim, örnekleme ve tam bağlı katman gibi özel katmanlar yer almakla birlikte aynı ağ yapısı paralel olarak yer alabilmektedir. Katmanlarda gerçekleştirilen işlemlerin ardından, odaklanılan şey iki örnek arasındaki benzerlik ilişkisidir. Bu benzerlik ilişkisi için kayıp metrik fonksiyonları kullanılarak işlem gerçekleştirilir. Şekil 3’te bu çalışmada önerilen Siamese – VGG19 ağ modeli görülmektedir. Bu derin sinir ağı modelinde ???????????????????????????????????????????????? ve ???????????????????????????????????????????????? olarak histopatolojik görüntüler ağa sunulmakta ve ağa sunulan görüntüler aynı sınıfa ait ise görüntüler birbirine yakınlaştırılmakta, farklı sınıfa ait görüntüler ise örnekler birbirinden uzaklaştırılmaktadır. Böylece daha iyi bir temsil elde edilmesi amaçlanmaktadır. Şekil 4’te görülen Triplet ağında ise Pozitif ve Çapa aynı sınıfa ait örnekler iken, Negatif ise farklı sınıfa ait bir örnek görüntüyü temsil etmektedir. Burada amaç Pozitif ile Çapa örneklerini birbirine yakınlaştırmak olup, Negatif örnek görüntü ise bu örneklerden uzaklaştırılmaktadır.

4.

Deneysel Sonuçlar

Çalışmada kullanılan histopatolojik veri kümesinde 911 görüntü eğitim örneği olarak ve 228 görüntü ise test örneği olmak üzere başlangıçta rasgele olarak ayrılmıştır. Eğitim veri kümesindeki örneklerin 623 tanesi sağlıklı görüntüler olup, 288 tanesi ise hasarlı görüntülerden oluşmaktadır. Test örneklerinin ise, 156’sı sağlıklı ve 72’si hasarlı görüntülerden oluşmaktadır.

Siamese ağ modelinde veriler, iki farklı görüntünün aynı ağa sunulması şeklinde olmaktadır. Deneysel çalışmada ağ modeli, eğitim süreci öncesinde ikili görüntüler oluşturarak

sınıfta dengeli bir dağılımı sağlamak için tasarlanmıştır. Bu ikili görüntüler, minimum ikili maksimum fayda prensibi kullanılarak 911 eğitim görüntüsü kullanılarak toplamda 1148 tane ikili görüntü örnekleri oluşturulmuştur. Oluşturulan görüntüler hem aynı sınıfların birbiriyle hem de farklı sınıfların birbiriyle bulunması şeklinde dengeli bir şekilde eşleştirilmiştir. Ağa en az bir kez sunulan ikililer, tüm eğitim örneklerini içermektedir. Ağın performansını değerlendirmek için yapılan çalışmalarda sunulacak görüntüler rasgele seçilmiştir. Bununla birlikte, ağ modelinde her bir aşamada kullanılacak olan ikili görüntülerin dengeli bir şekilde yer alması amaçlanmıştır. Bu amaçla, ağda her sınıf için hem kendi sınıfından hem de diğer sınıftan görüntüler yer alması hedeflenmiştir.

Eğitim aşamasında ikili görüntülerde, aynı sınıftan örnekler birbirine yakınlaştırılırken, farklı sınıftan örnekler birbirinden uzaklaştırılma ilkesiyle hareket edilmektedir. Test işleminde farklı bir bakış açısı kullanılırken, eğitim örneklerinin başarısı buna odaklanır. Bu durumda, sorunu bir sınıflandırma sorunu olarak ele almak istediğimizde, her bir test örneği bir eğitim örneği ile karşılaştırılır. Test örneğini X1 veya X2'ye yerleştirmek önemli değildir. Çünkü eğitilmiş ağ modeli üzerinde veriler test edilirken iki örneğin benzerlik veya benzersizlik durumuna odaklanılmaktadır. Bu sebeple ortada bir benzerlik varsa veriler aynı sınıfla etiketlenirken; benzersizlik varsa farklı sınıfla etiketlenmektedir. Bu sebeple giriş verilerinin hangisine yerleştirildiğinin bir önemi yoktur. Çift taraflı test aşamasında da aynı ağırlıklar kullanılmaktadır. Deneylerde 228 test görüntüsünün her biri en az bir kez eğitim görüntüleriyle eşleştirilmektedir. Deneylerin test aşamasında 228 test görüntüsünden 4560 ikili test görüntüsü oluşturulmuştur. Bu kapsamda önerilen yöntemin başarısını test etmek için 4560 ikili görüntünün sınıflandırma performansı incelenmiştir.

Yapılan deneyler sonucunda Siamese ağ modeline ait eğitim aşamaları sonucu Şekil 5’te görülmektedir. Şekil 5’te görüldüğü üzere süreç içerisinde ağa ikili görüntülerin sunulmasıyla eğitim modelinin nasıl bir başarı elde ettiği görülmektedir. Her bir aşamada yeni dönüşüm uzayında veriler daha iyi temsil edilirken, veri öğelerinin birbirinden ayrışması net bir şekilde görülmektedir. Ağ modelini eğitmede Siamese ağ modelinde VGG19 transfer öğrenme yaklaşımının yanında ResNet50 modeli de denenmiştir. Tablo 1’de görüldüğü üzere Siamese+VGG19 ağ modeli ile test verilerini tahmin etmede %95,39 başarı elde edilmiştir.

Tablo 1. Siamese derin metrik ağ modelinin test başarısı

Ağ Modeli Siamese – VGG19 Siamese – ResNet50

Doğruluk 0,9539 0,8541

53/129

Şekil 5. Siamese derin metrik ağ modelinin eğitim aşaması sonuçları

Triplet eğitim örnekleri, her bir örneğin en az bir kez kullanılması koşuluyla 911 eğitim görüntü verisi kullanılarak toplamda 2000 farklı üçlü görüntü örneği oluşturulmuştur. Burada 2000 farklı üçlü görüntü oluşturulurken rasgele olarak pozitif ve çapa örneği aynı sınıfa ait örnek görüntüler olurken, negatif ise diğer sınıfa ait görüntü örneğidir. Yapılan deneylerde yeterli başarıya 2000 farklı kombinasyonla ulaşıldığı için bu sebeple derin sinir ağının eğitim sürecinde bu kadar üçlü kombinasyon yeterli bulunmuştur. Bu üçlü görüntülerde, aynı sınıftan örnekler birbirine yakınlaştırılırken, farklı sınıftan örnekler birbirinden uzaklaştırılır. Bu kapsamda çapa ile aynı sınıftan olan pozitif örnekler birbirine

yaklaştırılırken; çapa ile farklı sınıftan olan negatif örnek ise bu iki örnekten (pozitif ve çapa) uzaklaştırılmaktadır. Eğitim örneklerinin başarısını belirlemede bu duruma odaklanılırken, test başarısını belirlemede farklı bir yaklaşım kullanılmaktadır. Bu durumda, sorunu bir sınıflandırma sorunu olarak ele almak istediğimizde, her bir test örneği bir çapa örneğine eşittir. Test sürecinde 228 test örneğinin her biri çapaya yerleştirilmiş ve pozitif ve negatif örnekler ise eğitim kümesindeki örneklerden alınmıştır. Test örneğinden bağımsız olarak pozitif ve negatif örnekler farklı sınıflardan birer örnektir. Böylece çapaya yerleştirilen test örneği hangi sınıftan (pozitif veya negatif) bir örneğe yakınsa o örneğe olan benzerliğinden dolayı aynı sınıfta

54/129

Benzerlik Tabanlı Öğrenme Kullanarak Histopatolojik Görüntülerin Sınıflandırılması Classification of histopathological images using similarity-based learning Mahmut Kaya, Hasan Şakir Bilge

olarak tahmin edilmiştir. Testin sınıflandırma doğruluğu ise test verisinin gerçek kategorisiyle karşılaştırılması sonucunda elde edilmektedir.

Triplet ağ modeline ait eğitim aşamaları adım adım Şekil 6’da sunulmuştur. Ağ modeline üçlü görüntülerin sunulmasıyla eğitim modelinin nasıl bir başarı elde ettiği Şekil 6’da görülmektedir. Başlangıç aşamasında ham verilerin birbirinden ayrışamadığı görülürken, dönüşüm uzayına taşınma ile veri örneklerinin daha iyi bir temsil yeteneğine ulaştığı görülmektedir. Eğitim örnekleri arasında ayrışma çok iyi olup son aşamada bu durum gözlemlenebilmektedir. Ağ modelini eğitmek için Triplet ağ modelinde VGG19 transfer öğrenme

yaklaşımının yanında ResNet50 modeli de test edilmiştir. Tablo 2’de görüldüğü üzere Triplet+VGG19 ağ modeli ile test verilerini tahmin etmede %96,92 sınıflandırma başarısı elde edilmiştir.

Tablo 2. Triplet derin metrik ağ modelinin test başarısı

Ağ Modeli

Triplet – VGG19 0,9692

Triplet – ResNet50 0,9429

Şekil 6. Triplet derin metrik ağ modelinin eğitim aşaması sonuçları

55/129

5.

Sonuç

Uzaklık metriğine dayalı öğrenme örüntüler arasındaki benzerlik bilgisini ele almada önemli bilgi sunmaktadır. Bu çalışmada aynı sınıftan örnekler arasındaki benzerliği maksimize etme (uzaklığı azaltma), farklı sınıflar arasındaki benzerliği minimize etme (uzaklığı arttırma) için derin metrik öğrenme yaklaşımından yararlanılmıştır. Derin metrik öğrenme yaklaşımında birden fazla örnek ağa aynı anda sunularak örneklerin birbirine benzerliği incelenmektedir.

Bu çalışmada benzerlik öğrenme amacıyla Siamese ve Triplet ağ modelleri temel alınmıştır. Ayrıca ağ modellerindeki başarıyı maksimize etmede sıradan bir model yerine literatürde başarısını kanıtlamış olan transfer öğrenme yaklaşımlarından yararlanılmıştır. Yapılan çalışma sonucunda histopatolojik görüntülerde derin metrik öğrenme amacıyla Siamese+VGG19, Siamese – ResNet50, Triplet – VGG19 ve Triplet – ResNet50 modelleri kullanılmıştır. Eğitim süreçlerinde çok iyi bir öğrenme gerçekleştirilmiştir. Siamese ağ modelinde VGG19 kullanımı ile %95,39 sınıflandırma test başarısı elde edilirken, Triplet ağ modelinde VGG19 kullanımı ile %96,92 sınıflandırma test başarısı elde edilmiştir.

Triplet ağ modelinde başarının daha yüksek olmasında ağın eğitim modelinin etkisi önemlidir. Triplet ağında Siamese ağından farklı olarak aynı anda üç giriş verisi ağa sunulmaktadır. Ağın eğitim sürecinde birinci sınıfa ait örnek, ikinci sınıfa ait örnek ve çapa örneği sunulan örneklerdir. Çapa örneğinin sınıfına bakılarak aynı anda hem benzerlik hem benzersizlik ilişkisinin bir arada öğrenilmesi özelliği ile daha kararlı ve sağlam bir metrik öğrenimi sağlanmaktadır.

Klasik derin öğrenme yaklaşımlarında eğitim sürecinde giriş verileri birer birer ağa sunulmaktadır. Derin metrik öğrenmenin paylaşımlı ağırlıklı yapısında çok sayıda ikili ya da üçlü görüntü örneği ağa sunularak ağın öğrenme yeteneği de arttırılmaktadır. Veri örnekleri az olsa bile oluşturulacak ikili üçlü örnek kombinasyonlarıyla daha fazla ve farklı veri ikili veya üçlüleriyle öğrenme gerçekleştirilmektedir. Böylece daha iyi temsile sahip özniteliklerin elde edilebilmesi mümkün olabilmektedir. Bu durum ağın öğrenme performansını yükseltmede önemli bir etken olmuştur.

Teşekkür Bu makale çalışması Prof. Dr. Hasan Şakir BİLGE danışmanlığında Mahmut KAYA'nın "Derin Metrik Öğrenme ile Histopatolojik Görüntülerin Sınıflandırılması" isimli doktora tezi kapsamında gerçekleştirilmiştir. Ayrıca yazarlar Prof. Dr. Mehmet GÜL’e destekleri için teşekkür etmektedir.

Çıkar Çatışması Yazarlar bu makaleyle ilgili herhangi bir çıkar çatışması olmadığını bildirir.

Araştırma ve Yayın Etiği Beyanı Yazarlar bu çalışmanın araştırma ve yayın etiğine uygun olduğunu beyan eder.

[1] T. M. Mitchell, “Machine learning and data mining”. Communications of the ACM, 42(11), 30-36, 1999.

[2] A. Géron, Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow, O'Reilly Media, Inc., 205, 2022.

[3] A. Globerson ve S. Roweis. “Metric learning by collapsing classes”, Advances in neural information processing systems, 1-8, 2005.

[4] F. Wang ve J. Sun, “Survey on distance metric learning and dimensionality reduction in data mining”, Data mining and knowledge discovery, 29(2), 534-564, 2015.

[5] K. Q. Weinberger ve L. K. Saul, “Distance metric learning for large margin nearest neighbor classification”, Journal of machine learning research, 10, 207-244, 2009.

[6] J. Schmidhuber, “Deep learning in neural networks: An overview”, Neural networks, 61, 85-117, 2015.

[7] Y. LeCun, Y. Bengio ve G. Hinton, “Deep learning”,Nature, 521(7553), 436-444, 2015.

[8] M. Kaya, ve H. Ş. Bilge, “Deep metric learning: A survey”, Symmetry, 11(9), 1066, 2019.

[9] J. Lu, J. Hu ve J. Zhou, “Deep metric learning for visual understanding: An overview of recent advances”. IEEE Signal Processing Magazine, 34(6), 76-84, 2017.

[10] R. Hadsell, S. Chopra ve Y. LeCun, “Dimensionality reduction by learning an invariant mapping”, IEEE computer society conference on computer vision and pattern recognition, 1735-1742, 2006.

[11] E. Hoffer ve N. Ailon, “Deep metric learning using triplet network”, Similarity-Based Pattern Recognition: Third International Workshop, 84-92, 2015.

[12] M. Peikari, M. J. Gangeh, J. Zubovits, G. Clarke ve A. L. Martel, “Triaging Diagnostically Relevant Regions from Pathology Whole Slides of Breast Cancer: A Texture Based Approach,” IEEE Transactions on Medical Imaging, 35(1), 307–315, 2016.

[13] I. Goodfellow, Y. Bengio ve A. Courville, Deep learning. MIT press, 2016.

[14] Y. Duan, J. Lu, J. Feng, ve J. Zhou, “Deep localized metric learning”, IEEE Transactions on Circuits and Systems for Video Technology, 28(10), 2644-2656, 2017.

[15] G. Dai, J. Xie ve Y. Fang, “Deep correlated holistic metric learning for sketch-based 3D shape retrieval”, IEEE Transactions on Image Processing, 27(7), 3374-3386, 2018.

[16] B. Harwood, V. Kumar BG, G. Carneiro, I. Reid, ve T. Drummond, “Smart mining for deep metric learning”, In Proceedings of the IEEE international conference on computer vision, 2821-2829, 2017.

[17] E. Hoffer, ve N. Ailon, “Semi-supervised deep learning by metric embedding”, arXiv preprint arXiv:1611.01449, 2016.

56/129

Benzerlik Tabanlı Öğrenme Kullanarak Histopatolojik Görüntülerin Sınıflandırılması Classification of histopathological images using similarity-based learning Mahmut Kaya, Hasan Şakir Bilge

[18] S. Liao ve L. Shao, “Graph sampling based deep metric learning for generalizable person re-identification”, Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 7359-7368, 2022.

[19] K. A. Duncanson, S. Thwaites, D. Booth, G. Hanly, W. S. Robertson, E. Abbasnejad, ve D. Thewlis, “Deep metric learning for scalable gait-based person re-identification using force platform data”, Sensors, 23(7), 3392, 2023.

[20] S. S. Faghih Imani, K. Fouladi‐Ghaleh, ve H. Aghababa, “Generalizable and efficient cross‐domain person re‐ identification model using deep metric learning”, IET Computer Vision, 17(8), 993-1004, 2023.

[21] S. M. Alizadeh, M. S. Helfroush, ve H. Müller, “A novel Siamese deep hashing model for histopathology image retrieval”, Expert Systems with Applications, 225, 120169, 2023.

[22] X. Li, B. Yang, T. Chen, Z. Gao, ve H. Li, “Multiple instance learning-based two-stage metric learning network for whole slide image classification”, The Visual Computer, 1-16, 2023.

[23] N. Hashimoto, Y. Takagi, H. Masuda, H. Miyoshi, K. Kohno, M. Nagaishi, ... & I. Takeuchi, 2023, “Case-based similar image retrieval for weakly annotated large histopathological images of malignant lymphoma using deep metric learning”, Medical image analysis, 85, 102752, 2023.

[24] Y. Jin, H. Lu, Z. Li, ve Y. Wang, “A cross-modal deep metric learning model for disease diagnosis based on chest xray images”, Multimedia Tools and Applications, 82(21), 33421-33442, 2023.

[25] A. Zhong, X. Li, D. Wu, H. Ren, K. Kim, Y. Kim, ... ve Q. Li, “Deep metric learning-based image retrieval system for chest radiograph and its clinical applications in COVID-19”, Medical Image Analysis, 70, 101993, 2021.

[26] L. Liu, L. Huang, F. Yin ve Y. Chen, “Offline signature verification using a region based deep metric learning network”, Pattern Recognition, 118, 108009, 2021.

[27] T. B. Viana, V. L. Souza, A. L. Oliveira, R. M. Cruz ve R. Sabourin, “A multi-task approach for contrastive learning of handwritten signature feature representations”, Expert Systems with Applications, 217, 119589, 2023.

[28] G. Andresini, A. Appice ve D. Malerba, “Autoencoderbased deep metric learning for network intrusion detection”, Information Sciences, 569, 706-727, 2021.

[29] Z. Wang, Z. Li, D. He ve S. Chan, “A lightweight approach for network intrusion detection in industrial cyberphysical systems based on knowledge distillation and deep metric learning”, Expert Systems with Applications, 206, 117671, 2022.

[30] B. Mocanu, R. Tapu ve T. Zaharia, “Multimodal emotion recognition using cross modal audio-video fusion with attention and deep metric learning”, Image and Vision Computing, 133, 104676, 2023.

[31] X. Chen, L. He, C. Xu, ve J. Liu, “Distance-dependent metric learning”. IEEE Signal Processing Letters, 26(2), 357361, 2019.

[32] V. S. Narayanaswamy, J. J. Thiagarajan, H. Song ve A. Spanias, “Designing an effective metric learning pipeline for speaker diarization”, IEEE International Conference on Acoustics, Speech and Signal Processing, 5806-5810, 2019.

[33] M. Titford, The long history of hematoxylin. Biotechnic & histochemistry, 80(2), 73-78, 2005.

[34] F. Serin, M. Erturkler, ve M. Gul, “A novel overlapped nuclei splitting algorithm for histopathological images”, Computer methods and programs in biomedicine, 151, 57-70, 2017.

[35] S. J. Pan, ve Q. Yang, “A survey on transfer learning”, IEEE Transactions on knowledge and data engineering, 22(10), 1345-1359, 2009.

[36] J. Lu, V. Behbood, P. Hao, H. Zuo, S. Xue, ve G. Zhang, “Transfer learning using computational intelligence: A survey”, Knowledge-Based Systems, 80, 14-23, 2015.

[37] A. Krizhevsky, I. Sutskever ve G. Hinton, “Imagenet classification with deep convolutional neural networks”, Advances in neural information processing systems, 25, 2010.

[38] K. Simonyan ve A. Zisserman, “Very deep convolutional networks for large-scale image recognition”, arXiv preprint arXiv:1409.1556, 2014.

[39] K. He, X. Zhang, S. Ren ve J. Sun, “Deep residual learning for image recognition”, IEEE conference on computer vision and pattern recognition, 770-778, 2016.

[40] G. Huang, Z. Liu, L. Van Der Maaten ve K. Q. Weinberger, “Densely connected convolutional networks”, IEEE conference on computer vision and pattern recognition, 4700-4708, 2017.

[41] A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, ... ve H. Adam, “Mobilenets: Efficient convolutional neural networks for mobile vision applications”, arXiv preprint arXiv:1704.04861, 2017.

57/129

Dr. Mahmut Kaya, Fırat Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümü lisans programını 2010 yılında tamamladı. Yüksek lisans ve Doktora Programlarını Gazi Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalında 2014 ve 2019 yıllarında tamamlamıştır. Lisansüstü çalışmaları esnasında 2012-2019 yılları arasında Gazi Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümünde Araştırma Görevlisi olarak çalışmıştır. 20202024 yılları arasında Siirt Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümünde Dr. Öğr. Üyesi olarak çalışmıştır. 2024 yılından itibaren Fırat Üniversitesi Mühendislik Fakültesi Yapay Zekâ ve Veri Mühendisliği Bölümünde Dr. Öğr. Üyesi olarak çalışmaktadır. Bilimsel araştırma alanları arasında örüntü tanıma, makine öğrenmesi ve derin öğrenme yer almaktadır.

Prof. Dr. Hasan Şakir Bilge, Yıldız Teknik Üniversitesi Bilgisayar Mühendisliği Bölümü lisans programından 1992 yılında mezun oldu. Yüksek lisans programını Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü Elektrik Elektronik Mühendisliği Anabilim Dalında 1997 yılında tamamladı. Doktora programını Başkent Üniversitesi Fen Bilimleri Enstitüsü Elektrik Elektronik Mühendisliği Anabilim Dalında 2003 yılında tamamladı. 2003-2012 yılları arasında Gazi Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği Bölümünde yardımcı doçent kadrosunda çalıştı. 2012 yılında Elektrik Elektronik Mühendisliği alanında doçentlik unvanını aldı. 2012-2015 yılları arasında Bilgisayar Mühendisliği Bölümünde ve 2015-2020 yılları arasında Elektrik Elektronik Mühendisliği Bölümünde doçent olarak çalıştı. 2020 yılından itibaren Gazi Üniversitesi Mühendislik Fakültesi Elektrik Elektronik Mühendisliği Bölümünde profesör olarak çalışmaktadır. FPGA programlama ve doğrulama, görüntü işleme, ultrason görüntüleme, örüntü tanıma, derin öğrenme gibi konularda bilimsel çalışmalar yapmaktadır.

58/129

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 15.05.2024

Makale Kabul Tarihi: 08.07.2024

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka

Uygulaması

ATkEacxbiLpğaulenanrligınKaMCbaalnoenCsdcAeoeernrrliltvDieTforielecUtuiiselatyepcilogtiAiItnuoninçnltBaeıdwaklmelsliiegaatDhdensnıöaTMcnbreoüialndAşirseüpflmYosprlaimvcpeaeatryiEoavnZnrdefioşkriam

Delal Şeker1, Mustafa Said Kartal2, Abdulnasır Yıldız3, İlkay Öksüz4

Explainable Artificial Intelligence Application for Özetçe— 1GMünüühmeünzddiesldikijiFtaalkpüalttoelsoiji,,DtüicmlöerlÜerninivteerşshiitsei svie, Diyarbakır, Türkiye, delalkabGaİkR9İ3Ş@gmail.com

Ötağhrmeninmleem2(TeDıÖpk)oFnyuaösknutüneldmtaelesriöi,nnSeinmivlgaiesnbiCişruömlrçoehlkuloiryiunyyaegmtualÜakmntaaidvlaıerr.rlasDitbeearsşiina, SivaAsk,cTiğüerkkiaynes,emri dd.ümnyuastgaefnaeslainiddekagretnaişl@bigr mkeasiml.ci oilmgilendiren

Lung Cancer Detection with Transformer and çhıikstmopaatoyleotjeinkeğgiö3MrgüönüzthüeleönrnddüeinseldiokkaFluınadskıınüğıılfntledanas,id,ırDbmuiacltieçüirÜn ncmiavozeidpresllbietirer,si,

sağlık sorunlarının başında gelir. Ölüm oranı yüksek ve kritik

Dbiiryasrabğalıkkır,sTorüurnkuidyuer,. aAbnkcaiyğ[email protected]ığına başlıca

çözüm olarak kullanılmaktadır.

Convolution Based Models görüntülerden akciğer kanserinin

oBtoum4Iasçttaiaklınşsmbınuaıl,flaThneidcsıthromnpiaactsoaı lloiçjUiinknıveycrosakiğtaryal,afinİsmbtöaalngsbeelbueelrb,ei,Tsyuiagrşkarigayreuvpelaarlıknoal,

tüketimidir. Bunun kalıtsal özelliklere

yanı sıra ve diğer

doğru ve yoruFmalacnualbtiylirObfirCmoamkipnuetöeğrreAnnimdi Itenkfnoirğmi oalutışctusrEmnaygııneedreinğigş,keDnelepraertbmağelnıt oOlafrCakomfaprukltıelırkEngögsitneereebriilnmgektedir [1].

(EkaEmaxSrpaşAlçıall)ana,şamtVtıairiosıklnitaosarn)daıkrTa.çrıaLkMnlIasMefnvoaEcrbumitle(irLrlyoiök(cVnatilmTem)eItdnovtedeeurEpEyrlfvaferitciaşipebimanlettsoNeloleMjti-SoBdig1neoöilrr-mkaüsginuAmntzüğoaillsrlaetikrrisciaıi y@mKöitkauosnr.ülesruedükrukla,.btrernyleierfrteislaelrmdiaaraklrıtağasıd,ıınrkd. iaFloabkikatakt yihnbelıir,kk,kaamnssiedareğhrıablsautrlaıa,snıntkıdsaıan,abmkuraognivbikei

Özeütçzee—rindGe küannüsmerützesdpeit dsiisjtietmali öpnaetroillmojiiş,titrü. VmiöTrvleerEinffictieeşnhtiNsiet-vBe1 durumlar görülmeyebilmektedir.GÇİRoğİŞu zaman akciğer kanser

tahminmleimmeariksionninuseuvnrdişaimöntaebmalnilı bEirSAroml imoyanriasmineakgtaödreır.f1-Dskeorrinu, Öğrenmhaess(aDsiÖye)t yvöendtuemyalrelrıliınkinoragneınniışn ödlaçheaklbi auşayrgıulılasomnaulçalarrlavebradşiaği

tanısı Pozitron Emisyon Tomografi (PET), Manyetik Rezonans A(MkRci)ğevrekyaansBeirligidsaüynayralı gTeonmeloingdraefige(nBiTş)biirlekegsöirmüni tiüllgeinleipndiren

çıkma göyzelteemnleeğnimişgtöirz. Eönnüyünkesekalbınadşaığrımndaor, anbınua VtüiTr mmimoadreilslieril,e saardğılnıkdasnorkuensilnarıtnanını ibçainşınpdaatolgoejilkir.teÖşhlüisme iohrtaiynaıçyvüakrsdeırk [v2e]. kritik

histopaytaoklolajişkılmgışöorlüunpteünlearydreıntdıloı kLuIMsEınsıofnlaunçldaırrımnaaiseiçEinfficciaenzitpNetb-Bir1 bGierneslağolılkarakso, ruankucdiğuerr. kAakncseiğrier erkkaenksleerrdie hadsathaalığyınaaygıbnaşlıca çözüm moimlaarraiski ilekuullalaşınlmılımştaırk.tadır. Bu çalışma, histopatolojik ygaökrüallüarnkmena, sekbaedbıni lsairgaraaravseınadlakoldtaükestoimn idyirı.llBarudnaunayrtaışnı sıra

görüntülerAdneanhtaarkcKieğleimr eklearn—serEinvrinişimotsoelmSaintiikr Asğınlaırflı,anEdffıircmienatsNı eitç-Bin1, doğru vVeisyioonruTmralnasnfoarbmileir,bHiristmopaaktoinloejiö, ğArçeıknliamnaibtielikrnYiğapi aoyluZşetkuarmayı ka(EmaSraşAçıll)aa, şstmhitVgıearniAsıkcilfiabtaoiacpsrnatdaarnıbakrTtci.ltrri—toaLyMlneIosMIeiffnnvoEDcrtumhetoeetdep(LdrayLiyoaö'(ecgsVnaanrtilocnTesomii)nnIsgtdnveatexne(eDtdr,ELpEprd)fvrfeiermigtcdiaişietiebiactmhntllieotosNdpnesaleMottthf-oSoBotdliuh1onemagilnry-moadriglspeAm.nlaGğloaaylsrirasvtigriseceıinaExplansactailoenasp)plaicçaıtkiolanns,asbuiclhirmlikodemlseatroedbueyinlag inpcarteoalsoinjiglygeömrüpnlotyüelderais üzerindaen kaattnrsaecrtivteesspoiltustiisotnemfoir ötinsesurielmclaişstsiirfi.cVatiiTonvienEhfifsitcoipeantthNoelotg-Bic1al mimarisminaignes.eTvhriisşismtudytaabimansltıo eEstSaAblismh aimn acrcisuirnaete agnödreintfe1r-psrkeotarbul,e hassasimyeatchvienedlueayranrilnılgıktecohrnainquıneıfnordtahhe aubtoamşaartiıclıclsaosnsiufiçclaatrionveorfdluiğnig gözlemcleannmceirşftriro.mEhnistyoüpaktsheoklogbiacşaal rimımageosr.aInnınthae cVuirTrenmt iampaprroisaichil,ea yaklaşıclmanıcşeorludpeteenctaioynrınsytsıltıemLIMonEpsaotnhuoçlolgayrınima aisgeesEfifsicpiernoptNoseetd-Bb1y mimaricTsoirmailnpesafurolirnamşgıelrmC(ıoVşntiıvTro.)l,utainodnaEl ffNiceieunrtaNl etN-Bet1waorrckhsite(cCtuNrNess,),utViliizsiionng

AnathetarLoKceallimIenlterp—retEabvlreişMimosdeell-SaignnirosAtiğc laErxı,plEafnfaictiioennstN(eLtI-MB1E,) Vision Tinrtaernpsrfeotrambielrit,yHmisettohpoadt.olIotjih,aAs çbıkeelannoabbsielirrveYdapthaaytZtehkeaViT and

EfficientNet-B1 architectures outperform the convolution-based AbsCtrNaNct—archIintecttuordeaiyn'stercmosnotefxf1t,-scdoirgei,tparlecpisaiothno, laongdyrecpalallyrsateas.

significTanhet rVoiTle ainrchthiteecdtuiarge naopspirsoaanchdesprtheedihcitgiohnestofpetrufmoromras.ncGeivraetne, the capwahbiilleitytheofmDoeset pdeLteaailredninLgIM(DELr)esmuelttshoadres taochhieavneddlewlitahrgteh-e scale apEpffliicciaetnitoNnest,-sBu1cahrcmhoitdecetlusraer.e being increasingly employed as

cgoöğzlreamfilebnömlgeeklteedreir, y[3a]ş. g2r0u2p0laWrınHaO, kraalpıotsrlaalrıönzaelglöikrelerdeünvyea diğer dgeenğeişliknednelearkeciğberağklaınsoerliarvaakkalfaarırk2l.ı2l1ıkmiglyöosnteirkeebnilömlüeksateydısiır [1]. Kmö1etSerk.iaşo8ksshnterüemilnssmrueiiükelnraykviltoai,rzbkenroenurkyvlleiaaaeerfşnşrtemtisssıltaereaamrlrnkmldiedataarakaridaknrtlaırtıtrlağd(aa1s[ııdşr4,ı.t.ını]rvrB.kd.ıeliuaymFloadaıbşuk2ikra.ttuaaktemnyivhnıbdreleaıyir,),kökk,vnklaetiaemnnsmbissieedlyalerieeğrrnishrnilıabzeilsnaruttrlgüaeıaem,sknnısöntekiırdklsalllıeaini,krğailbinemk,uraognivbikei dkulirnuikmltaarnıgöiçrüinlmdeoykeublailrmdaenktegdiriirş.imÇsoelğubizyaompsainyaökncteimğeiyr lekanser töarnnıeskıleProazlimtraonyoElumniasyboaşnvTuroumrlaorg. rPaaftio(lPojEikTd),oMkuaönryneetkilkerRineiznonans (hMistRol)ojivkeyvaeyaBhilügcirseasyelarsleıviTyeodme ongihraifitü(mBöTr )türiüle vegöervürenstiülenip abredliırnlednaenbilkmeseikntedtairnı[5i]ç.inGpelaitşoenlojtiekkntoelşohjiseveihytiaypaaçy vzaerkdaır [2].

Gmeondelleroi lasroanku,cuakkcoiğmeprlikaksaynosneari seebrekpekloelradne gdiraişhiamseylaygın gyöörnütelmürlkeerinn,seykrealdtiılnmlaersi amaraaçslaınnmdaaktaddaır [6s].on yıllarda artış gGöüznlüemmülezdnemebkitlegdisiarya[r3].tab2a0n2l0ı gWörHünOtü raipşloermlaerınteakngiökrleeri,dünya g1Sseöpaed.zai8synetioltelememlldilomkeeiijnlkiasçykdtüıteokeirdkneagiacrurömkvirh[aceüa7ışinz]ğvmst.lüeetaaalBrnsenkıdurkndtiıaanıratfmdnelraısktaarlnenknadr[ilşaki4ıatlrliı]vmbezr.airıiarlnklmaiigakriılatboşaesitrıyonyıtaümdö2nkana.ıs2tteegi1ykmkölörtmeleüneşşnritthlietbryüimmusoloblenuerkönaritlminkeündlteaailinkenrrım.taöeeedllBkdsüırisue,.iskalyiğısiı, eGrekleişnmeişvrbeilkgaisnasyearrlearlignor(i1tm. valeayrıa v2e. eyvarpea)y vzeekbaelmirsimizartiülemriö, rlerin tpeaşthoilsoijni iuzzomralanşlatırrımnınakhtaadstıarl.ıkBlaurıdudrauhma diyai, ktalninımislyaemnalseırnagevneellikle

an attractiKveeywsoolrudtsio—n foCrontivsosluuetiocnlasNseifuircaaltioNnetwinorhki,stEofpfaictihenotlNogeti-cBa1l , kteldinaivki ptlannlıarıinçıinbeldirolekmuelasirndeanyargdıimrişciımolsaeblilmbeiykotepdsiri. yöntemiyle images.VTishioins stuTdryanasifmorsmteor,estaHbilsitsohpaatnoloagcyc,uraEtexpalanidnainblteerpArertiafibclieal öBruneçkaleışrmaaldmaa, aykocliuğnera hbiastşovpuartuorlolajir.gPöarütontlüoljeikrindeobkauzömrnoedkelerinin

machinIenltelaigrenninceg technique for the automatic classification of lung hoilsatroakloEjivkrişviemysaelhSüicnriresAeğllasreıv(iEySeAde), dnöihnaüişütmümtaöbrantülırVüisvieonevresi

cancer from histopathological images. In the current approach, a cancer detection system on pathology images is proposed by comparing Convolutional Neural Networks (CNNs), Vision Transformer (ViT), and EfficientNet-B1 architectures, utilizing the Local Interpretable Model-agnostic Explanations (LIME) interpretability method. It has been observed that the ViT and EfficientNet-B1 architectures outperform the convolution-based CNN architecture in terms of f1-score, precision, and recall rates.

belirlenebilmektedir [5]. Gelişen teknoloji ve yapay zeka modelleri sonucu komplikasyona sebep olan girişimsel yöntemlerin seyreltilmesi amaçlanmaktadır [6]. Günümüzde bilgisayar tabanlı görüntü işleme teknikleri, patolojik görüntülerin analizini otomatikleştirmektedir. Bu sayede süreci hızlandırmakla birlikte yüksek teşhis oranları elde edilmektedir [7]. Bu teknikler arasında görüntü bölütlemesi,

The ViT architecture approaches the highest performance rate, özellik çıkarma ve sınıflandırma gibi yöntemler bulunmaktadır.

while the most detailed LIME results are achieved with the Gelişmiş bilgisayar algoritmaları ve yapay zeka mimarileri,

EfficientNet-B1 architecture.

patoloji uzmanlarının hastalıkları daha iyi tanımlamasına ve

Keywords — Convolution Neural Network, EfficientNet-B1, Vision Transformer, Histopatology, Explainable Artificial

tedavi planlarını belirlemesine yardımcı olabilmektedir. Bu çalışmada, akciğer histopatoloji görüntülerine baz model

Inteligence

olarak Evrişimsel Sinir Ağları (ESA), dönüşüm tabanlı Vision

59/129

Transformer (ViT) ve evrişim tabanlı EfficientNet-B1

mimarileri uygulanmıştır. Derin Öğrenme (DÖ) modellerinin

uygulanmasıyla elde edilen kestirim sonuçları

karşılaştırılmıştır. Ardından tüm modellere ait sonuçlar

açıklanabilir yapay zeka yöntemi olan LIME (Local

Interpretable Model-agnostic Explanations)

ile

ilişkilendirilmiştir. LIME uygulaması sonucu elde edilen

görüntülerin ilgili bölgeleri çalışmada gösterilmiştir.

Mevcut Çalışmalar

Histopatolojik doku örneklerinin analizi ve sınıflandırılmasında

farklı yaklaşımlar göze çarpmaktadır. Literatür incelendiğinde

bu çalışmaların ağırlıklı olarak dönüşüm ve evrişim tabanlı

olduğu gözlemlenmektedir. Aitazaz ve ekibi (2023), akciğer

görüntülerini teşhis etmede ViT ve önceden eğitilmiş ESA

mimarilerinin etkinliğini karşılaştırılmıştır. Deneyin sonuçları,

ViT mimarisinin önceden eğitilmiş ESA mimarilerini

performans bakımından aştığını göstermiştir. Ayrıca, daha fazla

katmana sahip olan ViT-L32'nin ViT-B32'ye nazaran daha

doğru sonuçlar ürettiği bulunmuştur [8]. Ali ve Ali (2021),

geleneksel katmanlar, ayrılabilir evrişim katmanları ve kapsül

ağı içeren çok girişli bir hibrit model oluşturmuşlardır. Bu

modeli akciğer kanserini sınıflandırmak için kullanmışlardır.

Ön işleme aşamasında, gama düzeltme, renk dengeleme,

görüntü keskinleştirme ve çok ölçekli birleştirme

uygulanmıştır. Önerilen model iki giriş alır: i) standart evrişim

katmanları aracılığıyla birinci giriş bloğundan ham görüntüler

ve ii) ayrılabilir evrişim katmanları kullanılarak ikinci giriş

bloğundan işlenmiş görüntülerin her ikisi de sınıflandırma için

bir kapsül ağına bağlıdır. Deneysel analiz, önerilen modelin

tüm sınıflarda dikkate değer bir başarı elde ettiğini ve akciğer

kanseri için genel doğruluğun %99.58 olduğunu

göstermişlerdir [9]. Kumar ve ark. (2022), akciğer histopatoloji

görüntülerini sınıflandırmak için elle çıkarılan (hand-crafted)

özelliklerin

derin

özelliklerle

karşılaştırmışlardır. Elde edilen özellikler dört makine öğrenimi

algoritmasına uygulanmıştır: Gradient Boosting (GB), Çok

Katmanlı Algılayıcı (ÇKA), Rastgele Orman (RO) ve Radyal

fonksiyon tabanlı Destek Vektör Makinası (DVM-RBF).

Analiz sonrasında, derin özelliklere sahip sınıflandırıcıların

manuel özellikleri aştığını gözlemlemişlerdir [10]. Ibrahim ve

Talaat (2022), özellik çıkarmak için EfficientNet-B7 kullanarak

akciğer kanseri için çoklu sınıflandırma yapmak amacıyla

Modifiye Edilmiş Sinir Ağları (MNNs) kullanarak DÖ tabanlı

bir sistem önermişlerdir. Sonuçlara göre, bu sistem ile %99.5

doğruluk elde etmişlerdir [11]. Fan vd. (2021), akciğer

kategorizasyonu için softmax ve DVM tabanlı bir transfer

öğrenme mimarisi önermişlerdir. Sınıflandırma doğruluğunu

artırmak için softmax sınıflandırıcısının tam bağlı katmanı,

DVM sınıflandırıcısına bağlanmıştır. Önerilen modelin

LC25000 veri kümesi için %99.4 doğruluğa sahip olduğunu

göstermişlerdir [12]. Mehmood ve ekibi (2022), akciğer kanseri

histopatolojik görüntülerinin otomatik olarak teşhisi için etkili

bir transfer öğrenme stratejisi önermişlerdir. Bu yaklaşımda,

hesaplama maliyetini azaltmak ve doğruluğu artırmak amacıyla

kontrast artırma yöntemi tüm görüntülere değil, sadece

performansı düşük olan sınıfa uygulamıştır (%89'dan %98.4'e

kadar artış). Talukder ve ark. (2022), akciğer kanserini tespit

etmek için hibrit bir yaklaşım oluşturmuştur. Özellik çıkarımı için MobileNet kullanılıp sınıflandırma amacıyla birleşik yumuşak oylama sınıflandırıcısı kullanılmışlardır. Araştırma bulgularına göre, önerilen teknik ile akciğer kanserini sınıflandırmada %99.3 doğruluk sonucuna varılmıştır [13]. Mangal vd. (2020), akciğer kanserini tanımlamak amacıyla geliştirilmiş sığ bir ESA tabanlı teknik kullanmış ve akciğer kanseri için %97, doğruluk elde edilmiştir [14]. Adu ve ark. (2021), akciğer kanserini otomatik olarak tespit etmek ve sınıflandırmak için kapsül tabanlı bir metodoloji önermiştir. Bu çalışmada, kodlayıcı tabanlı benzersiz bir özellik birleştirme yaklaşımı ve özellik vektörünü bastırmak için yeni bir yatay sıkıştırma fonksiyonu geliştirilmiştir. Önerilen strateji ile %99.23 doğruluk oranı yakalanmıştır [15]. Hage Chehade ve ark. (2022), akciğer histopatolojik görüntülerin çoklu sınıflandırılması için özellik mühendisliğine dayalı yeni bir makine öğrenimi modeli önermiştir. Bu yöntem, birinci dereceden istatistikler, GLCM ve Hu değişmez momentler kullanılarak 37 manuel çıkarılmış özellik hesaplamışlardır. Akabinde bunları sınıflandırma işlemi için XGBoost sınıflandırıcısına uygulanmıştır. İlgili modelin LC25000 veri kümesi üzerinden test başarımının doğruluk performansı %99 olarak tespit edilmiştir.

MATERYAL VE METOT

A. Veri seti

Bu çalışmada, Kaggle platformundan LC25000 adlı veri seti kullanılmıştır. İlgili veri, Florida'da bulunan James Hastanesinde görev yapan Andrew Borkowski ve ekibi tarafından oluşturulmuştur. Veri seti, akciğer ve kolon kanseri histopatolojik görüntülerini içermektedir Akciğer kanseri üç farklı sınıftan oluşmaktadır. Orijinal görüntü boyutları (1024,768) olup görüntüler (768,768) şeklinde yeniden boyutlandırılmıştır. Veri seti toplamda 750 adet akciğer kanseri 500 adet kolon histopatolojik görüntü barındırmaktadır. Veri arttırma metodu sayesinde (sağ ve sol rotasyonlar- yatay ve dikey döndürmeler) her sınıftan 5000 adet olmak üzere toplamda 25000 adet görüntü elde edilmiştir. Önerilen çalışmada 15000 adet akciğer histopatolojik görüntüden faydalanılmıştır. Çalışmada kullanılan açık erişim veri setinde akciğer ve kolon kanseri görüntüleri ayrı ayrı sınıflandırılmıştır. Fakat önerilen metot sadece akciğer verisine uygulanmıştır. Verinin kapladığı alan bilgisi ve LC25000 adı kullanılması sebebi ile 2 sınıflı kolon görüntülerini de barındırdığı bilinmelidir. Tüm veri setinin kapladığı alan 1.85 GB büyüklüğündedir [16]. Akciğer kanseri için akciğer normal dokusu (ND), akciğer adenokarsinomu (ADK) ve akciğer skuamöz hücreli karsinom (SHK) olarak adlandırılan sınıflar çalışmada irdelenmiştir. Akciğer adenokarsinomu bronşlarda görülen ikinci en yaygın kanser türüdür. Akciğerdeki bez hücrelerinde ortaya çıkar. Skuamöz hücreli karsinom, tıpkı adenokarsinom gibi akciğerin alveol ve bronş epitelinden kaynaklanan habis tümörlerdir ve öncü lezyonlardan gelişirler. Patoloji rutininde girişimsel karsinom diyebilmek için hücresel düzeyde anormal görünümün yanında bu hücrelerin yapısal olarak da anormal davranışını saptamak gerekmektedir. Hücresel atipi daha çok hücrenin çekirdek özelliklerine

60/129

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması

Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

(irileşme, hücresel sınır düzensizliği gibi) bakılarak

değerlendirilmektedir [17]. Son olarak kontrol grubu olan

bening hücreler ise normal doku olup vücudun diğer

bölgelerine yayılmamaktadır.

B. Metot

İlgili görüntüler (128,128,3) şeklinde yeniden boyutlandırılmış, EfficientNet-B1 mimarisi hariç, ESA ve ViT mimarisindeki [0255] piksel değerleri normalize edilerek [0-1] arasına indirgenmiştir. Toplam görüntülerin %80’i eğitim, %20’si test kümesine ayrılmıştır. Geri kalan eğitim kümesinin %20’si ise doğrulama kümesini oluşturmaktadır. Her sınıftan 5000 görüntü alınarak eğitim-test kümeleri dengeli oluşturulmuştur. Bu bağlamda üç farklı DÖ modeli kullanılmıştır. Model sonrası teşhis edilen görüntülere açıklanabilir bir yöntem uygulanıp sonuçlar karşılaştırılmıştır. Çalışmada izlenilen metot Şekil 1.’de özetlenmiştir.

Şekil 1. Mevcut çalışmada takip edilen metodoloji

1-Derin Öğrenme Modelleri

Evrişimsel Sinir Ağları (ESA): ESA, özellik çıkarımı ve sınıflandırma işlemlerini eş zamanlı olarak gerçekleştiren bir DÖ algoritmasıdır. Bu yöntem, ham verilerden özelliklerin otomatik olarak çıkarılması için evrişim aşamaları, aktivasyon fonksiyonları ve havuzlama katmanlarını kullanır. Evrişim işleminin özü, bir veya daha fazla filtre uygulanarak gerçekleştirilen bir matematiksel operasyona dayanmaktadır. Filtrelerin görüntü üzerinde seçilen piksel sayısı adımları ile kaydırılması sonucu özellik haritaları çıkarılır. Filtreleme adımına ait bağıntı Denklem (1)’de verilmiştir. ‘b’ bias (yanlılık) değerini, ‘x’ yerel bölgeyi, ‘y’ ise özellik haritasını temsil etmektedir [18].

???????????????????????? = ∑(???????????????????????? ∗ ???????????????????????? + ????????????????????????)

Önerilen ESA mimari yapısı Şekil 2’de gösterildiği gibidir. Bu çalışmada önerilen 3 katmanlı ESA modelinde katmanlardaki sinir hücresi sayısı sırası ile (8,16,32) şeklindedir. Her katmandaki kernel boyutu (3,3) olarak belirlenmiştir. Tüm evrişim işlemleri ardına (2,2) maksimum havuzlama uygulanmıştır. Mimariye (256,128) sinir hücresi sayılarında yoğunluk katmanı eklenmiştir. Hiper parametreler açısından batch boyutu 32, seyreltme oranı 0.3, öğrenme oranı 0.001, optimizasyon metodu olarak ‘Adam’, kayıp fonksiyonu olarak ‘categorical crossentropy’, aktivasyon fonksiyonu olarak ‘softmax’ ve son olarak eğitim boyunca epok sayısı 50 seçilmiştir.

Şekil 2. Önerilen ESA mimarisi yapısı

61/129

EfficientNet-B1: Google araştırma ekibinden Tan ve Le (2019), ConvNet sistemlerinin ölçeklendirme yöntemlerini inceleyerek temel yapıyı oluşturmuşlardır [19]. Araştırmacılar, ConvNet' e daha fazla katman ekleyerek onları daha geniş ve derin hale getirip yüksek çözünürlüklerle uğraşmak oldukça zahmetli olabileceği için saniye başına kayan nokta işlemi (FLOPS) kullanıp temel bir ConvNet oluşturmak adına EfficientNet modeli kullanmışlardır. Bu mimari EfficientNet-B0 olarak adlandırılmıştır. Bu aşamadan sonra, EfficientNet-B1, EficientNet-B0'ı ölçeklendirerek oluşturulmuştur. Ölçekleme işlevini daha sonra EfficientNet-B7'ye uygulamışlardır. ImageNet veri kümesi üzerinde EfficientNet-B7 modelini kullanarak üst düzey doğruluk elde etmişlerdir. EfficientNet, diğer birçok derin öğrenme mimarisinden farklı olarak, ağın derinliği, genişliği ve çözünürlüğünü dengelemektedir. Bu dengeleme, daha iyi performans sağlamak için optimize edilmektedir. EfficientNet mimarisi daha sonra nesne tespiti için farklı çözünürlüklerde kaynaştırılmış özellikler kullanan EfficientNet (B0,B1,B2,B3,B4,B5,B6,B7) ailesini oluşturmak için kullanılmıştır [20]. Bu nedenle ilgili çalışmada, analiz edilen görüntülerin boyutu ve eğitim kolaylığı göz önünde bulundurularak EfficientNet-B1 ağ mimarisi tercih edilmiştir. Giriş görüntüleri (128,128,3) için normalizasyon işlemi uygulanmayıp görüntülerin orijinal piksel değerleri ile giriş tensörleri oluşturulmuştur. Mevcut çalışmada transfer öğrenme tabanlı EfficientNet-B1 derin öğrenme mimarisinin özellik çıkarıcı olarak kullanılıp dense (yoğun) katmanı ile birleştirilerek yapılan sınıf tahmini Şekil 3.’ de gösterilmiştir. EfficientNet-B1 mimarisindeki katmanlar dondurularak ImageNet ağırlıklarının kullanımı ile önerilen görüntü sınıflandırma problemi, önceden eğitilmiş bir derin öğrenme modelinin özelliklerinin alınıp, yeni veri kümesindeki örnekler için sınıflandırma yapılmasını sağlar. Böylelikle büyük miktarda veriye ihtiyaç duymadan etkili bir şekilde yeni bir görev için modelin uyarlanması gerçekleştirilir. İlgili mimaride havuzlama olarak ‘average pooling’ seçilmiştir. Tam bağlı katmandaki sinir hücresi sayıları (2048, 1024, 512, 256, 128) şeklindedir. Bunun dışındaki hiper parametreler önerilen ESA modeli ile benzerlik göstermektedir.

Şekil 3. EfficientNet-B1 derin öğrenme mimarisinin akciğer patolojik görüntü tahminlenmesinde kullanımı

Vision Tranformer (ViT): Vaswani vd. (2015), DÖ mimarilerinin kodlayıcı ve çözücü bloklarından oluşan karmaşık evrişimli modellerin dikkat mekanizmaları ile entegre olmasını sağlamışlardır. Böylece yinelemeli ve evrişimsel blokları tamamen ortadan kaldırmayı hedeflemişlerdir [21]. Bu çalışmaya dayanarak Dosovitskiy ve ekibi (2021), geleneksel Transformer modelinin görüntü

sınıflandırma uygulamalarında kullanılmasını amaçlamışlardır [22]. ViT, girdi olarak bir görüntüyü alıp önceden belirlenmiş belirli bir boyut ve piksel çözünürlüğüne sahip görüntüleri küçük yamalara böler. Daha sonra, bu görüntü yamalarını düz vektörlere dönüştürür ve bir dizi dikkat katmanı üzerinden işler. ViT modelinin mimari yapısı Şekil 4.’de gösterilmiştir. Görüntüyü vektöre dönüştüren bağıntı Denklem (2)’de verilmiştir. Bu denklemde her bir görüntü için elde edilen terimler şu şekildedir: n yama sayısı, h yükseklik, w genişlik ve p piksel netliğini vermektedir. Ardından görüntü yamaları ????????????2???????????????????????? boyutunda vektörlere çevrilir.

???????????? = (ℎ????????????????????????)/????????????2

Modelde (128,128,3) olan girdi görüntüleri (72,72,3) şeklinde yeniden boyutlandırılmıştır. Daha sonra her bir kenar 6 adet yamaya bölünmüştür. Böylelikle bir görüntüden toplamda (6x6) 36 adet yama elde edilmiştir. Modele ait diğer hiper parametreler şu şekildedir: Kayıp fonksiyonu seyrek kategori, ağırlık azalması 0.0001, projeksiyon boyutu 64, dönüşüm birimindeki projeksiyon boyutu 2, dönüşüm katmanının boyutu 8, son sınıflandırıcı olan çok katmanlı algılayıcının sinir hücresi sayıları (2018,1024) olarak belirlenmiştir. Önerilen ViT mimarisinde büyük veri gereksiniminden dolayı eğitim kümesinde veri artırımı yoluna gidilmiştir. Mimarinin içyapısı gereği ilgili değişimler belirli oranda görüntülerin y eksenine göre simetriğinin alınması, 0.02 faktörü ile döndürülmesi ve hem yatay hem düşeyde 0.2 faktörü ile yakınlaştırma şeklindedir. Bu işlemin amacı olası test görüntülerine karşı sistemi gürbüz bir şekilde eğitmeye yöneliktir.

Şekil 4. Çalışmada kullanılan ViT mimarisine ait genel içyapı [22].

2-Performans Metrikleri

Makine öğrenimi ile ilgili performans metrikleri, hassasiyet, geri çağırma, F1skoru ve doğruluk değerleri dahil olmak üzere ölçülecektir. Kesinlik, doğru pozitiflerin (DP) doğru pozitifler ve yanlış pozitifler (YP) toplamına oranı olarak hesaplanır. Yani, doğru pozitiflerin toplam pozitif tahminlere oranıdır. Duyarlılık, doğru pozitiflerin toplam doğru pozitifler ve yanlış negatifler (YN) toplamına oranı olarak hesaplanır. Yani, doğru pozitiflerin toplam pozitif gerçekler ile oranıdır. F1 skoru, kesinlik ve duyarlılığın harmonik ortalamasıdır. Dengesiz sınıflandırma problemlerinde sıklıkla tercih edilir. Doğruluk, bir model tarafından yapılan tahminlerin genel doğruluğunu ölçer. Doğruluk, doğru tahminlerin (DN, YP) toplam tahminlere oranı olarak hesaplanır. Performans metrikleri hesaplamasının özeti Tablo 1'de bulunmaktadır.

62/129

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması

Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

kümelerine ait doğruluk ve kayıp değerleri ile test kümelerine

ait karmaşıklık matrisleri Şekil 5.’de verilmiştir. Karmaşıklık

Tablo 1. Performans metrikleri matematiksel hesabı

Kesinlik DP

Duyarlılık DP

DP + YP

F1-skor

2x

Kesinlik Kesinlik

x +

Duyarlılık Duyarlılık

DP + YN Doğruluk DP + DN

DP + YP + YN + DN

matrislerinden çıkarılan metrikler ise Tablo 2.’de bir arada hesaplanmıştır. ViT mimarisinin evrişim tabanlı ESA ve EfficientNet-B1 mimarisine göre daha başarılı sonuçlar verdiği gözlemlenmiştir. ESA mimarisi %87.93, EfficientNet-B1 mimarisi %96.97 ve ViT mimarisi %98.40 doğruluk değerlerine ulaşmıştır. Derin mimariler sonucu farklı doku örneklerinden çıkarılan özelliklere ait doku konumları LIME

metodu ile belirlenerek Şekil 6.’da gösterilmiştir.

3-Açıklanabilir Yapay Zeka Metodu:

Önerilen çalışmanın bulgularına göre, ViT mimarisi doğruluk, hassasiyet ve duyarlılık gibi performans metrikleri açısından

LIME (Local Interpretable Model-agnostic Explanations): DÖ modelleri, genellikle karmaşık yapısı ve yüksek boyutlu veriler üzerindeki etkin performansıyla dikkat çekmektedir. İlgili modeller literatür çalışmalarında ‘kara kutu’ modeller olarak adlandırılmaktadır [23]. Bu terim, DÖ modellerinin iç işleyişi ve karar süreçlerinin anlaşılmasının zorluğunu ifade eder. Bu durum kritik uygulamalarda DÖ kullanımını kısıtlamaktadır. Tıbbi teşhis gibi kritik disiplinlerde makine öğrenimi kullanımında tahminlere tamamen güvenilmez, çünkü sonuçlar yanıltıcı olabilir. Bireysel tahminlere güvenmekten başka, modelin saha koşullarında kullanılmadan önce bütün olarak değerlendirilmesi de gerekmektedir. Bu kararı vermek için, kullanıcıların modelin gerçek dünya verilerinde iyi performans göstereceğine ve ilgi çeken ölçütler doğrultusunda değerlendirileceğine güvenmeleri gerekmektedir. Bu sebeple DÖ algoritmalarının iç işleyişini anlamak ve şeffaf hale getirmek amacıyla açıklanabilir modeller kullanılmaktadır. Çalışmada eğitim ve test işlemi sonrasında açıklanabilir modellerden biri olan LIME metodu kullanılmıştır. LIME metodunda amaç seçilen örnekleme DÖ metodunda alınan giriş ve tahminlerin neden yaptığını anlamak ve bu tahminlere yakın yeni tahmin bölgeleri belirlemektir. Yeni ağırlıklar elde edilen tahminlere göre ağırlıklandırılmaktadır. Görüntüler tahmin için (1,128,128,3) olarak yeniden boyutlandırılmıştır. Test kümesinden doğru olarak sınıflandırılan rastgele seçilmiş görüntü örnekleri ile modelin görüntü üzerinden özellik çıkardığı ilgili bölgeler kestirilmeye çalışılmıştır. LIME metodu kararlarını belirli bir örnek veya örnek kümesi üzerinde anlamlandırır. Model agnostik bir yaklaşım benimseyip herhangi bir makine öğrenmesi modeli ile uyumlu çalışır. Bu sayede temel bir açıklayıcı yapay zeka modeli olarak sıklıkla kullanılmaktadır [24].

incelendiğinde akciğer kanseri özelliği taşıyan histopatolojik dokuları sağlıklı görüntülerden ayırma amacıyla EfficientNetB1 ve ESA mimarisine kıyasla daha az parametre sayısı ile daha etkili bir sonuca ulaşmıştır. Evrişim tabanlı ESA ve transfer öğrenmeye dayalı EfficientNet-B1 mimarileri dikkat mekanizmasına dayalı dönüşüm tabanlı ViT mimarisinin performans olarak gerisinde kalmıştır. Önerilen evrişim tabanlı mimariler arasında EfficientNet-B1 mimarisi patolojik görüntü sınıflandırma uygulamalarında daha başarılı performans sergilemiştir. Ek olarak EfficientNet-B1 mimarisi transfer öğrenme ile kullanılırken ESA mimarisi rastgele parametrelerle başlatılarak eğitilmiştir. Her iki mimari de evrişim tabanlı olmasına rağmen bu durum ESA mimarisi için dezavantajlı bir durum olarak kabul edilebilir. Önceden öğrenilmiş ağırlıkların yeni veri setlerindeki kullanımına ait yüksek başarımlar transfer öğrenmenin getirdiği en önemli kazançlardan biridir [25]. Ayrıca derin katmanlı EfficientNet-B1 modelinin LIME gibi model agnostik yaklaşımlarda görüntüdeki detayları çok sayıda kümelemesi patolojik görüntü uygulamalarında önem taşıdığını göstermektedir ancak ilgili mimarinin efektif kullanımı için tüm slayt görüntülerden faydalanmak daha doğru bir yaklaşım olacaktır. İlgilenilen kanserli kısımlar ve önerilen derin öğrenme mimarileri arasındaki ilişki açısından şu şekilde bir yorumdan bahsedilebilir: i) ESA mimarisi akciğer kanserine ait ilgili yerlerden özellik çıkarırken bu bölgeyi daha geniş tutup ilgisiz yerlerden de örüntü toplamıştır. ii) EfficientNet-B1 algoritmasında kümelenen alanlar çok sayıdadır. Bu bağlamda tüm slaytlardan yararlanmak daha doğru olacaktır. İlgili görseller yama görüntülerini temsil etmektedir. iii) ViT mimarisinde ise hem sınıflandırma başarımı en yüksek olup hem de en anlamlı bölgelerden özellik çıkarılmıştır. Sonuç olarak ViT akciğer kanserine ilişkin patolojik kesitlerin analizinde an doğru ve anlamlı sonuçlar üretmiştir. Çalışmada,

????????????ç????????????????????????????????????????????????????????????????????????(????????????) = ????????????????????????????????????????????????????????????€???????????? ????????????(????????????, , ????????????????????????) + Ω()

LIME açıklanabilirlik yöntemi kullanılarak ViT, ESA ve EfficientNet-B1 mimarilerinin eğitildiği görüntülerde öğrenilen

Denklem (3)’de x açıklanmak istenen görüntü, g vekil model, f asıl model, ???????????????????????? ise x görüntüsüne yakınlık ölçeği, L kayıp fonksiyonu minimum yapan fonksiyon ve Ω() vekil modelin özellik miktarını az sayıda tutabilmek için kullanılan bir fonksiyondur.

bölgelerin belirgin bir şekilde işaretlenmesi, araştırmaya önemli bir değer katmıştır. Bu yaklaşım, DÖ mimarilerinin içsel öğrenme mekanizmalarını daha anlaşılır ve yorumlanabilir hale getirerek modelin hangi özellikleri ve bölgeleri vurgulayarak öğrendiğini açıklığa kavuşturmaktadır. Görüntü üzerinde işaretlenen kümeler ilgili bölgeleri teşhis etmek için

BULGULAR VE TARTIŞMA

Çalışmada kullanılan veri seti ve mevcut yöntem, patolojik görüntülerin işlenmesinde ve yorumlanmasında literatüre katkı sağlamaktadır. 50 epok boyunca alınan eğitim validasyon

kullanılmıştır. Bu bağlamda öğrenilen bölgelerin vurgulanması, modelin kararlarını ve öğrenme süreçlerini daha şeffaf bir şekilde anlaşılmasına yardımcı olarak önerilen çalışmanın genel etkisini arttırmaktadır. Bu çalışmada kullanılan

63/129

(128,128,3) görüntü boyutları (256,256,3) ve (512,512,3) boyutları için de denenmiş olup benzer sonuçlar vermiştir. Bu bağlamda GPU ve zaman kısıtından ötürü çalışmada küçük boyutlu görüntüler tercih edilmiştir. Çalışmada önerilen 3 katmanlı ESA modelinde seçilen eğitim parametrelerinin belirlenmesinde hiper-parametre optimizasyonu yapılmamıştır. Ayrıca tek bir açıklanabilir metot kullanıldığından bu uygulamaları destekleyecek farklı açıklanabilir metotlarının ortaya konmaması çalışmanın eksik görülen noktalarından bazılarıdır. Gelecek çalışmalarda histopatolojik görüntülerdeki kanser teşhisini geliştirmek amacıyla farklı DÖ modellerinin geliştirilmesi ve birden fazla açıklana bilirlik yöntemlerinin karşılaştırmalı analizinin yapılması hedeflenmektedir. Seçilen verinin hücresel ve dokusal bakımdan uzmanlık gerektiren görüntüler olması sebebiyle ileride yapılacak histopatolojik görüntü analizlerinin uzman bir patolog eşliğinde sonuçları yorumlaması çalışmaya katkı sunacaktır.

Mevcut çalışmanın yenilikçi yanları Mevcut Çalışmalar başlığı altında verilen literatür özeti ile kıyaslandığında şu şekilde sıralanabilir: Çoklu Model Karşılaştırması: ESA, ViT ve EfficientNet-B1 mimarileri karşılaştırılarak kapsamlı bir analiz yapılmıştır. Farklı derin öğrenme mimarilerini aynı veri kümesi üzerinde sistematik olarak karşılaştıran çalışmalar sınırlıdır. Bu çalışma, farklı modellerin performansını aynı veri seti ve aynı metrikler kullanarak doğrudan karşılaştırmaktadır. Açıklanabilirlik Metodolojisi: LIME metodunu kullanarak modellerin çıktılarının açıklanabilirliği değerlendirilmiştir. Literatürde açıklanabilirlik metotları genellikle sınırlı kullanılmıştır. Bu çalışmada, LIME ile modelin karar verme süreçlerinin görselleştirilmesi, modelin güvenilirliğini ve klinik uygulamalardaki kullanım potansiyelini artırmaktadır. Yüksek Doğruluk Oranları: ViT mimarisinin %98.40 doğruluk oranına ulaşması ve EfficientNet-B1'in %96.97 doğruluk oranı ile yakın sonuçlar vermesine bulgular kısmında yer verilmiştir. Literatürdeki diğer çalışmalarla karşılaştırıldığında, önerilen yöntemlerin daha yüksek doğruluk oranlarına ulaşması, çalışmanın başarısını göstermektedir. Detaylı Performans Değerlendirmesi: Performans değerlendirmesinin sadece doğruluk oranıyla sınırlı kalmaması, diğer önemli metriklerin de kapsamlı bir şekilde analiz edilmesi, çalışmanın derinliğini ve geçerliliğini artırmaktadır. Farklı Mimari Yapıların Kullanımı: Literatürdeki çalışmaların çoğu ya sadece ESA ya da tek bir model mimarisi üzerine odaklanmıştır. Bu çalışmanın farklı mimarileri bir araya getirmesi ve karşılaştırması yenilikçi bir yaklaşım sunmaktadır. Açıklanabilir makine öğrenmesi ile ayrıntılı ve şeffaf sonuçlar: Literatürde LIME metodunun kullanımı yaygın değildir ve bu metodun özellikle EfficientNetB1 ve ViT ile entegrasyonu, model çıktılarının daha iyi anlaşılmasını ve yorumlanmasını sağlamaktadır.

64/129

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

Eğitim/Validasyon Doğruluk

Eğitim/Validasyon Kayıp

Karmaşıklık Matrisi

ES A

Şekil 5. ESA, ViT ve EfficientNet-B1 derin öğrenme mimarilerine ilişkin eğitim/validasyon kümelerine ait epoklar boyunca doğruluk-kayıp değerleri ile test kümesi karmaşıklık matrisleri

Tablo 2. Önerilen derin öğrenme mimarileri sonucu elde edilen performans metrikleri

Derin Öğrenme Sınıflar Kesinlik Duyarlılık f1 skor Genel Doğruluk

Mimarisi

ESA

0.64

0.78

0.74

0.85

0.8793

0.9840

EfficientNet-B1 ADK

0.9697

65/129

66/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 ESA

Skuamöz Hücreli Karsinom

Adenokarsinom

Akciğer Kanseri Tespitinde Dönüşüm ve Evrişim Tabanlı Modeller ile Açıklanabilir Yapay Zeka Uygulaması Explainable Artificial Intelligence Application for Lung Cancer Detection with Transformer and Convolution Based Models

Bening (Normal) Doku

Şekil 6. Adenokarsinom, skuamöz hücreli karsinom ve normal doku örnek görüntülerine ilişkin uygulanan derin mimariler sonucu LIME açıklanabilir yapay zeka metoduna ait gösterimler

Yazarlar ilgili çalışmada Dicle Üniversitesi Bilimsel Araştırma Projeleri Koordinatörlüğü’nün (DÜBAP), sağladıkları finansal destek için (Proje No: MÜHENDİSLİK.17.019) teşekkürlerini [8] sunmaktadır. Ayrıca Acıbadem Maslak Hastanesi Mehmet Ali Aydınlar Üniversitesinde patolog olarak görev yapan Cavit

Cancer Lett., vol. 471, no. December 2019, pp. 61–71, 2020, doi: 10.1016/j.canlet.2019.12.007.

T. Aitazaz, A. Tubaishat, F. Al-Obeidat, B. Shah, T. Zia, and A. Tariq, “Transfer learning for histopathology images: an empirical study,” Neural Comput. Appl., vol. 35, no. 11, pp. 7963–7974, 2023, doi: 10.1007/s00521-022-07516-7.

Kerem Kayhan’a sonuçların yorumlanmasındaki değerli [9] katkıları için teşekkürlerimizi sunarız.

M. Ali and R. Ali, “Multi-Input Dual-Stream Capsule Network for Improved Lung and Colon Cancer Classification,” Diagnostics, vol. 11, no. 8, 2021, doi: 10.3390/diagnostics11081485.

[10] N. Kumar, M. Sharma, V. P. Singh, C. Madan, and S. Mehandia, “An empirical study of handcrafted and dense feature extraction

techniques for lung and colon cancer classification from

M. B. Schabath and M. L. Cote, “Cancer progress and priorities: Lung

histopathological images,” Biomed. Signal Process. Control, vol. 75,

cancer,” Cancer Epidemiol. Biomarkers Prev., vol. 28, no. 10, pp.

p. 103596, 2022, doi: https://doi.org/10.1016/j.bspc.2022.103596.

1563–1579, 2019, doi: 10.1158/1055-9965.EPI-19-0221.

[11] N. yahia Ibrahim and A. S. Talaat, “An Enhancement Technique to

M. C. Staff, “Cancer.” Accessed: May 06, 2024. [Online]. Available:

https://www.mayoclinic.org/diseases-conditions/cancer/symptomscauses/syc-20370588

Diagnose Colon and Lung Cancer by using Double CLAHE and Deep Learning,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 8, 2022, doi: https://doi.org/10.14569/IJACSA.2022.0130833.

L. L. Zullig et al., “Cancer incidence among patients of the U.S. [12] J. Fan, J. Lee, and Y. Lee, “A Transfer Learning Architecture Based

veterans affairs health care system: 2010 update,” Mil. Med., vol. 182,

on a Support Vector Machine for Histopathology Image

no. 7, pp. e1883–e1891, 2017, doi: 10.7205/MILMED-D-16-00371.

Classification,” Appl. Sci., vol. 11, no. 14, 2021, doi:

World Health Organization, “Cancer.” Accessed: May 02, 2024.

10.3390/app11146380.

[Online]. Available: https://www.who.int/news-room/fact- [13] M. A. Talukder, M. M. Islam, M. A. Uddin, A. Akhter, K. F. Hasan,

sheets/detail/cancer

and M. A. Moni, “Machine learning-based lung and colon cancer

W. D. Travis, “Pathology of Lung Cancer,” Clin. Chest Med., vol. 32,

detection using deep feature extraction and ensemble learning,”

no. 4, pp. 669–692, 2011, doi: 10.1016/j.ccm.2011.08.005.

Expert Syst. Appl., vol. 205, p. 117695, 2022, doi:

L. Succony, D. M. Rassl, A. P. Barker, F. M. McCaughan, and R. C.

https://doi.org/10.1016/j.eswa.2022.117695.

Rintoul, “Adenocarcinoma spectrum lesions of the lung: Detection, [14] S. Mangal, A. Chaurasia, and A. Khajanchi, “Convolution Neural

pathology and treatment strategies,” Cancer Treat. Rev., vol. 99, no.

Networks for diagnosing colon and lung cancer histopathological

May, p. 102237, 2021, doi: 10.1016/j.ctrv.2021.102237.

images.” 2020.

S. Huang, J. Yang, S. Fong, and Q. Zhao, “Artificial intelligence in [15] K. Adu, Y. Yu, J. Cai, K. Owusu-Agyemang, B. A. Twumasi, and X.

cancer diagnosis and prognosis: Opportunities and challenges,”

Wang, “DHS-CapsNet: Dual horizontal squash capsule networks for

lung and colon cancer classification from whole slide

67/129

histopathological images,” Int. J. Imaging Syst. Technol., vol. 31, no.

(NIPS), Long Beach, 2015.

4, pp. 2075–2092, 2021, doi: https://doi.org/10.1002/ima.22569.

[22] A. Dosovitskiy, L. Beyer, A. Kolesnikov, and D. Weissenborn, “An

[16] A. A. Borkowski, M. M. Bui, L. B. Thomas, C. P. Wilson, L. A.

Image is Worth 16x16 Words: Transformers for Image Recognition

DeLand, and S. M. Mastorides, “Lung and Colon Cancer

at Scale,” in ICLR 2021, 2021.

Histopathological Image Dataset (LC25000),” pp. 1–2, 2019.

[23] B. H. M. van der Velden, H. J. Kuijf, K. G. A. Gilhuijs, and M. A.

[17] J. M. JR Goldblum, LW Lamps, Rosai and Ackerman’s Surgical

Viergever, “Explainable artificial intelligence (XAI) in deep

Pathology. 2017.

learning-based medical image analysis,” Medical Image Analysis,

[18] C. Ieracitano, N. Mammone, A. Bramanti, A. Hussain, and F. C.

vol. 79. Elsevier B.V., Jul. 01, 2022. doi:

Morabito, “A Convolutional Neural Network approach for

10.1016/j.media.2022.102470.

classification of dementia stages based on 2D-spectral representation [24] M. T. Ribeiro, S. Singh, and C. Guestrin, “‘Why Should I Trust You?’

of EEG recordings,” Neurocomputing, vol. 323, pp. 96–107, 2019,

Explaining the Predictions of Any Classifier,” NAACL-HLT 2016 -

doi: 10.1016/j.neucom.2018.09.071.

2016 Conf. North Am. Chapter Assoc. Comput. Linguist. Hum. Lang.

[19] S. Han, H. Mao, and W. J. Dally, “Deep compression: Compressing deep neural networks with pruning, trained quantization and Huffman

Technol. Proc. Demonstr. Sess., pp. 97–101, 2016, doi: 10.18653/v1/n16-3020.

coding,” 4th Int. Conf. Learn. Represent. ICLR 2016 - Conf. Track [25] G. Marques, D. Agarwal, and I. de la Torre Díez, “Automated

Proc., pp. 1–14, 2016.

medical diagnosis of COVID-19 through EfficientNet convolutional

[20] M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling for

neural network,” Appl. Soft Comput., vol. 96, p. 106691, 2020, doi:

convolutional neural networks,” 36th Int. Conf. Mach. Learn. ICML

https://doi.org/10.1016/j.asoc.2020.106691.

2019, vol. 2019-June, pp. 10691–10700, 2019.

[21] A. Vaswani, N. Shazeer, and N. Parmar, “Attention is All You Need,” in 31st Conference on Neural Information Processing Systems

Delal Şeker, Diyarbakır Rekabet Kurumu Anadolu Lisesi’ nden mezun olduktan sonra (2011) lisans (2012-2016) ve yüksek lisans (2018-2020) eğitimini Dicle Üniversitesi Elektrik Elektronik Mühendisliği Bölümü’ nde tamamladı. 2021 yılından beri doktora eğitimi aynı bölümde devam etmektedir. TÜBİTAK 1001 Projesi kapsamında ‘Kantitatif Sentetik Prostat Manyetik Rezonans Görüntülemede Makina Öğrenmesi ile Prostat Kanserinin Değerlendirilmesi’ başlıklı projesinde doktora bursiyeri olarak araştırmalarını sürdürmektedir.

Mustafa Said Kartal, 1998 yılında Afyonkarahisar'da doğdu. İlköğretim ve ortaöğretim eğitimini Afyonkarahisar'da tamamladı. 2018 yılında Sivas Cumhuriyet Üniversitesi Tıp Fakültesi'ne başladı. 2021 yılında hastane yazılımları üreten bir şirkette Veri Bilimci olarak çalışmaya başladı. Nisan 2023'ten beri tıp eğitimine devam ederken Hevi AI'da Makine Öğrenimi Mühendisi olarak görev yapmaktadır.

Abdulnasır Yıldız, Lisans Eğitimini 9 Eylül Üniversitesi Elektrik Elektronik Mühendisliği Bölümünde tamamladıktan sonra (1997) yüksek lisans (2002) ve doktorasını (2011) Fırat Üniversitesinde bitirmiştir. Şu anda Dicle Üniversitesi Elektrik Elektronik Mühendisliği Bölümünde Doçent olarak görev yapmaktadır. Ana araştırma ilgi alanları işaret işleme ve örüntü sınıflandırmadır.

İlkay Öksüz, İstanbul Alman Lisesinden mezun olduktan sonra lisans eğitimini İstanbul Teknik Üniversitesi Elektrik Elektronik Mühendisliği Bölümü'nde tamamlamıştır. Daha önce, King's College London Biyomedikal Mühendisliği Bölümü'nde araştırma görevlisi olarak çalışmıştır. Doktora eğitimini, IMT İleri Araştırmalar Okulu'nda Bilgisayar, Karar ve Sistem Bilimleri alanında tamamlamıştır. Ana araştırma ilgi alanları görüntü segmentasyonu, görüntü kaydırma ve makine öğrenimidir. Şu anda İstanbul Teknik Üniversitesi Bilgisayar Mühendisliği bölümünde Doçent olarak görev yapmaktadır.

68/129

Delal Şeker, Diyarbakır Rekabet Kurumu Anadolu Lisesi’ nden mezun olduktan sonra (2011) lisans (2012-2016) ve yüksek lisans (20182020) eğitimini Dicle Üniversitesi Elektrik Elektronik Mühendisliği Bölümü’ nde tamamladı. 2021 yılından beri doktora eğitimi aynı bölümde devam etmektedir. TÜBİTAK 1001 Projesi kapsamında ‘Kantitatif Sentetik Prostat Manyetik Rezonans Görüntülemede Makina Öğrenmesi ile Prostat Kanserinin Değerlendirilmesi’ başlıklı projesinde doktora bursiyeri olarak araştırmalarını sürdürmektedir.

Mustafa Said Kartal, 1998 yılında Afyonkarahisar’da doğdu. İlköğretim ve ortaöğretim eğitimini Afyonkarahisar’da tamamladı. 2018 yılında Sivas Cumhuriyet Üniversitesi Tıp Fakültesi’ne başladı. 2021 yılında hastane yazılımları üreten bir şirkette Veri Bilimci olarak çalışmaya başladı. Nisan 2023’ten beri tıp eğitimine devam ederken Hevi AI’da Makine Öğrenimi Mühendisi olarak görev yapmaktadır.

Abdulnasır Yıldız, Lisans Eğitimini 9 Eylül Üniversitesi Elektrik Elektronik Mühendisliği Bölümünde tamamladıktan sonra (1997) yüksek lisans (2002) ve doktorasını (2011) Fırat Üniversitesinde bitirmiştir. Şu anda Dicle Üniversitesi Elektrik Elektronik Mühendisliği Bölümünde Doçent olarak görev yapmaktadır. Ana araştırma ilgi alanları işaret işleme ve örüntü sınıflandırmadır.

İlkay Öksüz, İstanbul Alman Lisesinden mezun olduktan sonra lisans eğitimini İstanbul Teknik Üniversitesi Elektrik Elektronik Mühendisliği Bölümü’nde tamamlamıştır. Daha önce, King’s College London Biyomedikal Mühendisliği Bölümü’nde araştırma görevlisi olarak çalışmıştır. Doktora eğitimini, IMT İleri Araştırmalar Okulu’nda Bilgisayar, Karar ve Sistem Bilimleri alanında tamamlamıştır. Ana araştırma ilgi alanları görüntü segmentasyonu, görüntü kaydırma ve makine öğrenimidir. Şu anda İstanbul Teknik Üniversitesi Bilgisayar Mühendisliği bölümünde Doçent olarak görev yapmaktadır.

69/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 70/129

Deniz Taşımacılığı İzlemek için Sualtı Kablosuz Sensör Ağlarında Otonom Sualtı Aracı ile Dayanıklı ve Enerji Farkında Yol Planlama

Robust and Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Monitoring Maritime Transportation

Ömer Melih Gül Bilişim Enstitüsü İstanbul Teknik Üniversitesi, İstanbul

Email: [email protected]

Tayfun Acarer Denizcilik, Ulaştırma ve İşletme Yüksekokulu

Piri Reis Üniversitesi, İstanbul, [email protected]

Özetçe—Daha ucuz olması nedeniyle uluslararası ve kıtalararası ticarette denizyolu en yoğun kullanılan taşıma şeklidir. Ancak deniz kazaları gemiler için olağan tehlikelerdir. Bu amaçla sualtı kablosuz sensör ağları (SKSA), deniz trafiği risklerini azaltmak ve deniz ortamını izlemek için geliştirilmiştir. Bu sistemlerin enerjisi, sınırlı güce sahip olumsuz bölgelerdeki SKSA’lar için hayati öneme sahiptir. SKSA’nın uzun süre dayanabilmesi için, sürekli çevresel izleme ve gözetleme verilerinin toplanması ve iletişimini sağlamak amacıyla enerji kısıtlamalarının ele alınması gerekmektedir. Su altı sensör düğümleri için yol planlama ve enerji tasarruflu otonom su altı aracı (OSA) şarjı, SKSA enerji ve pil değiştirme sorunlarını çözmek için kullanılmaktadır. Bu makalede, OSA ile enerjiye duyarlı yol planlama problemini çözmek için en yakın komşu algoritması kullanılmaktadır. OSA yol planlama simülasyonları, en yakın komşu algoritmasının genetik algoritmaya ve Grey-Wolf eniyileştime algoritmasına göre daha hızlı yakınsadığını ve daha iyi bir çözüm ürettiğini göstermektedir. Yapılan çalışmada sensör verilerini daha az enerjiyle hızlı bir şekilde toplamak için sağlam ve enerji açısından verimli yol planlama algoritmaları sunarak izleme sisteminin gemilerin maruz kalabilecekleri tehlikelere daha hızlı yanıt vermesi hedeflenmektedir. Temin edilen veriler sensörlerin daha yakından iletişim kurması sonucu enerji kullanımının en aza indirildiğini ve SKSA ağınının ömrünü artırdığını göstermektedir.

Anahtar Kelimeler —otonom su altı aracı; su altı kablosuz sensör ağları; enerjiye duyarlı yol planlaması deniz haberleşmesi; gemi yönetim sistemleri; denizcilik otoritesi için güvenli seyir planlaması; denizcilik endüstrisi; deniz ticareti.

Abstract—Since it’s cheaper, sea transportation has been preferred for international and intercontinental trade. However, ship mishaps are possible dangers. Underwater wireless sensor networks (UWSN) can monitor the maritime environment to reduce maritime traffic risks. Energy is crucial for UWSNs in adverse areas with limited power. So

UWSN can last, energy constraints must be handled to enable continuous environmental monitoring and surveillance data gathering and communication. Path planning and energy-saving autonomous underwater vehicle (AUV) charging for underwater sensor nodes can solve UWSN energy and battery replacement issues. This paper uses nearest neighbour algorithm to solve the energy-aware path planning problem with AUV. AUV path planning simulations show that the nearest neighbour algorithm converges faster and produces a better solution than the genetic algorithm and grey wolf optimizer algorithm. We offer robust and energy-efficient path planning algorithms to swiftly collect sensor data with less energy, allowing the monitoring system to respond faster to ship disaster hazards. Communicating sensors closer minimises their energy usage and improves UWSN network lifetime.

Keywords —autonomous underwater vehicle; underwater wireless sensor networks; energy-aware path planning; water monitoring; ship management systems; safe sailing planning for maritime authority; maritime industry; maritime commerce

I. GİRİŞ

Tarihsel olarak denizcilik ve uluslararası ticaret birbiriyle doğrudan ilişikli kavramlardır. Bunun temel nedeni, deniz taşımacılığının uluslararası ticaretin ve kıtalararası geçişin birincil tercihi olmasıdır [1]. Deniz taşımacılığının en büyük özelliği demiryolundan 3,5 kat, karayolundan 7 kat, havayolundan ise 22 kat daha ucuz olmasıdır. Deniz taşımacılığının maliyet avantajı, artan ilgisini ve hacmini de artırmaktadır [2]. Uluslararası Deniz Ticaret Odası (ICS), küresel trafiğin %90'ının deniz yoluyla gerçekleştirildiğini bildirmektedir [3]. Birleşmiş Milletler Ticaret ve Kalkınma Konferansı, küresel deniz ticaretinde 2018'den 2023'e kadar yıllık %3,8'lik bir büyüme olacağını öngörmektedir.[4]. Artan dünya deniz ticareti, denizyolu kaza riskini artıran yoğun deniz trafiğine neden olmaktadır. Geçmiş veriler, kazaların

71/129

genellikle en yoğun deniz rotası yollarında meydana geldiğini göstermektedir [5].

Şekil 1. Dünya Denizcilik Ticaretinin Ana Rotası ve Bağlantı noktaları için Harita [6]

Günümüzde kargo hacmi ve değeri arttıkça deniz taşımacılığı kazaları daha fazla zarara yol açmaktadır. Ölümcül kazaların maliyetini ise parasal değerlerlerle ölçülemek mümkün değildir [7]. Günümüzde Süveyş Kanalı ulaşımının aksaması ve meydana gelen gemi kazaları [8]–[10], Çin filosunun nakliye masrafları da dahil olmak üzere dünya çapındaki tedarik zincirleri üzerinde önemli olumsuz ekonomik etkileri olmaktadır [11]. [12]'de kısıtlı Süveyş Kanalı vaka çalışması, senaryo analizi yoluyla gözlemlenen sonuçları açıklamaktadır. Süveyş Kanalının tıkanması gibi kazaları önlemek amacıyla hazırlanan bulguların kaza soruşturması için geriye dönük risk kaynaklarını değerlendirmesi ve sınırlı su yolu kazalarının önlenmesine yönelik ileriye yönelik riskleri tahmin etmek için kullanılması mümkündür.

Son dönemde endüstride temin edilen gelişmeler birçok sektöre de yansımaktadır. Bu gelişmeler geleneksel yapıları önemli ölçüde değiştirmekte, iş süreçlerini ve personel rollerini dönüştürmektedir [13]. Bu değişiklikler birçok sektörde olduğu gibi denizcilik şirketlerini ve gemi işletmeciliğini de etkilemektedir. Bu gelişmeler son yıllarda gemilerin uluslararası sularda yönetimi ve güvenli geçişine yönelik pek çok önemli verinin elde edilmesini mümkün kılmıştır. Güvenli navigasyon büyük ölçüde deniz durumu verilerine dayanmaktadır. Günümüzde deniz verileri yüzey verilerinin yanı sıra deniz tabanı verilerini de içermektedir. Güvenli deniz yolculuğu için, deniz yatağı hareketlerinin ve verilerinin anında tespit edilip önemli denizcilik kuruluşlarına iletilmesi çok önemlidir. Bu veriler aynı zamanda güvenli denizyolu taşımacılığı ve gemi navigasyonu için de gereklidir. Bu amaçla alınacak önlemler için de bu veriler çok önemlidir.

Deniz haberleşmesi, deniz araçlarını desteklemek için gemiler, kara birimleri ve uçaklar arasındaki iletişimi içermektedir [14]. Son dönemde veri taşıma ve iletişim teknolojileri ve gemi sistemleri, deniz tabanı ve yüzey verilerini çok uzak mesafelerden izleyebilecek ve gerektiğinde müdahale edebilecek noktaya gelmiştir.

A. Güdüleme Sualtı kablosuz sensör ağlarının (SKSA), hızlı gelişimlerinden dolayı okyanus verilerinin toplanması,

kaynak keşfi ve navigasyon için çok önemlidir [15]. Son veriler, çeşitli kullanımlara sahip akıllı okyanus sualtı Nesneleri İnterneti'nin (Nİ) [16] potansiyelini öne çıkarmaktadır. Bu konuda yapılan bir çalışmada birkaç su altı sensör düğümü çevresel verileri bir veri merkezine göndermektedir. Zorlu deniz ortamlarında pille çalışan düğümler pahalı ve karmaşık pil değişimini gerektirmektedir. Bu nedenle Sınırlı enerji ve kısa ömür nedeniyle enerji verimliliğinin arttırılması SKSA performansı ve güvenilirliği için çok önemlidir [17].

SKSA'da yol planlaması için önerilen yapay zeka tabanlı meta-sezgisel algoritma, bir yandan enerji tasarrufu sağlarken sensör verilerinin toplanmasını hızlandırmakta, diğer yandan sistemin gemi kazası tehlikelerine karşı daha hızlı tepki vermesini sağlar maktadır. Sensörlerin daha yakın iletişim kurması enerji tüketimini en aza indirmekte, bu durum ise gemi kazalarını önlemek için su altı ortamını izleyen SKSA'nın ömrünü uzatmaktadır.

Yapılan çalışmada bunu düzeltmek için çeşitli deneyimlerde bulunuldu. İlk olarak, SKSA'ların veri iletimi için çok fazla enerjiye ihtiyacı olduğu görüldü. Bu amaçla sensör verilerinin, iletimi ve enerji tüketiminin azaltılması için sıkıştırma ve optimize yapılmıştır[18]. İkinci olarak da ve yönlendirme ile, SKSA enerji verimliliğini artırabildiği tespit edildi. Dağıtım ve yönlendirme yaklaşımlarının iyileştirilmesi sonucu enerji tüketiminin azaltabildiği ve sensör düğümleri arasındaki eşit olmayan mesafe ve enerji harcaması nedeniyle ağ ömrünün artırabildiği görüldü [19].

Bu yaklaşımlarda dahi pilin ömrü bittiğinde değiştirilmesi gerektiği tespit edilmiştir. Günümüzde Su altı sensörlerinin, pil değişimine gerek kalmadan uzun süreli izleme ve veri iletimi için enerji aktarım teknolojileri kullanılarak şarj edilebilmesi mümkün hale gelmiştir [20]. DeMauro ve ark. [21], su altında kullanıma yönelik, yüksek su basıncını ve kısa devreleri ele alan şarj edilebilir bir lityum iyon pil modülü geliştirmiştir. Yapılan çalışma sonucunda enerji aktarım mesafesi sınırlamaları nedeniyle, otonom sualtı araçlarının (OSA) şarj edilmesine yardımcı olması ve rota planlaması yapılmasının gerekli olduğu görülmüştür.

OSA, insan müdahalesi olmadan orta düzeyde faaliyetler gerçekleştirebilen, kendinden tahrikli bir denizaltıdır [22]. OSA'lar deniz yatağı araştırması, arama, tanımlama ve kurtarmada ekonomik olmaları ve güvenlikleri nedeniyle deniz altı araştırmalarında, çevresel izlemede ve deniz güvenliğinde yaygın olarak kullanılmaktadır [23]. OSA'nın sınırlı güç taşıma kapasitesi ve şarj alanı, ardışık düğümlerden veri kaybını sorunlu hale getirmektedir. Bu, OSA'nın özellikle deniz koşullarında daha geniş tespit bölgeleri için kullanışlılığını garanti etmeyi zorlaştırmaktadır.

Kablosuz şarj edilebilir sensör ağları için manyetik olarak şarj edilmiş arabalar [24]'te önerilmektedir. SKSA'lar, yer tabanlı kablosuz şarj edilebilir sensör

72/129

Deniz Taşımacılığı İzlemek için Sualtı Kablosuz Sensör Ağlarında Otonom Sualtı Aracı ile Dayanıklı ve Enerji Farkında Yol Planlama Robust and Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Monitoring Maritime Transportation

ağlarından farklı olarak üç boyutlu bir yapıya sahiptir ve su altı mesafesiyle iletim gücünü artırmaktadır.

Bu makalede yol planlama problemine en kısa yolla çözüm arayarak, daha kısa yoldan çözüm daha az enerji tüketimini sağladığı için ‘enerji farkında’ tasarım hedeflenmektedir. Su altı cihazlarının hesaplama kapasitesi ve enerji tüketimini de gözönünde bulundurarak hesaplama yükü az olan her koşulda çalışabilecek yani her koşula ‘dayanıklı’ çözümler hedeflenmektedir.

B. Önemli Katkılar

Bu makalenin literatüre ana katkıları şu şekildedir: • Bu çalışma, SKSA'daki veri toplama sorunlarına yönelik bir OSA tarafından 3 boyutlu yol planlamasına yönelik bir problemi incelemiş ve yapay zeka tabanlı algoritmaları uygulamıştır. • Bu çalışmada incelenen probleme uygulanan algoritmaların başardığı enaz yol uzunluklarının yanında hesaplama sınırlamalarını ve çözüme ulaşma süreleri de dikkate alınmaktadır. • Bu yol planlama problemi için diğer algoritmalara göre daha pratik bir algoritma olan en yakın komşu algoritması uygulanmış,özellikle sensör sayısı arttıkça diğer algoritmalardan daha kısa yolu çok daha hızlı sunduğu görülmüştür.

C. Teşkil

Bu makalenin geri kalanı şu şekilde teşkil edilmiştir. Bölüm II ilgili literatürü sunmaktadır. Bölüm III sistem modelini sunup problemi tanımlamaktadır. Bölüm IV, üç boyutlu yol planlama problemini gezici satıcı problemi olarak ele alıp çeşitli algoritmalar önermektedir. Bölüm V'te önerilen algoritmaların performansları değerlendirmektedir. Bölüm VI makaleyi sonlandırmakta ve gelecekteki araştırma yönlerini sunmaktadır.

II. İLGİLİ LİTERATÜR

Bu bölümde SKSA'daki yol planlama problemine yönelik ilgili literatür ele alınmaktadır.

İletişim teknikleri pil gücü limitleri nedeniyle enerji tasarrufu sağlamaktadır. Lee ve ark. ağ topolojisi tabanlı enerji tasarruflu SKSA MAC teknikleri üzerinde çalışmıştır. [25]. [26]'da enerji verimli ve güvenilir SKSA MAC ve yönlendirme algoritmaları incelenmiştir. [27] Kanal kalitesini iyileştirmek ve fazlalığı azaltmak için bir paket gönderme yöntemi sunmaktadır. Su ve diğerleri tarafından sualtı akustik sensör ağları (SASA) için hibrit kodlamaya duyarlı bir yönlendirme şeması. [28] iletim yükünü azaltmakta ve güvenilirliği artırmaktadır.

Kümeleme su altı sensör ağlarında enerji verimliliğini, veri toplamayı, kaynak yönetimi ve ömrünü artırmaktadır [29]. Ağ, gereksiz aktarımları azaltmak için her biri bilgi aktaran bir küme başına (KB) sahip kümeler halinde düzenlenmiştir [30]. Sınırlı iletişim kaynaklarına sahip sualtı alanında enerji ve bant genişliği tasarrufu vardır[31].

Güneş ve ark. [32] kümeleme tabanlı iletişim protokolü, sensör düğümü enerji kullanımını azaltmaktadır. [33]’te SYTA'ler için topoloji yönetimi çözümü, kapsamı ve uzun ömürlülüğü geliştirerek güvenilir bağlantı sağlamaktadır. [34], SKSA ağ kapsamını geliştirmek için sanal kuvvet tabanlı dağıtılmış düğüm konuşlandırma stratejisi sunmaktadır. [35]'teki ağ topolojisi kontrol modeli, veri iletimini optimize etmekte ve sağlamlık, enerji tüketimi dengesi ve topoloji gibi su altı yönlerini dikkate alarak SKSA ömrünü uzatmaktadır.

Sensör donanımlı OSA'lar jeoloji, su kalitesi ve deniz yaşamı verilerini toplamaktadır. [36]'da, OSA'nın enerji tasarrufu verilerini gezerek toplamasıyla OSA destekli iletişim test edilmiştir. [37]'de, OSA veri toplama ve yol planlaması için K-ortalama önerilmiştir [38]. OSA'lar veri toplama ve su altı tespiti için kullanılmaktadır [39], [40].

OSA'lar su altında ağ kurabilmekte ve iletişim yapabilmektedir. OSA'lar veya merkezi istasyonlar, mobil veya sabit sensörlerden veri alabilmektedir. Böylece su altı aktivitelerini canlı olarak koordine edilebilmektedirler. Kan ve ark. [41] sahada konuşlandırılabilir üç fazlı kablosuz şarj sistemi, OSA'lari hızlı ve kolay bir şekilde şarj etmektedir. 0-100 m okyanus derinliklerinde OSA navigasyonu için dinamik sistem teorisinin kullanılması, pil ömrünün daha hızlı tüketilmesine yol açmaktadır [42].

Otonom yerleştirme ve pil şarj eden OSA oluşturma işlevi insan müdahalesi olmadan uzun süreli çalışmaya izin vermektedir. Bağlantı istasyonu, sensör düğümlerini ve OSA pillerini şarj etmektedir. Verimlilikleri ve bağımsızlıkları, yeniden şarj edilmeden artmaktadır.

Bu şekilde OSA yol planlama kullanılarak verimlili ğin artırılması mümkün hale gelmiştir. Cheng ve diğerleri, OSA rotalarını planlamak, engellerden kaçınmak ve enerji tasarrufu ve ağ ömrü için enerji kullanımını değerlendirmek için kinematik ve dinamik modelleri uygulamıştır [43]. Kumar ve meslektaşları [44], OSA menzillerini önemli ölçüde kısıtlayan hibrit bir su altı keşif tekniği önermektedir. [45]'de keşif bölgesi veri alma noktaları ile daha küçük parçalara ayrılmıştır. Bu şekilde hazırlanan yollar veri toplarken OSA enerjisini korumakta ve şarj edilebilir bir SKSA yol planlama yöntemi [46] ile ağ ömrü uzatılmaktadır.

SKSA enerji kısıtlamalarının ve pil değiştirme zorluklarının, OSA'ları kullanan su altı sensör düğümü şarjı için bir yol planlaması ve enerji tasarrufu stratejisi ile ele alınması mümkündür [47]. Ağ boyutunu ve iletim güvenilirliğini en üst düzeye çıkarmak için, çok sayıda OSA sensör ağ düğümlerini şarj ederken bir genetik algoritma optimum OSA yolunu belirlemektedir. Simülasyon, OSA yol planlama yönteminin standart yöntemlere göre daha hızlı yakınsadığını ve enerji dengeleyici düğüm yoğunluğunu ve ağ boyutunu kullanırken SKSA ömrünü artırdığını göstermektedir. Yol planlamamız, yüksek yoğunluklu ağlarda keşif amaçlı OSA enerjisinden %15 tasarruf sağlamaktadır.

73/129

[48]’de bu problemin çözümü için farklı metasezgisel algoritmalar uygulanmıştır. Ayrıca sensörler arası iletişim ve ulaşımın çok zor olduğu bir durum da incelenip güvenlik farkında genetik algoritma metasezgisel algoritması önerilmiştir.

III. SİSTEM MODELİ VE PROBLEM TANIMI Bu çalışma, su altı OSA sensör ziyaretleri için enerji bilinçli yol planlama sorununu ele almaktadır. Bu bölüm motive edici bir senaryo vermekte ve probleme buna göre çözüm getirmektedir. Burada öncelikle SKSA sistem modeli incelenmiştir. Enerji bilinçli yol planlama problemi daha sonra daha açık bir şekilde tanımlanmıştır. A. Sistem Modeli Şekil 2’de Ağ modeli gösterilmiştir. Her sensör düğümü, bir su altı akustik ağı aracılığıyla gemi düğümlerine veri göndermektedir. Manyetik rezonans kuplaj OSA'ları dinlenmek üzere bir şarj istasyonuna dönmeden önce her bir sensör düğümünü şarj etmektedir. Verileri mobil olarak toplanmaktadır. Su altı sensörlerinin enerji tüketimi dengesi bir SKSA sorunudur. Çeşitli araştırmalarda [34, 35, 36], su altı verilerini toplayan OSA'lar farklı enerji kullanımını ele almıştır. OSA, enerji kullanımını dengeleme stratejisine göre her sensör düğümünü ziyaret etmektedir.

Şekil 2. OSA'nın, gemi kazalarını önlemek amacıyla anormallik/risk tespiti için denizi izleyen on beş sensörden (S1, S2, ..., S15) veri topladığı SKSA sistem modeli. Tüm verileri topladıktan sonra gemideki veri merkezine iletilir.

B. Problem Tanımı OSA kullanımı yoluyla enerji bilinçli yol planlama problemi, gezici satıcı problemi (GSP) [49]–[51] olarak sınıflandırılmaktadır. Akıllı Evrimsel Algoritma ve Klasik Arama Algoritması, GSP'nin çözümlenmesi sürecinde genellikle kullanılan iki temel yaklaşımdır. Açgözlü algoritma, yapay potansiyel alan yaklaşımı ve hızlı ilerleme algoritmasının tümü, daha önce bahsedilen kategoriye giren algoritma örnekleridir. Genetik algoritma

gibi biyolojik algoritma ve en yakın komşu algoritması gibi yöntemler ikinci kategoriye girmektedir. Bu bölümde, her bir sensör düğümü çifti arasındaki mesafeyi içeren OSA'nin enerji bilinçli yol planlama problemi ele alınmıştır. En belirgin NP-zor optimizasyon problemi GSP'dir [50], [51]. GSP, bir satıcı için evden başlayan, bir dizi lokasyonu ziyaret eden ve her şehir bir kez ziyaret edildiğinde minimum yolculuk mesafesiyle orijinal yere dönen bir rota bulur [52].

???????????? tane sensör düğümün olduğu bir GSP probleminde i. düğümün j. düğüme uzaklığı ???????????????????????????????????? ile gösterilsin. Ayrıca, ???????????????????????????????????? i. Düğümün ardından j. Düğümün ziyaret edilirse 1, ziyaret edilmezse 0 değeri alabilen ikili (binary) bir değişken olsun. Bu durumda bu makalede incelenen enerji farkında yol planlaması problemi, NP-zor bir GSP problemi olarak şu şekilde ele alınabilir [53]:

???????????? ????????????

min

=1

öyleki ∑??????????????????=?????? 1 ???????????????????????????????????? = 1, ???????????? = 1, … , ???????????? ∑?????????=??? 1 ???????????????????????????????????? = 1, ???????????? = 1, … , ????????????

∑????????????∈???????????? ∑∈???????????? ???????????????????????????????????? ≤ |????????????| − 1, ∀???????????? ⊂ {1, … , ????????????}

IV. ÖNERİLEN ENERJİ FARKINDA YOL PLANLAMASI

Bu problemi bir GSP problemi olarak ele alarak şu algoritmalar sunulmuştur. Bunlar; En Yakın Komşu (EYK) Tabanlı Yaklaşım, Grey Wolf Optimizer (GWO) Tabanlı Yaklaşımı ve Genetik Algoritma (GA) Tabanlı Yaklaşımdır.

A. En Yakın Komşu (EYK) Tabanlı Yaklaşımı

Bu problem bir TSP olarak ele alınmakta ve bir yaklaşım (approximation) algoritması olan En Yakın Komşu Algoritmasına dayalı bir 3 boyutlu yol planlama çözümü önerilmektedir [54].

B. Grey Wolf Optimizer (GWO) Tabanlı Yaklaşımı

Bu problem bir TSP olarak ele alınmakta ve Grey Wolf Optimizer Algoritmasına dayalı bir 3 boyutlu yol planlama çözümü önerilmektedir [55]. GWO, GA’ya göre daha sadedir fakat zayıf yakınsama hızı, düşük çözüm hassasiyeti ve yerel en iyi eğilim dezavantajları da vardır.

C. Genetik Algoritma (GA) Tabanlı Yaklaşımı

Bu problem bir GSP olarak ele alınmıştır ve Genetik Algoritmayı [56], [57] temel alan bir 3 boyutlu yol planlama çözümü önerilmektedir. Genetik algoritmaların temel prensibi karmaşık optimizasyon problemlerini biyolojik evrimi taklit ederek çözmektir. GSP sorunlarının üstesinden gelmek için genetik algoritmanın uygulanmasındaki ilk adımlar, GSP çözümünün bireylerini tanımlamak ve popülasyonu başlatmaktır. Popülasyonun her üyesi bir uygunluk fonksiyonuna göre

74/129

Deniz Taşımacılığı İzlemek için Sualtı Kablosuz Sensör Ağlarında Otonom Sualtı Aracı ile Dayanıklı ve Enerji Farkında Yol Planlama Robust and Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Monitoring Maritime Transportation

derecelendirilmekte ve seçim, çaprazlama ve mutasyon gibi genetik süreçler için en uygun bireyler seçilmektedir. Genetik algoritmanın sonlandırma kriteri seçilen maksimum yineleme sayısıdır. Bu işe bireysel uygunluk, toplam rota boyutu veya toplam OSA enerji tüketimidir. Tüm algılama düğümlerinin mesafelerini toplayarak, bu durumda her bireyin uygunluğunu belirlenebilir.

V. SAYISAL SONUÇLAR

Bu bölümde, her sensör düğümü çifti arasındaki mesafeyi içeren OSA'nın 3 boyutlu enerji duyarlı yol planlama problemi için algoritmaların performansını değerlendirilmektedir. Simülasyonlar için sensör düğümlerini rastgele konumlandırarak 500 ???????????? × 500 ???????????? × 500 ???????????? 'lik bir alan oluşturulmuştur (İlgili çalışmalarda benzer boyut uzunluğu ve mesafe aralığı seçilmektedir).

İlk alt bölümde OSA ve 25 sensörden oluşan bir senaryoyu ele alınmaktadır. İkinci alt bölümde OSA ve 50 düğüm içeren bir senaryoyu ele alınmaktadır. Üçüncü alt bölümde OSA ve 75 sensörden oluşan bir senaryoyu ele alınmaktadır. Son alt bölümde OSA ve 100 düğüm içeren bir senaryoyu ele alınmaktadır.

A. 25-sensörlü senaryo

Bu alt bölümde 25 düğüm ve tek bir OSA içeren bir senaryoyu ele alacağız. Şekil 3, 500 ???????????? × 500 ???????????? × 500 ???????????? alandaki 25 düğümün konumunu göstermektedir.

Bu parametrelerin farklı alt kümelerini dikkate alarak eldeki rota bulma sorununu bir GSP problemi olarak ele alarak; aşağıdaki “En Yakın Komşu (EYK) Tabanlı Yaklaşım, Grey Wolf Optimizasyon Algoritması (GWO) Tabanlı Yaklaşım ve Genetik Algoritma (GA) Tabanlı Yaklaşım” algoritmalarının başarımları incelenmektedir.

1. En Yakın Komşu (EYK) Tabanlı Yaklaşım Bu alt bölümde, 3D GSP problemi için EYK tabanlı bir çözümün performansını değerlendirilmektedir. Şekil 4, Şekil 3'teki 25 düğümü ziyaret etmek için EYK'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 4. En Yakın Komşu (EYK) tarafından 1000 yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 4407 m’dir. 0.080580 saniyede bu çözüme ulaşılmaktadır.

Bu alt bölümde, 3 boyutlu GSP problemi için GWO tabanlı bir çözümün performansını değerlendirilmektedir.

Şekil 5, Şekil 3'teki 25 düğümü ziyaret etmek için GWO'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 3. Sensör düğümlerin koordinatları

25 düğümün konumları şu şekildedir:{(147, 269, 390), (164, 118, 455), (251, 330, 191), (59, 29, 453), (369, 66, 148), (449, 419, 445), (484, 66, 2), (361, 465, 36), (400, 152, 307), (483, 294, 43), (25, 448, 469), (428, 393, 104), (41, 342, 453), (314, 42, 468), (300, 159, 393), (163, 388, 168), (373, 297, 241), (391, 227, 292), (260, 417, 73), (294, 324, 457), (451, 392, 259), (474, 150, 42), (204, 17, 114), (55, 350, 249), (3, 483, 171)}

Şekil 5. Grey Wolf Optimizasyon Algoritması tarafından 1000 yinelemede elde edilen yol planlama çözümü

75/129

Bu çözüme göre toplam yol uzunluğu 4663 m’dir. 9.028811 saniyede bu çözüme ulaşılmaktadır.

3. Genetik Algoritma (GA) Tabanlı Yaklaşım Bu alt bölümde, 3 boyutlu GSP problemi için GA tabanlı bir çözümün performansını değerlendirilmektedir. Şekil 6, Şekil 3'teki 25 düğümü ziyaret etmek için GA'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 6. Genetik Algoritma tarafından 1000 yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 3934 m’dir. 2.321449 saniyede bu çözüme ulaşılmaktadır.

Şekil 7, Şekil 3’te verilen 25 sensör düğümü ziyaret etmek için OSA'nın farklı algoritmalarla (EYK Tabanlı Yaklaşım, GWO Tabanlı Yaklaşım ve GA Tabanlı Yaklaşım) kat ettiği toplam mesafeyi göstermektedir. Şekil 7'den 25 düğüm senaryosu için hazırlanan algoritmaların performansı amacıyla aşağıdaki gözlemler yapılabilmektedir. Genel eğilim göz önüne alındığında, EYK tabanlı yaklaşım ve GA Tabanlı Yaklaşım, GWO Tabanlı Yaklaşıma göre daha iyi performans göstermektedir. EYK tabanlı yaklaşım, GA tabanlı Yaklaşıma göre biraz daha uzun bir yol önerse de, EYK tabanlı Yaklaşım, GA tabanlı yaklaşımın çözüme ulaşma süresine (2.321449 sn) göre çözüme çok daha kısa sürede (0.080580 sn) ulaşmaktadır (28.8 kat hızlı).

Şekil 7. 25 düğümün tüm algoritmalar (GWO tabanlı Yaklaşım ve GA tabanlı Yaklaşım) tarafından 1000 yinelemede ziyaret edilmesi için elde edilen yol uzunlukları (EYK tabanlı yaklaşım yinelemeli olmasa da diğer algoritmaların farklı yineleme sayılarında performansı ile ilgili kıyaslama için bu şekle eklendi)

Tablo 1'den aşağıdaki gözlemlerin yapılması mümkündür. İlk yinelemede GA ve GWO 8 km gibi yüksek yol uzunlukları ile başlarken EYK 4.41 km civarı çözümü çok hızlı elde etmiştir. 100.ncü yinelemede GA tabanlı yaklaşım, GWO tabanlı yaklaşımdan önemli ölçüde daha iyi sonuçlar elde etmektedir (0.88 Km, yani GWO tabanlı yaklaşımdan %17 daha az). 100.ncü yinelemeden itibaren, GA tabanlı yaklaşım, GWO ve EYK tabanlı yaklaşımlardan daha iyi sonuçlar elde etmektedir. 1000.nci yinelemede de, GA tabanlı yaklaşım GWO tabanlı yaklaşımlardan önemli ölçüde daha iyi bir performans sergilerken (730 m, yani GWO tabanlı yaklaşımdan %15.7 daha az), EYK’dan kısa bir yolu elde etmekte iken EYK çok daha hızlı ve pratik bir çözüm sunmaktadır.

TABLO I.

TABANLI YAKLAŞIM VE GA TABANLI YAKLAŞIM) TARAFINDAN 25

yine 100 200 300 400 500 600 700 800 900 1000 GWO 5.14 4.74 4.66 4.66 4.66 4.66 4.66 4.66 4.66 4.66 GA 4.26 3.97 3.97 3.93 3.93 3.93 3.93 3.93 3.93 3.93 EYK 4.41 4.41 4.41 4.41 4.41 4.41 4.41 4.41 4.41 4.41

B. 50-sensörlü senaryo

Bu alt bölümde 50 düğüm ve tek bir OSA içeren bir senaryoyu ele alacağız. Şekil 8, 500 ???????????? × 500 ???????????? × 500 ???????????? alandaki 50 düğümün konumunu göstermektedir.

76/129

Deniz Taşımacılığı İzlemek için Sualtı Kablosuz Sensör Ağlarında Otonom Sualtı Aracı ile Dayanıklı ve Enerji Farkında Yol Planlama Robust and Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Monitoring Maritime Transportation

Şekil 8. Sensör düğümlerin koordinatları

50 düğümün konumları şu şekildedir:{ (440, 20, 472),

(500, 57, 325), (283, 289, 65), (292, 309, 106), (55, 147,

388), ( 452, 20, 45), (236, 381, 178), (423, 9, 16), (157,

461, 36), (75, 28, 450), (141, 72, 153), (290, 354, 346), (2,

213, 111), (146, 175, 125), (156, 207, 283), (447,261,

360), (106, 139, 228),(448, 482, 170) ,(426, 110, 221),

(487, 279, 21), (257,240, 184), (323, 160, 225), (139, 20,

384), (294, 106, 400), (412, 353, 409), (437, 60, 12), (239,

5, 27), (256, 270, 219), (317, 388, 242), (207, 297, 388),

(167,154, 441) , (148, 463, 94), (185, 103, 278), (270, 445,

26), (346, 261, 303), (387,232, 380), (397, 414, 211),(29,

368, 61), (150, 118, 369), (205, 65, 489), (116,350, 124),

(223, 359, 458),(458, 201, 137), (13, 98, 242) , (338, 186,

18), (58, 445, 314), (428, 152, 166),(212, 156, 281), (208,

330, 93),(100, 333, 420) }

Bu alt bölümde, 3D GSP problemi için EYK tabanlı bir çözümün performansını değerlendirilmektedir.

Şekil 9, Şekil 8'deki 50 düğümü ziyaret etmek için EYK'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 9. En Yakın Komşu (EYK) tarafından 1000 yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 6358 m’dir. 0.107617 saniyede bu çözüme ulaşılmaktadır.

Bu alt bölümde, 3 boyutlu GSP problemi için GWO tabanlı bir çözümün performansını değerlendirilmektedir.

Şekil 10, Şekil 8'deki 50 düğümü ziyaret etmek için GWO'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 10. Grey Wolf Optimizasyon Algoritması tarafından 1000 yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 8837 m’dir. 9.689545 saniyede bu çözüme ulaşılmaktadır.

77/129

3. Genetik Algoritma (GA) Tabanlı Yaklaşım Bu alt bölümde, 3 boyutlu GSP problemi için GA tabanlı bir çözümün performansını değerlendirilmektedir. Şekil 11, Şekil 8'deki 50 düğümü ziyaret etmek için GA'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 11. Genetik Algoritma tarafından 1000 yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 6421 m’dir. 3.689545 saniyede bu çözüme ulaşılmaktadır.

Şekil 12, Şekil 8’te verilen 50 sensör düğümü ziyaret etmek için OSA'nın farklı algoritmalarla (EYK Tabanlı Yaklaşım, GWO Tabanlı Yaklaşım ve GA Tabanlı Yaklaşım) kat ettiği toplam mesafeyi göstermektedir. Şekil 12'den 50 düğüm senaryosu için hazırlanan algoritmaların performansı amacıyla aşağıdaki gözlemler yapılabilmektedir. Genel eğilim göz önüne alındığında, EYK tabanlı yaklaşım ve GA Tabanlı Yaklaşım, GWO Tabanlı Yaklaşıma göre daha iyi performans göstermektedir. EYK tabanlı yaklaşım, 500.ncü yinelemeye kadar GA tabanlı Yaklaşımdan daha iyi sonuç vermekle kalmamakta, aynı zamanda EYK tabanlı Yaklaşım, GA tabanlı yaklaşımın çözüme ulaşma süresine (3.689545 sn) göre çözüme çok daha kısa sürede (0.107617 sn) ulaşmaktadır (34.3 kat hızlı).

Şekil 12. 50 düğümün tüm algoritmalar (GWO tabanlı Yaklaşım ve GA tabanlı Yaklaşım) tarafından 1000 yinelemede ziyaret edilmesi için elde edilen yol uzunlukları (EYK tabanlı yaklaşım yinelemeli olmasa da diğer algoritmaların farklı yineleme sayılarında performansı ile ilgili kıyaslama için bu şekle eklendi)

Tablo 2'den aşağıdaki gözlemlerin yapılması mümkündür. İlk yinelemede GA ve GWO 14-15 km gibi yüksek yol uzunlukları ile başlarken EYK 6.36 km civarı çözümü çok hızlı elde etmiştir. 100.ncü yinelemede GA tabanlı yaklaşım, GWO tabanlı yaklaşımdan önemli ölçüde daha iyi sonuçlar elde etmektedir (3.00 Km, yani GWO tabanlı yaklaşımdan %32 daha az). 300.ncü yinelemede, EYK tabanlı yaklaşım, GWO ve GA tabanlı yaklaşımlardan daha iyi sonuçlar elde etmektedir. 600.ncü yinelemede, GA tabanlı yaklaşım, EYK tabanlı yaklaşımdan daha iyi sonuçlar elde etmektedir. 1000.nci yinelemesinde, GA tabanlı yaklaşım GWO tabanlı yaklaşımlardan önemli ölçüde daha iyi bir performans sergilerken (2610 m, yani GWO tabanlı yaklaşımdan %29,5 daha az), EYK’dan kısa bir yolu elde etmekte ve EYK çok daha hızlı ve pratik bir çözüm sunmaktadır.

TABLO II.

TABANLI YAKLAŞIM VE GA TABANLI YAKLAŞIM) TARAFINDAN 50

yine 100 200 300 400 500 600 700 800 900 1000 GWO 11.9 11.3 11.1 10.7 10.2 9.97 9.25 8.98 8.84 8.84 GA 8.09 7.38 6.71 6.42 6.33 6.33 6.31 6.28 6.27 6.23 EYK 6.36 6.36 6.36 6.36 6.36 6.36 6.36 6.36 6.36 6.36

78/129

Deniz Taşımacılığı İzlemek için Sualtı Kablosuz Sensör Ağlarında Otonom Sualtı Aracı ile Dayanıklı ve Enerji Farkında Yol Planlama Robust and Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Monitoring Maritime Transportation

C. 75-sensörlü senaryo

Bu alt bölümde 75 düğüm ve tek bir OSA içeren bir senaryoyu ele alacağız. Şekil 13, 500 ???????????? × 500 ???????????? × 500 ???????????? alandaki 50 düğümün konumunu göstermektedir.

Bu alt bölümde, 3D GSP problemi için EYK tabanlı bir çözümün performansını değerlendirilmektedir.

Şekil 14, Şekil 13'teki 75 düğümü ziyaret etmek için EYK'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 13. Sensör düğümlerin koordinatları

75 düğümün konumları şu şekildedir:{(307, 202, 142),

(75, 84, 235), (206, 180, 222), (126, 45, 16), (477, 324,

396), 357, 335, 129), (277, 224, 211), (160, 490, 71), (405,

98, 382), (412, 298, 190), (363, 392, 359), (299, 168,

218), (357, 330, 387), (137, 27, 342), (218, 494, 164),

(497, 278, 354), (429, 394, 278), (293, 270, 420), (443,

46, 218), (252, 373, 291), (436, 116, 339), (497, 10, 295),

(475, 33, 438), (357, 445, 111), (256, 42, 276), (374,

476, 164), (133, 185, 22), (107, 276, 60), (10, 318, 236),

(268, 95, 336), (309, 218, 455), (470, 412, 403), (9, 375,

202), (250, 41, 457), (125, 27, 162), (346, 293, 401), (91,

92, 74), (338, 324, 189), (412, 430, 475), (413, 470, 464),

(105, 147, 410), (286, 189, 179), (123, 189, 345), (54,

296, 187), (414, 422, 157), (456, 340, 103), (164, 137, 16),

(61, 190, 345), (366, 346, 363), (193, 428, 394), (81, 434,

230), (322, 489, 326), (117, 101, 238), (181, 498, 375),

(311, 438, 262), (22, 278, 154), (445, 298, 239), (298, 88,

17), (433, 270, 89), (322, 492, 477), (335, 89, 232), (147,

375, 175), (230, 340, 495), (323, 158, 375), (108, 173,

471), (443, 234, 156), (220, 415, 165), (118, 262, 499),

(455, 169, 419), (323, 9, 93), (297, 304, 390), (4, 473,

240), (353, 456, 268), (327, 132, 305), (412, 238, 401) }

Şekil 14. En Yakın Komşu (EYK) tarafından 1000 yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 7372 m’dir. 0.133651 saniyede bu çözüme ulaşılmaktadır.

Bu alt bölümde, 3 boyutlu GSP problemi için GWO tabanlı bir çözümün performansını değerlendirilmektedir.

Şekil 15, Şekil 13'teki 75 düğümü ziyaret etmek için GWO'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 15. Grey Wolf Optimizasyon Algoritması tarafından 1000 yinelemede elde edilen yol planlama çözümü

79/129

Bu çözüme göre toplam yol uzunluğu 12879 m’dir. 10.610287 saniyede bu çözüme ulaşılmaktadır.

3. Genetik Algoritma (GA) Tabanlı Yaklaşım Bu alt bölümde, 3 boyutlu GSP problemi için GA tabanlı bir çözümün performansını değerlendirilmektedir. Şekil 15, Şekil 13'teki 75 düğümü ziyaret etmek için GA'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 16. Genetik Algoritma tarafından 1000 yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 8844 m’dir. 4.879424 saniyede bu çözüme ulaşılmaktadır.

Şekil 17, Şekil 13’te verilen 75 sensör düğümü ziyaret etmek için OSA'nın farklı algoritmalarla (EYK Tabanlı Yaklaşım, GWO Tabanlı Yaklaşım ve GA Tabanlı Yaklaşım) kat ettiği toplam mesafeyi göstermektedir. Şekil 17'den 75 düğüm senaryosu için hazırlanan algoritmaların performansı amacıyla aşağıdaki gözlemler yapılabilmektedir. Genel eğilim göz önüne alındığında, EYK tabanlı yaklaşım ve GA Tabanlı Yaklaşım, GWO Tabanlı Yaklaşıma göre daha iyi performans göstermektedir. EYK tabanlı yaklaşım, yalnızca GA tabanlı Yaklaşımdan daha iyi sonuç vermekle kalmamakta, aynı zamanda EYK tabanlı Yaklaşım, GA tabanlı yaklaşımın çözüme ulaşma süresine (4.879424 sn) göre çözüme çok daha kısa sürede (0.133651 sn) ulaşmaktadır (36.5 kat hızlı). Tüm bunlar göz önüne alındığında sensör düğüm sayısının 50 düğümden 75 düğüme çıkarılması, EYK yaklaşımında önemli bir fark yaratmaktadır.

Şekil 17. 75 düğümün tüm algoritmalar (GWO tabanlı Yaklaşım ve GA tabanlı Yaklaşım) tarafından 1000 yinelemede ziyaret edilmesi için elde edilen yol uzunlukları (EYK tabanlı yaklaşım yinelemeli olmasa da diğer algoritmaların farklı yineleme sayılarında performansı ile ilgili kıyaslama için bu şekle eklendi)

Tablo III'den aşağıdaki gözlemlerin yapılması mümkündür. İlk yinelemede GA ve GWO 22 km gibi yüksek yol uzunlukları ile başlarken EYK 7.37 km civarı çözümü çok hızlı elde etmiştir. 100.ncü yinelemede GA tabanlı yaklaşım, GWO tabanlı yaklaşımdan önemli ölçüde daha iyi sonuç elde etmektedir (6.10 Km fark, yani GWO tabanlı yaklaşımdan %30 daha az). 300.ncü yinelemede, GA tabanlı yaklaşım, GWO tabanlı yaklaşımdan neredeyse iki kat iyi sonuç elde etmektedir (8.80 Km fark, yani GWO tabanlı yaklaşımdan %46 daha az). 600.ncü yinelemede, GA tabanlı yaklaşım, GWO tabanlı yaklaşımdan daha iyi sonuç elde etmektedir (5.83 Km fark, yani GWO tabanlı yaklaşımdan %39 daha az). 1000.nci yinelemesinde, GA tabanlı yaklaşım GWO tabanlı yaklaşımlardan önemli ölçüde daha iyi bir performans sergilemektedir (4.06 km, yani GWO tabanlı yaklaşımdan %31,5 daha az). Diğer yandan, GA, 1000. Yineleme sayısında dahi EYK’nın başardığından (7.37 km) kısa bir yolu elde edememiştir. Bunun yanında, EYK GA’ya ve GWO’ya göre de çok daha hızlı ve pratik bir çözüm sunmaktadır.

TABLO III. YİNELEME SAYISINA GÖRE ALGORİTMALAR (GWO TABANLI YAKLAŞIM VE GA TABANLI YAKLAŞIM) TARAFINDAN 75 DÜĞÜMÜN ZİYARET EDİLMESİ İÇİN (KM CİNSİNDEN) TOPLAM MESAFE (EYK TABANLI YAKLAŞIM YİNELEMELİ OLMASA DA DİĞER yine 100 200 300 400 500 600 700 800 900 1000 GWO 20.0 19.6 19.1 18.1 17.8 15.1 14.5 13.3 12.9 12.9 GA 13.9 11.0 10.3 9.67 9.44 9.27 9.05 8.96 8.89 8.84 EYK 7.37 7.37 7.37 7.37 7.37 7.37 7.37 7.37 7.37 7.37

80/129

Deniz Taşımacılığı İzlemek için Sualtı Kablosuz Sensör Ağlarında Otonom Sualtı Aracı ile Dayanıklı ve Enerji Farkında Yol Planlama Robust and Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Monitoring Maritime Transportation

D. 100-sensörlü senaryo

Bu alt bölümde 100 düğüm ve tek bir OSA içeren bir senaryo ele alınmıştır. Şekil 18, 500 ???????????? × 500 ???????????? × 500 ???????????? alandaki 100 düğümün konumunu göstermektedir.

Bu parametrelerin farklı alt kümeleri dikkate alınarak bu problemi bir GSP problemi olarak ele alınmış ve “En Yakın Komşu (EYK) Tabanlı Yaklaşım ve Genetik Algoritma (GA) Tabanlı Yaklaşım” algoritmalarının performansı kriterlerine göre değerlendirilmiştir.

Bu alt bölümde, 3 boyutlu GSP problemi için EYK tabanlı bir çözümün performansını değerlendirilmektedir.

Şekil 19, Şekil 18’deki 100 düğümü ziyaret etmek için EYK'nin 1000.nci yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 18. Sensör düğümlerin koordinatları

100 düğümün konumları şu şekildedir: { (408, 82, 323), (453, 398, 190), (64, 156, 406), (457, 265, 267), (317, 83, 176), (49, 301, 470), (140, 132, 438), (274, 328, 276), (479, 345, 312), (483, 375, 294), (79, 226, 104), (486, 42, 151), (479, 115, 236), (243, 457, 116), (401, 77, 423), (71, 413, 98), (211, 270, 113), (458, 499, 86), (397, 40, 114), (480, 222, 218), (328, 54, 156), (18, 481, 462), (425, 3, 216), (467, 388, 93), (340, 409, 453), (379, 435, 490), (372, 43, 220), (197, 200, 56), (328, 130, 130), (86, 401, 205), (354, 216, 298), (16, 456, 132), (139, 91, 302), (24, 132, 356), (49, 73, 111), (412, 69, 59), (348, 435, 149), (159, 290, 160), (476, 275, 213), (18, 73, 254), (220, 427, 43), (191, 312, 132), (383, 176, 401), (398, 257, 15), (94, 201, 465), (245, 38, 366), (223, 120, 245), (324, 62, 290), (355, 92, 119), (378, 120, 230), (139, 209, 482), (340, 25, 274), (328, 452, 261), (82, 473, 116), (60, 246, 245), (250, 245, 313), (480 169, 340), (171, 451, 198), (293, 185, 184), (112, 56, 494), (376, 391, 19), (128, 195, 443), (253, 121, 457), (350, 202, 399), (446, 49, 50), (480, 66, 131), (274, 472, 168), (70, 479, 340), (75, 288, 69), (129, 30, 361), (421, 118, 54), (128, 177, 327), (408, 411, 248), (122, 8, 390), (465, 22, 358), (175, 85, 452), (99, 325, 446), (126, 366, 168), (309, 324, 350), (237, 226, 99), (176, 274, 16), (416, 149, 373), (293, 373, 251), (275, 95, 240), (459, 344, 453), (143, 92, 305), (379, 185, 309), (377, 313, 430), (191, 391, 403), (284, 41, 289), (38, 465, 92), (27, 388, 120), (266, 244, 444), (390, 218, 15), (468, 224, 245), (65, 154, 84), (285, 255, 490), (235, 256, 357), (6, 409, 251), (169, 398, 236) }

Şekil 19. En Yakın Komşu algoritması tarafından 1000 yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 9045 m’dir. 0.173103 saniyede bu çözüme ulaşılmaktadır.

Bu alt bölümde, 3 boyutlu GSP problemi için GWO tabanlı bir çözümün performansını değerlendirilmektedir.

Şekil 20, Şekil 18'teki 100 düğümü ziyaret etmek için GWO'nin 1000 yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 20. Grey Wolf Optimizasyon Algoritması tarafından 1000 yinelemede elde edilen yol planlama çözümü

81/129

Bu çözüme göre toplam yol uzunluğu 17794 m’dir. 11.294668 saniyede bu çözüme ulaşılmaktadır.

3. Genetik Algoritma (GA) Tabanlı Yaklaşım Bu alt bölümde, 3 boyutlu GSP problemi için GA tabanlı bir çözümün performansını değerlendirilmektedir. Şekil 21, Şekil 18'deki 100 düğümü ziyaret etmek için GA'nin 1000.nci yinelemede elde ettiği yol planlama çözümünü göstermektedir.

Şekil 21. Genetik Algoritma tarafından 1000.nci yinelemede elde edilen yol planlama çözümü

Bu çözüme göre toplam yol uzunluğu 10837 m’dir. 6.294668 saniyede bu çözüme ulaşılmaktadır.

Şekil 20, Şekil 17'de verilen 100 sensör düğümü ziyaret etmek için OSA'nın farklı algoritmalarla (EYK Tabanlı Yaklaşım, GWO Tabanlı Yaklaşım ve GA Tabanlı Yaklaşım) kat ettiği toplam mesafeyi göstermektedir. Şekil 20'dEn, 100 sensör senaryosu için algoritmaların performansı için aşağıdaki gözlemleri yapabiliriz. Genel eğilim göz önüne alındığında, EYK Tabanlı Yaklaşım, GWO ve GA Tabanlı Yaklaşıma göre daha iyi performans göstermektedir. EYK tabanlı yaklaşım, yalnızca GWO tabanlı yaklaşımdan ve GA Tabanlı Yaklaşımdan daha iyi sonuç vermekle kalmaz, aynı zamanda EYK tabanlı Yaklaşım, GA tabanlı yaklaşımın çözüme ulaşma süresine (6.294668 sn) göre çözüme çok daha kısa sürede (0.173103 sn) ulaşmaktadır (36.4 kat hızlı). Tüm bunlar göz önüne alındığında sensör düğüm sayısının 100 düğüme çıkarılması, EYK yaklaşımında önemli bir fark yaratmaktadır.

Şekil 22. 100 düğümün tüm algoritmalar (GWO tabanlı Yaklaşım ve GA tabanlı Yaklaşım) tarafından 1000 yinelemede ziyaret edilmesi için elde edilen yol uzunlukları (EYK tabanlı yaklaşım yinelemeli olmasa da diğer algoritmaların farklı yineleme sayılarında performansı ile ilgili kıyaslama için bu şekle eklendi)

Tablo IV'den aşağıdaki gözlemleri yapabiliriz. İlk yinelemede GA ve GWO 28-30 km gibi yüksek yol uzunlukları ile başlarken EYK 9.05 km civarı çözümü çok hızlı elde etmiştir. 100.ncü yinelemede GA tabanlı yaklaşım, GWO tabanlı yaklaşımdan önemli ölçüde daha iyi sonuçlar elde etmektedir (8.00 Km, yani GWO tabanlı yaklaşımdan %29 daha az). 300.ncü yinelemede, EYK tabanlı yaklaşım, GWO ve GA tabanlı yaklaşımlardan daha iyi sonuçlar elde etmektedir. 600.ncü yinelemede, GA tabanlı yaklaşım, EYK tabanlı yaklaşımdan daha iyi sonuçlar elde etmektedir. 1000.nci yinelemesinde, GA tabanlı yaklaşım, GWO tabanlı yaklaşımdan önemli ölçüde daha iyi bir performans sergilerken (7.00 km, yani GWO tabanlı yaklaşımdan %39,3 daha az), EYK tabanlı yaklaşım, GWO ve GA’dan kısa bir yolu elde ederken çok daha hızlı ve pratik bir çözüm önermektedir.

TABLO IV. YİNELEME SAYISINA GÖRE ALGORİTMALAR (GWO TABANLI YAKLAŞIM VE GA TABANLI YAKLAŞIM) TARAFINDAN 100 DÜĞÜMÜN ZİYARET EDİLMESİ İÇİN (KM CİNSİNDEN) TOPLAM MESAFE (EYK TABANLI YAKLAŞIM YİNELEMELİ OLMASA DA DİĞER yine 100 200 300 400 500 600 700 800 900 1000 GWO 27.5 27.5 27.5 27.5 27.5 27.5 24.4 21.6 19.5 17.8 GA 19.5 16.9 14.5 13.2 12.7 12.1 11.8 11.3 11.2 10.8 EYK 9.05 9.05 9.05 9.05 9.05 9.05 9.05 9.05 9.05 9.05

VI. SONUÇ

Günümüzde araştırmalar daha uzun menzile ve daha geniş keşif aralıklarına odaklanmaktadır. Bu araştırmada, sualtı kablosuz sensör ağını (SKSA) şarj etmek için sınırlı batarya gücüne sahip otonom bir su altı aracı kullanarak verimli bir yol planlama yaklaşımı sunulmakta ve toplam enerji kullanımını teorik olarak analiz edilmektedir.

82/129

Deniz Taşımacılığı İzlemek için Sualtı Kablosuz Sensör Ağlarında Otonom Sualtı Aracı ile Dayanıklı ve Enerji Farkında Yol Planlama Robust and Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Monitoring Maritime Transportation

SKSA'nın sınırlı enerji tedariki nedeniyle sorun şarj perspektifinden ele alınmıştır. Birkaç OSA, keşif ağını genişletmek ve SKSA'yı şarj etmek için iyi bir yaklaşımdır. Ayrıca, uygun dalış bölgeleri seçilerek düğümün konumu ve veri akışını dikkate alan bir yol tasarlanarak şarj verimliliği ve keşif menzilinin önemli ölçüde artırılabilmesi mümkündür. Otonom sualtı araçlarına (OSA) ilişkin veri toplama sorunları, Genetik Algoritma Tabanlı Yaklaşım, Grey Wolf Optimizer Tabanlı Yaklaşım, En Yakın Komşu Temelli Yaklaşım algoritmalarla çözülebilmektedir. Benzetimler, özellikle de sensör sayısı arttıkça OSA rota planlama sisteminin En Yakın Komşu Algoritması tabanlı bir yaklaşım kullanarak önceki algoritmalara göre daha iyi bir çözümü çok daha kısa bir sürede bulduğunu göstermektedir.

[1] Acarer T., The Turkish Model For Improving Imo Survey

Results And Reducing Ship Accidents, Dokuz Eylül

Üniversity Maritime Faculty Journal, Vol:11, Issue:1,

Year:2019.

[2] Aygün, C. (2012). Türkiye ile Avrupa Birliği’nde

Uygulanan Deniz Ulaştırma Politikaları ve Ekonomiye

Etkileri, T:C: İstanbul Üniversitesi Deniz Bilimleri ve

İşletmeciliği Enstitüsü, Yüksek Lisans Tezi, İstanbul.

[3] International Chamber of Shipping, (2020). Description of

the Subject International Chamber of Shipping (ICS).

http://en.reingex.

com/Chamber-

Shipping.shtml#:~:text=The%

20purpose%20of%20the%20International,

transporting%20all%20types%20of%20cargo

[4] UNCTAD/ RMT/ 2018: REVIEW OF MARITIME

TRANSPORT 2018, United Nations publication issued by

the United Nations Conference on Trade and Development,

ISBN 978-92-1- 112928-1, UNCTAD: Geneva,

Switzerland,

2018,

https://unctad.org/en/PublicationsLibrary/ rmt2018_en.pdf.

[5] Butt N., Johnson D., Pike K., Pryce-Roberts N., Vigar., N.,

(2012): 15 Years of Shipping Accidents: A review for

WWF, Southampton Solent University

[6] Rodrigue J.P., (2017): The Geography of Transport

Systems, The spatial organization of transportation and

mobility, Chapter 5 – Transportation Modes, Maritime

Transportation, Main Maritime Shipping Routes, 2017.

https://transportgeography.org/ ?page_id=2067

[7] Kodak, G., Acarer, T. (2021). İstanbul Boğazı’nda deniz

trafik düzenlemelerinin kaza oranına etkisinin

değerlendirilmesi. Aquatic Research, 4(2), 181-207.

https://doi.org/10.3153/AR21015

[8] BBC News, "Egypt’s Suez Canal blocked by huge container

ship", 24 March 2021, available at https://

www.bbc.com/news/world-middle-east-56505413

[9] J. M. Lee, E. Y. Wong. Suez Canal blockage: an analysis of

legal impact, risks and liabilities to the global supply chain.

MATEC Web Conf. 339 01019 (2021).

[10] O. Ozkanlisoy, E. Akkartal, The Effect of Suez Canal

Blockage on Supply Chains. Dokuz Eylül Üniversitesi

Denizcilik Fakültesi Dergisi. Haziran 2022;14(1):51- 79.

[11] Tianhang Gao & Jing Lu (2019). The impacts of strait and canal blockages on the transportation costs of the Chinese fleet in the shipping network, Maritime Policy & Management, 46:6, 669-686.

[12] S. Fan, Z. Yang, J. Wang, J. Marsland, "Shipping accident analysis in restrictedwaters: Lesson from the Suez Canal blockage in 2021", Ocean Engineering, vol. 266, Part 5, 2022, 113119.

[13] T. Acarer. Endüstri’deki Gelişmelerin Denizcilik İşletmelerine Ait Gemilerin Yönetiminde Temin Ettiği Yeni Olanaklar ve İnsansız Gemiler, Mersin Üniversitesi Denizcilik ve Lojistik Araştırmaları Dergisi, Cilt:5 Sayı:2 Yıl:2023, Sayfa:122-153.

[14] Acarer Tayfun, VHF Kısa Mesafe Deniz Haberleşmesinin Data İletişimine Dönüşmesinin Deniz İşletmelerinin Gemi Yönetimleri İçin Temin Edeceği Olanaklar, Denizcilik Araştırmaları Dergisi: Amfora, Cilt 2 – Sayı 3 – Haziran 2023 / Volume 2 - Issue 3 - June 2023.

[15] Felemban, E.; Shaikh, F.K. Underwater sensor network applications: A comprehensive survey. Int. J. Distrib. Sens. Netw. 2015, 11, 896832–896845.

[16] Qiu, T.; Zhao, Z. Underwater Internet of Things in Smart Ocean: System Architecture and Open Issues. IEEE Trans. Ind. Inform. 2020, 16, 4297–4307.

[17] Akyildiz, I.F.; Pompili, D. Underwater acoustic sensor networks: Research challenges.Ad HocNetw. 2005, 3, 257– 279.

[18] Li, Q.; Du, X. Energy-efficient data compression for underwater wireless sensor networks. IEEE Access 2020, 8, 73395–73406.

[19] Cheng, F.; Wang, J. Energy-efficient routing protocols in underwater wireless sensor networks: A survey. IEEE Commun. Surv. Tutor. 2014, 16, 277–294.

[20] Khan, A.U.; Somasundaraswaran, K. Wireless charging technologies for underwater sensor networks: A comprehensive review. IEEE Commun. Surv. Tutor. 2018, 20, 674–709.

[21] Pendergast, D.R.; DeMauro, E.P. A rechargeable lithiumion battery module for underwater use. J. Power Sources 2011, 196, 793–800.

[22] Blidberg, D.R. The development of autonomous underwater vehicles (AUV); a brief summary. In Proceedings of the IEEE ICRA, Seoul, Republic of Korea, 21–26 May 2001; Volume 4, pp. 122–129.

[23] Ghafoor, H.; Noh, Y. An overview of next-generation underwater target detection and tracking: An integrated underwater architecture. IEEE Access 2019, 7, 98841– 98853.

[24] Xie, L.; Shi, Y. Rechargeable sensor networks with magnetic resonant coupling. Recharg. Sens. Netw. Technol. Theory Appl. Introd. Energy Harvest. Sens. Netw. 2014, 9, 31–68.

[25] Lee, J.; Yun, N. A focus on comparative analysis: Key findings of MAC protocols for underwater acoustic communication according to network topology. In Proceedings of the Multimedia, Computer Graphics and Broadcasting: International Conference, Jeju Island, Korea, 8–10 December 2011.

83/129

[26] Zenia, N.Z.; Aseeri, M. Energy-efficiency and reliability in MAC and routing protocols for underwater wireless sensor network: A survey. J. Netw. Comput. Appl. 2016, 71, 72– 85.

[27] Khan, M.T.R.; Ahmed, S.H. An energy-efficient data collection protocol with AUV path planning in the internet of underwater things. J.Netw.Comput. Appl. 2019, 135, 20– 31.

[28] Su, Y.; Xu, Y. HCAR: A Hybrid-Coding-Aware Routing Protocol for Underwater Acoustic Sensor Networks. IEEE Internet Things J. 2023, 10, 10790–10801.

[29] Kumar, V.; Sandeep, D. Multi-hop communication based optimal clustering in hexagon and voronoi cell structuredWSNs. AEU-Int. J. Electron. Commun. 2018, 93, 305–316.

[30] Xie, R.; Jia, X. Transmission-efficient clustering method for wireless sensor networks using compressive sensing. IEEE Trans. Parallel Distrib. Syst. 2013, 25, 806–815.

[31] Yadav, S.; Kumar, V. Hybrid compressive sensing enabled energy efficient transmission of multi-hop clustered UWSNs. AEU-Int. J. Electron. Commun. 2019, 110, 152836–152851.

[32] Sun, Y.; Zheng, M.; Han, X.; Li, S.; Yin, J. Adaptive clustering routing protocol for underwater sensor networks. Ad Hoc Netw. 2022, 136, 102953–102965.

[33] Fan, R.; Jin, Z. A time-varying acoustic channelaware topology control mechanism for cooperative underwater sonar detection network. Ad Hoc Netw. 2023, 149, 103228.

[34] Liu, C.F.; Zhao, Z. A distributed node deployment algorithm for underwater wireless sensor networks based on virtual forces. J. Syst. Archit. 2019, 97, 9–19.

[35] Wei, L.; Han, J. Topology Control Algorithm of Underwater Sensor Network Based on Potential- Game and Optimal Rigid Sub-Graph. IEEE Access 2020, 8, 177481– 177494.

[36] Zhu, R.; Boukerche, A. A trust managementbased secure routing protocol with AUV-aided path repairing for Underwater Acoustic Sensor Networks. Ad Hoc Netw. 2023, 149, 103212–103225.

[37] Yan, Z.; Li, Y. Data collection optimization of ocean observation network based on AUV path planning and communication. Ocean Eng. 2023, 282, 114912–114927.

[38] Shen, G.; Zhu, X. Research on phase combination and signal timing based on improved K-medoids algorithm for intersection signal control. Wirel. Commun. Mob. Comput. 2020, 2020, 3240675.

[39] Gjanci, P.; Petrioli, C. Path finding for maximum value of information in multi-modal underwater wireless sensor networks. IEEE Trans. Mob. Comput. 2017, 17, 404–418.

[40] Yan, J.; Yang, X. Energy-efficient data collection over AUV-assisted underwater acoustic sensor network. IEEE Syst. J. 2018, 12, 3519–3530.

[41] Kan, T.; Mai, R. Design and analysis of a Three-Phase wireless charging system for lightweight autonomous underwater vehicles. IEEE Trans. Power Electron. 2018, 33, 6622–6632.

[42] Ramos, A.G.; García-Garrido, V.J. Lagrangian coherent structure assisted path planning for transoceanic

autonomous underwater vehicle missions. Sci. Rep. 2018, 8, 4575. [43] Cheng, C.; Sha, Q. Path planning and obstacle avoidance for AUV: A review. Ocean Eng. 2021, 235, 109355– 109368. [44] Kumar, S.V.; Jayaparvathy, R. Efficient path planning of AUVs for container ship oil spill detection in coastal areas. Ocean Eng. 2020, 217, 107932–107945. [45] Golen, E.; Mishra, F. An underwater sensor allocation scheme for a range dependent environment. Comput. Netw. 2010, 54, 404–415. [46] Yi, Y.; Yang, G.S. Energy balancing and path plan strategy for rechargeable underwater sensor network. In Proceedings of the 2022-4th International Conference on Advances in Computer Technology, Suzhou, China, 22–24 April 2022. 8 [47] Cui Y, Zhu P, Lei G, Chen P, Yang G. Energy-Efficient Multiple Autonomous Underwater Vehicle Path Planning Scheme in Underwater Sensor Networks. Electronics. 2023; 12(15):3321. [48] Acarer, T. (2024). Energy-Aware Path Planning by Autonomous Underwater Vehicle in Underwater Wireless Sensor Networks for Safer Maritime Transportation. International Journal of Interactive Multimedia and Artificial Intelligence. [49] P. C. Pop, O. Cosma, C. Sabo, C. P. Sitar, "A comprehensive survey on the generalized traveling salesman problem", European Journal of Operational Research, Volume 314, Issue 3, 2024, pp. 819-835. [50] Davendra, D.: Travelling Salesman Problem, Theory and Applications. InTech (2010) [51] Johnson, D.S., McGeoch, L.A.: The Traveling Salesman Problem: A Case Study, Local Search in Combinatorial Optimization, pp. 215–310. JohnWiley & Sons (1997) [52] Gutin, G., Punnen, A. (eds.): The Traveling Salesman Problem and Its Variations. Combinatorial Optimization, vol. 12. Kluwer, Dordrecht (2002) [53] Hoffman, K.L., Padberg, M. (2001). Traveling salesman problem . In: Gass, S.I., Harris, C.M. (eds) Encyclopedia of Operations Research and Management Science. Springer, New York, NY. https://doi.org/10.1007/1-4020-0611X_1068 [54] G. Gutin, A. Yeo and A. Zverovitch, Exponential Neighborhoods and Domination Analysis for the TSP, in The Traveling Salesman Problem and Its Variations, G. Gutin and A.P. Punnen (eds.), Kluwer (2002) and Springer (2007) [55] Mirjalili, S.; Mirjalili, S.M.; Lewis, A. grey wolf optimizer. Adv. Eng. Softw. 2014, 69, 46–61. [56] D.E.Goldberg, Genetic Algorithms in Search, Optimization and Machine Learning, Addison- Wesley Longman Publishing Co., Inc.,1989. [57] Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm intelligence: from natural to artificial systems (No. 1). Oxford university press.

84/129

Ömer Melih Gül (S’17, M’21), Orta Doğu Teknik Üniversitesi (ODTÜ) Elektrik ve Elektronik Mühendisliği Bölümü’nden lisans, yüksek lisans ve doktora derecelerini sırasıyla 2012, 2014 ve 2020 yıllarında aldı. Bu esnada aynı bölümde araştırma görevlisi olarak da görev yaptı. Uluslararası yayınları 11 dergi makalesi, 16 konferans bildirisi ve 4 kitap bölümünü kapsarken ulusal yayınları 3 dergi makalesi ve 3 konferans bildirisini kapsamaktadır. IEEE Computer Society tarafından 2019 Lance Stafford Larson Üstün Öğrenci Makale Ödülü’nde (2019 Lance Stafford Larson Outstanding Student Paper Award) üçüncülük ödülüne layık görülmüştür. 2021 IEEE Rising Stars Global Konferansı’nda poster yarışmasında üçüncülük ödülüne layık görülmüştür. 2022 yılında Kanada’da Ottawa Üniversitesi Elektrik Mühendisliği ve Bilgisayar Bilimleri Okulu’nda doktora sonrası araştırmacı olarak çalıştı. 2022 yılında 48. Kablosuz Dünya Araştırma Forumu’nda (WWRF) en iyi konferans bildirisi ödülünü aldı. Mevcut durumda, İstanbul’da Bahçeşehir Üniversitesi Bilgisayar Mühendisliği Bölümü’nde Dr. Öğr. Üyesi olarak görev yapmaktadır. 2021’den bu yana IEEE Computer Society’de Region 8 (Avrupa, Orta Doğu ve Afrika Bölgesi) Koordinatörü olarak görev yapmaktadır. Nisan 2023’ten beri IEEE Computer Society Member&Geographic Actitivies (MGA) Board’da Özel Üye (Member-at-Large) olarak görev yapmaktadır. 2022 IEEE MGA Genç Profesyoneller Başarı Ödülü’ne (2022 IEEE MGA Young Professionals Achievement Award) layık görülmüştür. 2020-2021 yıllarında başkanlığını yaptığı IEEE Türkiye Genç Profesyonel Grup ile 2021 IEEE Region 8 Outstanding Young Professionals Affinity Group Award ve 2022 IEEE MGA Young Professionals Hall of Fame Honorable Mention ödüllerini kazanmıştır.

Tayfun Acarer, İstanbul Teknik Üniversitesi Elektronik ve Haberleşme Bölümünden 1980 yılında mezun olan Tayfun ACARER yaklaşık iki yıl özel bir Şirket de

Elektronik Mühendisi olarak çalıştıktan sonra sırasıyla

PTT Telsiz İşletme

Müdürlüğü’nde Müdür, Türk Telekom AŞ’de Müstakil Ünite Müdürü, Kıyı Emniyeti

Genel Müdürlüğünde Yönetim Kurulu Üyesi ve Genel Müdür Yardımcısı, Bilgi Teknolojileri ve İletişim Üst Kurulunda (BTK) 2 dönem Kurul Başkanı olarak görev

yapmıştır.

Tayfun ACARER 1990 yılında İstanbul Üniversitesi İşletme İktisadı Enstitüsünde

İhtisas, daha sonra aynı Üniversitede Yüksek Lisans ve Doktora eğitimlerini tamamlayarak 1995 yılında Dr. Müh., 2016 yılında İstanbul Bilgi Üniversitesi’nde

Dr. Öğretim Üyesi Ünvanını almıştır. Bu tarihten itibaren başta İstanbul Teknik

Üniversitesi, İstanbul Üniversitesi, İstanbul Bilgi Ünivesitesi, Piri Reis Üniversitesi, Galatasaray Üniversitesi, Bahçeşehir Üniversitesi, İstanbul Sabahattin Zaim

Üniversitesi ve İstanbul Aydın Üniversitesilerinde Deniz Haberleşme (GMDSS),

Elektronik Seyir, Gemi Elektroniği, Bilişim Sistemleri Alt Yapıları, Bilişim Sektöründe Eğilim, Yeni Nesil Bilişim Teknolojileri ve Bilişim Sektöründe Düzenlemeler

konularında Yüksek Lisans ve Lisans Dersleri vermiştir. Bu derslerin önemli bir

kısmı halen devam etmektedir.

Bilişim Sektörü ve Deniz Haberleşme (GMDSS) alanlarında yayınlanmış 7 adet

Kitabı olan Tayfun ACARER’in yurt içi ve yurt dışındaki konferans, seminer ve

dergilerde yayınlanmış çok sayıda makale ve bildirisi bulunmaktadır.

Halen Piri Reis Üniversitesinde Dr. Öğr. Üyesi, Ulaştırma Altyapı Bakanlığında

Ulaşım Emniyeti İncele Komisyonu Üyesi ve İstanbul Teknik Üniversitesi Arı Teknopark Değerlendirme Kurulu Üyesi olarak görev yapmaktadır. Bugüne kadar

Piri Reis Üniversitesi dışında bir çok üniversitede Yüksek Lisans ve Lisans Dersleri de veren Tayfun ACARER bu derslerine devam etmektedir. Tayfun ACARER

evli ve 2 çocuk sahibi olup, iyi derece İngilizce bilmektedir.

85/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 86/129

Makale Kabul Tarihi: 17.07.2024

Yapay Zekâ Tabanlı Hava Kalitesi İyileştirme Stratejilerinin Değerlendirilmesi

Evaluation of Artificial Intelligence-Based Air Quality Improvement Strategies

Tugce Pekdogan1

1 Doktor Öğretim Üyesi, Alparslan Türkeş Bilim ve Teknoloji Üniversitesi, Mimarlık ve Tasarım Fakültesi, Mimarlık Bölümü, Çukurova/Adana [email protected]

Günümüzde hava kirliliği, kentsel ve sanayi bölgelerinde yaşayan milyonlarca insan için ciddi sağlık riskleri oluşturmaktadır. Bu makalede, yapay zekâ (AI) teknolojileri ve makine öğrenimi algoritmalarının hava kalitesini izleme ve iyileştirme stratejilerinin geliştirilmesinde nasıl kullanılabileceği ele alınmıştır. Bu araştırma, özellikle kentsel alanlarda hava kalitesi üzerinde etkili olan ana kirleticilerin dinamiklerini modellemek için makine öğrenmesi yaklaşımlarını kullanmaktadır.

Bu çalışmada, çeşitli yapay zekâ modelleri (RF, SVM, ANN, CNN, RNN, GAN) kullanılarak hava kalitesi verilerinin analiz, tahmin ve simüle edilmesi süreçleri detaylı bir şekilde incelenmiştir. Ayrıca, bu modellerin hava kalitesi yönetimi için stratejik karar verme süreçlerinde nasıl entegre edilebileceği üzerinde durulmuştur. Yapay zekâ tabanlı modeller, gerçek zamanlı veri akışını analiz ederek, hava kalitesi üzerinde olumlu etkiler yaratabilecek müdahaleler önermektedir.

Anahtar Kelimeler: Hava Kalitesi, Derin Öğrenme, Yapay Zekâ, Makine Öğrenmesi, Yapay Sinir Ağları.

Today, air pollution causes serious health risks for millions living in urban and industrialized areas. This paper discusses how artificial intelligence (AI) technologies and machine learning algorithms can be used to develop air quality monitoring and improvement strategies. This research uses machine learning approaches to model the dynamics of the main pollutants that influence air quality, especially in urban areas.

In this study, the processes of analyzing, predicting and simulating air quality data using various artificial intelligence models (RF, SVM, ANN, CNN, RNN, GAN) are examined in detail. Furthermore, how these models can be integrated into strategic decision-making processes for air quality management is emphasized. By analyzing the real-time data flow, AI-based models suggest interventions that can positively impact air quality.

Keywords: Air Quality, Deep Learning, Artificial Intelligence, Machine Learning, Artificial Neural Networks.

87/129

Hava kirliliği, dünya çapında büyük bir çevresel ve sağlık sorunu olarak öne çıkmaktadır. Kentleşme ve sanayileşme, hava kalitesi sorunlarını daha da artırmaktadır. Çin'in büyük şehirlerinde PM2.5 seviyeleri, Dünya Sağlık Örgütü'ne (WHO)'nun belirlediği sınır değerlerinin çok üzerinde olup ciddi sağlık riskleri yaratmaktadır [1]. Hindistan'da da benzer şekilde, yüksek hava kirliliği seviyeleri milyonlarca erken ölüme neden olmaktadır [2]. Gelişmiş ülkelerde bile, hava kirliliği önemli bir halk sağlığı sorunu olmaya devam etmektedir [3]. WHO’ya göre, her yıl yaklaşık 7 milyon insan hava kirliliğine bağlı hastalıklar nedeniyle yaşamını yitirmektedir [4] Hava kirliliği, özellikle PM2.5 ve PM10 gibi ince partiküller, astım, bronşit ve diğer solunum yolu hastalıklarının yanı sıra kalp hastalıkları ve felç gibi ciddi sağlık problemlerine neden olmaktadır [5]. Ayrıca, çocuklar, yaşlılar ve kronik hastalığı olan bireyler gibi savunmasız gruplar, hava kirliliğinden daha fazla etkilenmektedir [6]. Hava kirliliğinin insan sağlığı üzerindeki zararlı etkileri birçok çalışmada tartışılmaktadır. PM10 öncelikle üst solunum yollarında birikir. Bununla birlikte, ince (PM2.5 ve PM1, çapı 2.5'ten küçük ve sırasıyla 1μm'den küçük parçacıkları oluşturur) ve ultra ince (PM0.1) parçacıklar akciğer alveollerine ulaşabilir [5], [7]. Kardiyovasküler [8], [9] ve solunum [10], [11] etkileri ile ilgili olarak, ince ve ultra ince parçacıklar PM10'dan daha tehlikelidir [12]. İnsan sağlığı üzerindeki etkiler mide bulantısından [13] nefes almada zorluğa [14] ve akciğer kanserine [15] kadar değişebilir.

Avrupa Birliği, Avrupa'yı 2050 yılına kadar net sera gazı emisyonu olmayan ilk kıta yapmak için 2030 yılına kadar net sera gazı emisyonlarını 1990 seviyelerine kıyasla en az %55 oranında azaltmayı hedefleyen Avrupa Yeşil Anlaşması’nı imzalamıştır. Böylece, 2050 için hava, su ve toprak kirliliğini insan sağlığı ve ekolojik sistemler için tehlikeli sayılmayan seviyelere düşürme hedefi belirlenen bu anlaşma ile çevresel hedeflere önemli ölçüde katkıda bulunacağı ön görülmektedir [16].

Halk sağlığına etkisinin yanı sıra hava kirliliğinin ekonomik maliyetleri de oldukça yüksektir. OECD'nin raporuna göre, hava kirliliği küresel ekonomiye her yıl trilyonlarca dolara mal olmaktadır [17]. Bu maliyetler, sağlık harcamaları, iş gücü kaybı ve üretim düşüşlerini içermektedir. Ekolojik açıdan bakıldığında, hava kirliliği bitki örtüsünü tahrip etmekte, su kaynaklarını kirletmekte ve biyolojik çeşitliliği azaltmaktadır [18]. Kentsel ve sanayi bölgeleri, hava kirliliğinin yoğun olarak görüldüğü alanlardır. Kentsel alanlarda, trafik yoğunluğu ve sanayi faaliyetleri, hava kirliliğinin başlıca kaynaklarını oluşturur. Şehirlerde artan motorlu taşıt sayısı, egzoz gazları yoluyla atmosfere zararlı maddelerin salınmasına neden olmaktadır [19]. Sanayi bölgelerinde ise fabrikalar ve enerji santralleri, sülfür dioksit (SO2), karbon monoksit (CO) ve uçucu organik bileşikler (VOC) gibi kirleticileri atmosfere salar [20]. Bu kirleticiler, sadece yerel hava kalitesini düşürmekle kalmaz, aynı zamanda uzun mesafeler kat ederek geniş alanlarda kirliliğe yol açar.

Bu nedenle hava kalitesini iyileştirmenin ilk ve en önemli adımı, düzenli olarak hava kalitesi ölçümlerinin yapılması ve mevcut durumun doğru bir şekilde tespit edilmesidir. Bu ölçümler, kentsel ve endüstriyel alanlarda hava kirliliğinin seviyesini ve kaynaklarını belirlemek için kritik bir rol oynamaktadır. Hava kalitesi sensörleri ve izleme istasyonları, partikül madde (PM2.5, PM10), ozon (O3), azot dioksit (NO2), kükürt dioksit (SO2) ve karbon monoksit (CO) gibi kirleticilerin

konsantrasyonlarını belirlemektedir. Bu veriler, hava kirliliği seviyelerindeki değişimleri izlemek, kirlilik kaynaklarını tespit etmek ve bu kaynakların etkilerini değerlendirmek için kullanılır. Elde edilen veriler, çevre politikalarının geliştirilmesi, acil durum müdahalelerinin planlanması ve halk sağlığını koruyacak stratejilerin oluşturulması için önemli bir temel sağlar.

Günümüzde yapay zekâ ve makine öğrenimi teknolojileri, hava kalitesi analizinde ve iyileştirilmesinde büyük bir potansiyele sahiptir. Bu teknolojiler, büyük veri kümelerini işleyerek ve modelleyerek hava kalitesi tahminlerinde yüksek doğruluk sağlarlar. Yapay zekâ, hava kirliliği kaynaklarını belirleme, kirlilik seviyelerini tahmin etme ve iyileştirme stratejileri geliştirme süreçlerinde kritik bir rol oynar [21]. Ülkemizde, T.C. Çevre ve Şehircilik Bakanlığı tarafından kurulan “Ulusal Hava Kalitesi İzleme Ağı” (UHKİA) hava kalitesini sürekli olarak izleyerek, hava kirliliği seviyelerini ve kaynaklarını belirlemekte ve bu verileri kullanarak iyileştirme stratejileri geliştirmektedir. UHKİA'nın faaliyetleri kapsamında, çok kriterli karar verme (multi-criteria decision making-MCDM) ve yapay zekâ teknikleri kullanılarak, hava kalitesi yönetiminde daha etkili ve verimli kararlar alınması sağlanmaktadır [22].

Yapay zekâ tabanlı yaklaşımlar, hava kalitesi izleme ağlarından gelen verileri analiz ederek gerçek zamanlı tahminler yapabilmektedir. Literatürde Random Forests (RF), Support Vector Machines (SVM), Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), ve Generative Adversarial Networks (GAN) gibi farklı yapay zekâ modelleri kullanılarak karmaşık hava kalitesi verilerini işlenmiştir.

Bu çalışmanın amacı, literatürdeki yapay zekâ tabanlı hava kalitesi iyileştirme stratejilerini incelemek ve bu alandaki uygulamaları değerlendirmektir. Çalışma, yapay zekâ ve makine öğrenimi teknolojilerinin hava kalitesi analizindeki rolünü, çeşitli modellerin performansını ve farklı yaklaşımların etkinliğini ele alacaktır. Özellikle, bu çalışmada irdelenmiş olan hibrit yapay zekâ modelleri ve büyük veri kümelerinin entegrasyonu gibi yenilikçi yaklaşımlar, mevcut literatüre önemli katkılar sağlamaktadır. Ayrıca, hava kalitesi yönetimi ve iyileştirme stratejileri için yapay zekâ tabanlı çözümlerin potansiyeli ve gelecekteki araştırma alanları tartışılacaktır.

2. Yapay Zekâ Modelleri ve Hava Kalitesi

Yapay zekâ ile hava kalitesi tahmini yapan birçok çalışma bulunmaktadır. Yapay zekânın hava kalitesi izleme sistemlerine dahil edilmesi birçok sektörde yaygın olarak kullanılmakta ve büyük avantajlar sağlamaktadır. Bu sistemler, şehir planlama, halk sağlığı, sanayi ve tarımda hava kalitesini izlemek ve yönetmek için gerekli verileri sağlamaktadır. Kentsel planlamada, yapay zekâ modelleri kullanılarak hava kalitesi haritaları oluşturulmakta ve kirlilik kaynakları belirlenmektedir. Bu tür uygulamalar, kentsel alanlarda hava kalitesini iyileştirme çabalarına büyük katkı sağlamaktadır. Pekdogan vd. [16] tarafından yapılan çalışmada Adana'da 3 farklı sensör aracılığıyla il bazında kirlilik tespit edilmiştir. Şehirlerdeki hava kalitesini takip eden bu sistemler, kullanıcıların bu verilerle anlık olarak etkileşime geçmesini de sağlamaktadır. Bu uygulamalar, bireylerin günlük aktivitelerini hava kalitesine göre planlamalarına ve kirlilik konusunda farkındalık kazanmalarına yardımcı olmaktadır. Başka bir kentsel bağlamda yapılmış olan çalışmada ise; yapay zekâ tabanlı optimizasyon algoritmaları, trafik yönetimi ve

88/129

endüstriyel emisyon kontrolü gibi alanlarda hava kalitesini iyileştirme stratejileri geliştirmek için kullanılmaktadır [23]. Bu stratejiler, hava kirliliği seviyelerini düşürmeye yönelik pratik çözümler sunar. Endüstriyel tesislerde ise hava kalitesi izleme sistemleri emisyonları izlemek ve mevcut politika ve düzenlemelere uymak için kullanır. Bu sistemler, emisyonları en aza indirmek ve çevresel etkileri azaltmak için gerçek zamanlı veriler sağlar. Bu teknolojiler, özellikle kimya, petrol ve gaz endüstrileri gibi yüksek emisyonlu sektörlerde kritik öneme sahiptir [20]. Ayrıca hava kalitesi izleme sistemleri, halk sağlığını tehdit eden unsurların tespit edilebilmesi için öneme sahiptir. Makine öğrenmesi algoritmaları ile hava kirliliği seviyelerindeki değişimler tahmin edilebilir ve bu tahminlere göre önleyici tedbirler politika yapıcılar tarafından alınabilir [24]. Yapay zekâ tabanlı hava kalitesi izleme sistemleri, tarım alanlarında da oldukça büyük bir yer edinmiştir. Özellikle Tarım 4.0 dönüşümü ile bilgisayar destekli kontrol sistemleri, çeşitli yazılım ve donanım araçları, dijital sensörlerle donatılmış tarım makineleri, görüntü işleme teknolojileri gibi akıllı sistemlerin kurulması ve yaygınlaştırılması son derece önemli hale gelmiştir [25]. Bu tip hava kalitesi izleme sistemleri akıllı tarımda çeşitli kirleticilerin ve çevresel parametrelerin izlenmesini sağlar. Bu sistemler, bitkilerin büyüme koşullarını optimize etmek ve çevresel stres faktörlerini en aza indirmek için kullanılır [26].

2.1. Yapay Zekâ ve Makine Öğrenimi Temelleri

Yapay zekâ ve makine öğrenimi, büyük veri kümelerini analiz etmek ve tahminler yapmak için kullanılan güçlü teknolojilerdir. Bu teknolojiler, veri toplama, işleme ve modelleme süreçlerinde kullanılarak hava kalitesi tahminlerinde yüksek doğruluk sağlar. Yapay zekâ, karmaşık veri yapılarını analiz ederek hava kirliliği seviyelerini tahmin etme, kirlilik kaynaklarını belirleme ve iyileştirme stratejileri geliştirme süreçlerinde önemli bir rol oynar [27].

Makine öğrenimi, özellikle büyük veri analizinde etkili olan algoritmalar kullanarak hava kalitesi tahminlerinde doğruluğu artırmaktadır. Bu algoritmalar, tarihsel verileri kullanarak gelecekteki kirlilik seviyelerini tahmin edebilir ve böylece hava kalitesi yönetiminde proaktif önlemler alınmasına olanak tanır [28]. Şekil 1 makine öğrenmesi algoritmalarını ve bunların kategorilerini göstermektedir. Şekil üç ana bölüme ayrılmıştır: Denetimli Öğrenme, Denetimsiz Öğrenme ve Derin Öğrenme [29]. Denetimli öğrenme, etiketlenmiş veriler kullanılarak modellerin eğitildiği bir öğrenme yöntemidir. Bu kategoride, Destek Vektör Makineleri (SVM), En Yakın Komşu (KNN), Sinir Ağları, doğrusal regresyon, destek vektör regresyonu (SVR), Gaussian süreç regresyonu (GPR), karar ağaçları gibi çeşitli algoritmalar yer almaktadır. Denetimsiz öğrenme, etiketlenmemiş veriler kullanılarak yapılır. Bu kategoride, KOrtalama, Gaussian Karışımı, Gizli Markov Modeli gibi algoritmalar kullanılmaktadır. Derin öğrenme ise yapay sinir ağları kullanılarak daha karmaşık veri işlemleri yapan bir öğrenme yöntemidir. Bu kategoride de Çok Katmanlı Algılayıcılar (MLP), Evrişimsel Sinir Ağları (CNN), Tekrarlayan Sinir Ağları (RNN) kullanılmaktadır.

Yapay Zekâ Tabanlı Hava Kalitesi İyileştirme Stratejilerinin Değerlendirilmesi Evaluation of Artificial Intelligence-Based Air Quality Improvement Strategies

Şekil-1: Yapay zekâ tabanlı makine öğrenmesi ve derin öğrenme teknikleri [29]

2.2. Hava Kalitesi Tahmininde Kullanılan Yapay Zekâ Modelleri

Gelişmekte olan ülkelerde kentleşme ve endüstriyel faaliyetler artmaya devam ettikçe, doğru ve güvenilir hava kalitesi tahminlerine duyulan ihtiyaç giderek daha önemli hale gelmektedir. Son yıllarda yapay zekâ tekniklerinin yaygınlaşması, hava kalitesi tahmini alanında da yer edinmiştir. Bu modeller veriye dayalı olmakla birlikte gelişmiş tahmin doğruluğu ve verimliliği sunar. Hava kalitesi tahmininde yaygın olarak kullanılan çeşitli yapay zekâ modelleri bulunmaktadır. Tablo 1 literatürde yer alan farklı modellerin uygulamalarını, amaçlarını ve sonuçlarını vurgulayarak hava kalitesi tahmininde AI teknolojilerinin kullanımına dair genel bir bakış sunmaktadır.

Tablo-1: Hava kalitesi tahmini çalışmaları

[30] Türkiye ANN [31] Hindistan ANN [32] Kuveyt RF

ANN modelleri kullanarak ortam SO2 seviyelerini tahmin etmek Hava kalitesini tahmin etmek için YSA ve GPR modellerini karşılaştırmak

Eksik verileri ele alarak hava kalitesi tahminlerini iyileştirmek

[33] Tayvan

SVM

Zaman ve mekansal özellikleri kullanarak hava kalitesini tahmin etmek

89/129

Tablo-1: Hava kalitesi tahmini çalışmaları (devam)

[34] Endonezya SVM

[35] Hindistan SVM, Hibrit

[36] Taipei, SVM, Tayvan Hibrit

[37] Uruguay GAN

[38] Hindistan CNN, GAN

Hava kalitesini tahmin etmek için SVM ve Karar Ağacı modellerini karşılaştırmak Çeşitli ML algoritmalarını kullanarak hava kalitesini tahmin etmek

Meteorolojik verileri ve kirlilik kaynaklarını entegre ederek hava kalitesini tahmin etmek Gerçek veri eksikliğini gidermek için sentetik veri üretmek Farklı modelleri birleştirerek hava kalitesini tahmin etmek

2.2.1. Rastgele Orman

Rastgele Orman (RF-Random Forest) modelleri, verilerdeki karmaşık ve doğrusal olmayan ilişkileri ele alma yetenekleri nedeniyle hava kalitesi tahmini için bir araçtır. Bu modeller, düşük maliyetli sensör kalibrasyonu, kentsel hava kalitesi tahmini, iç mekân hava kalitesi izleme ve büyük ölçekli hava kirletici tahmini dahil olmak üzere çeşitli hava kalitesi tahmin uygulamalarında kullanılır. Zimmerman vd. [39] tarafından yapılan çalışmada, RF modelleri kullanılarak düşük maliyetli hava kalitesi sensörleri için kalibrasyon stratejilerinin geliştirilmiştir. RF modelleri, altı aylık bir süre boyunca CO, NO2, CO2 ve O3'ü ölçen birden fazla kirletici için geliştirilmiş ve doğrulanmıştır. Bu çalışmanın sonucuna göre, RF modellerinin doğruluk ve sağlamlık açısından doğrusal regresyon gibi geleneksel kalibrasyon yöntemlerinden önemli ölçüde daha iyi performans gösterdiğini göstermiştir.

Yu vd. [40] kentsel algılama sistemlerinde hava kalitesi tahmini için kullanmıştır. Bu yaklaşım, hava kalitesini tahmin etmek için meteorolojik veriler, trafik durumu gibi çeşitli veri kaynaklarını kullandı. Bu çalışmaya göre, RF tabanlı modelin, destek vektör makineleri ve çoklu doğrusal regresyon gibi diğer algoritmalardan daha iyi performans göstererek yüksek doğrulukta hava kalitesi tahminleri sağladığı görülmüştür. Alsaber vd. [32] tarafından yapılan çalışmada RF modelleri, Kuveyt genelinde hava kirletici maddelerin tahminini geliştirmek ve eksik veri sorunlarını gidermek için kullanılmıştır. Çalışma, RF modellerinin büyük ve çeşitli veri kümelerini işleme konusundaki ve geniş alanlarda gerçek zamanlı hava kalitesi tahmini konusundaki performansını değerlendirmiştir. Şekil 2 Rastgele Orman (RF) modelinin akış şemasını göstermektedir. Bu yöntem ile modelin doğruluğu artırılır ve aşırı öğrenme azaltılır, böylece daha güvenilir ve genelleştirilebilir tahminler elde edilir [41].

Şekil-2: RF Model Mimarisi [41]

2.2.2. Destek Vektör Makinesi

Destek Vektör Makinesi (SVM- Support Vector Machines) modellerinin, yüksek boyutlu verileri ve karmaşık ilişkileri ele alma yetenekleri nedeniyle hava kalitesi tahmininde oldukça etkili olduğu kanıtlanmıştır. Bu modeller, geleneksel yöntemlerden ve diğer bazı makine öğrenimi algoritmalarından daha iyi performans göstererek hava kalitesini tahmin etmede yüksek doğruluk göstermektedir. Liu vd. [33] zamansal ve mekansal özellikleri birleştirerek bilinmeyen konumlardaki hava kalitesini tahmin etmek için bu modeli kullanmıştır. Çalışma, yerel verilere dayalı olarak farklı alanlara uyarlanabilecek, kentsel planlama ve hava kalitesi yönetimi çabalarını geliştirebilecek bir tahmin çerçevesi oluşturmuştur.

Rafif vd. [34] Jakarta'daki Hava Kalitesi Endeksi'ni tahmin etmek için SVM ve Karar Ağacı algoritmalarını karşılaştırmıştır. Bu model karar ağacı modelinden daha iyi performans göstermiştir. Kumar ve Pande [35] tarafından yapılan çalışmada çeşitli çevresel ve meteorolojik parametreleri birleştirerek Delhi'deki hava kalitesini tahmin etmek için SVM modelleri kullanılmıştır. Sonuç olarak bu model geleneksel yöntemlere göre önemli ölçüde daha iyi, yüksek tahmin doğruluğu sağlamıştır. Liu vd. [33] yapılan bu çalışma meteorolojik verileri ve kirlilik kaynaklarını entegre ederek kentsel ölçekte hava kalitesini tahmin etmek için SVM modellerini kullanmıştır. Gelişmiş tahmin performansı için birden fazla veri kaynağını birleştirmenin önemini vurgulayarak bu model hava kalitesini yüksek doğrulukla etkili bir şekilde tahmin etmiştir. Şekil 3, bir Destek Vektör Makinesi (SVM) mimarisini göstermektedir. Buradaki süreç, SVM'nin veri sınıflandırmasını veya regresyonunu gerçekleştirmesini sağlamaktadır [42].

90/129

Yapay Zekâ Tabanlı Hava Kalitesi İyileştirme Stratejilerinin Değerlendirilmesi Evaluation of Artificial Intelligence-Based Air Quality Improvement Strategies

Şekil-4: ANN Model Mimarisi [45]

Şekil-3: SVM Model Mimarisi [42]

2.2.3. Yapay Sinir Ağları

Yapay Sinir Ağları (ANN- Artificial Neural Networks): Çeşitli çevresel faktörler ve kirletici konsantrasyonları arasındaki karmaşık, doğrusal olmayan ilişkileri modelleme yetenekleri nedeniyle hava kalitesi tahmininde kullanılan önemli bir yapay zekâ yöntemidir. Sofuoğlu vd. [30], Türkiye'deki dış ortam SO2 konsantrasyonlarını tahmin etmek için bir yapay zekâ modeli geliştirdi. Bu çalışma, sınırlı girdi değişkenlerine sahip kentsel ortamlardaki hava kirletici madde konsantrasyonlarının modellenmesinde bu metodun etkinliğini göstermektedir. Suri vd. [31] Hindistan'ın altı şehrinde hava kalitesi endekslerini tahmin etmek için ANN modellerini kullanmıştır. Bu çalışmaya göre, ANN hava kalitesini tahmin etmede yüksek doğruluk sağlamıştır. Gao vd. [43], ozon konsantrasyonlarını tahmin etmek için Monte Carlo analiziyle birleştirilmiş bir ANN modeli kullanmıştır. Bu yaklaşım ile hem geçmiş hava kalitesi verilerini hem de meteorolojik değişkenleri birleştirerek tahmin doğruluğunu artırmıştır. Ordieres-Meré vd. [44], ABD-Meksika sınır bölgesindeki ince partikül madde (PM2.5) seviyelerini tahmin etmek için ANN modelini kullanmıştır. Bu model, geçmiş verilere dayanarak PM2.5 konsantrasyonlarını doğru bir şekilde tahmin ederek geleneksel istatistiksel modellerden daha iyi performans göstermiştir. Şekil 4 bir Yapay Sinir Ağı modelinin hava kalitesi indeksini tahmin etme sürecinin örneğidir. Bu yapı, farklı kirletici konsantrasyonlarından gelen bilgilerin işlenerek tek bir hava kalitesi değerine dönüştürülmesini sağlamaktadır.

2.2.4. Evrişimli Sinir Ağları

Evrişimli Sinir Ağları (CNN): CNN'ler, özellikle görüntü ve uzamsal veri analizi için kullanılır. Hava kalitesi tahmininde, uydu görüntülerinden elde edilen veriler CNN'ler ile işlenerek kirlilik seviyeleri tahmin edilebilir. CNN'ler, hava kirliliği haritalarını ve dağılım modellerini oluşturarak, kirlilik kaynaklarının mekansal analizini yapmaktadır. Bu model görüntü ve mekansal veri analizinde oldukça etkilidir ve bu da hava kalitesi tahmini için uygun hale getirir. Bu modeller, kentsel alanlardaki hava kalitesi sorunlarının belirlenmesi ve yönetilmesinde büyük avantaj sağlar. Özellikle CNN'ler, uydu görüntülerinden ve diğer kaynaklardan gelen verileri işleyerek kirlilik seviyelerini tahmin etmek için kullanılmaktadır.

Bai ve Peng [46] tarafından yapılan çalışma, CNN'lerin PM2.5 konsantrasyonlarını azaltmak için kentsel tasarımı nasıl destekleyebileceğini araştırırken eğitilen bu model ile kentsel tasarım önerilerine dayanarak PM2,5 konsantrasyonlarının hızlı bir şekilde tahmin edilebilir olmasına olanak tanımıştır. Bu mimari, giriş zaman serisi verileriyle başlar ve özellikleri çıkarmak ve özetlemek için çoklu evrişim ve havuzlama katmanlarından geçirir [47]. Daha sonra veriler düzleştirilir ve nihai tahmini üretmek için tam bağlı bir katmandan geçirilir. CNN mimarisi, sıralı zaman serisi verilerinden kalıpları verimli bir şekilde işlemek ve öğrenmek için tasarlanmıştır, bu da onu hava kalitesi tahmini gibi görevler için uygun kılmaktadır. Bu mimari, verilerdeki yerel örüntüleri ve bağımlılıkları yakalamak için evrişimli katmanların gücünden yararlanırken, havuzlama katmanları veri boyutunu ve hesaplama gereksinimlerini azaltmaya yardımcı olur. Sonundaki tam bağlantılı katman, nihai bir tahmin yapmak için öğrenilen özellikleri sentezlemektedir [48]. Şekil 5 hava kalitesi ve meteorolojik parametreleri kullanarak saatlik hava kalitesi tahmini yapan bir CNN modelinin yapısını göstermektedir. Bu yapı, çeşitli hava kalitesi ve meteorolojik parametreleri işleyerek yüksek doğrulukla hava kalitesi tahminleri yapabilen bir CNN modelinin temel işleyişini göstermektedir [47], [48].

91/129

Şekil-5: CNN Model Mimarisi [47], [48]

2.2.5. Tekrarlayan Sinir Ağları

Tekrarlayan Sinir Ağları (RNN): RNN'ler, zaman serisi verilerinin analizi için idealdir. Hava kalitesi tahmininde, geçmiş hava kalitesi verileri kullanılarak gelecekteki kirlilik seviyeleri tahmin edilebilmektedir. Ramachandraarjunan vd. [49] hava kalitesi seviyelerini otomatik olarak tahmin etmek ve havalandırma sistemlerini kontrol etmek için IoT cihazları ve RNN'leri kullanan bir Akıllı İç Hava Kalitesi İzleme sistemi geliştirmiştir. Nurcahyanto vd. [50] ise endüstriyel bir temiz oda ortamında PM10 konsantrasyonlarını tahmin etmek için çok seviyeli bir RNN modeli uygulamıştır. Zhao vd. [51], Amerika Birleşik Devletleri'ndeki üç endüstriyel şehirde günlük Hava Kalitesi Sınıflandırmasını tahmin etmek için derin bir RNN modeli kullanmıştır. Athira vd. [38] meteorolojik ve hava kalitesi verilerini içeren AirNet veri kümesini kullanarak hava kalitesi tahmini için RNN ve uzun kısa süreli bellek (LSTM) modellerini uygulamıştır. [52], yağış ve hava kalitesini tahmin etmek için konvolüsyonel LSTM ile birleştirilmiş RNN'lerin kullanımını araştırmıştır. Çalışma, meteorolojik verilerin RNN modelleriyle entegre edilmesinin hava kalitesi parametrelerinin tahmin doğruluğunu önemli ölçüde artırdığını ortaya koymuştur. Livingston vd. [53] tarafından yapılan bir çalışmada, hava kalitesi tahmini için RNN'leri diğer modellerle birleştiren bir toplu makine öğrenimi yaklaşımı önerilmiştir. Çalışma, modeli test etmek için Pekin'den alınan verileri kullanmış ve birleştirilmiş yaklaşımın tahmin doğruluğunu artırabileceğini ve sağlam hava kalitesi izleme çözümleri sağlayabileceğini göstermiştir. Şekil 6, RNN modelin temel yapısını ve bilgi akışını göstermektedir [54].

Şekil-6: RNN Model Mimarisi [54]

2.2.6. Çekişmeli Üretken Ağlar

Generative Adversarial Networks (GAN): GAN'ler, veri üretimi ve simülasyonlar için kullanılan çekişmeli üretici ağdır. Hava kalitesi modellerinde, eksik veya az sayıda veri olduğunda GAN'ler kullanılarak bu veri açığı kapatılabilir.

GAN'ler, iki sinir ağı modelinin (generatör ve diskriminatör) rekabetçi bir şekilde çalışmasıyla, gerçekçi veri üretir. Toutouh vd. [37] tarafından yapılan çalışma, kentsel hava kirliliğini modellemek için Koşullu Üretken Çekişmeli Ağların (CGAN'ler) kullanılmasına odaklanmaktadır. Modelde alınan veriler eğitilmiş ve daha az hesaplama kaynağı gerektirirken doğru ve çeşitli kirlilik verileri üretmede umut verici sonuçlar göstermiştir [55], aerosol ve Hava Kalitesi Endeksi değerlerini tahmin etmek için bir nöral Turing makinesini bir GAN ile birleştiren DAerosol.GAN.NTM (Deep Aerosol Generative Adversarial Networks Neural Topic Modeling) çerçevesini önermiştir. Bu model, eksik verileri doğru bir şekilde tahmin ederek ve gelecekteki hava kalitesi ölçümlerini tahmin etmeyi amaçlamaktadır. Wu vd. [56] tarafından yapılan çalışmada ise, şehir planlaması ve hava kalitesi izleme dahil olmak üzere yapılı çevrede GAN'ların uygulanmasının bir incelemesini sunmaktadır. Bu çalışmanın sonucuna göre, GAN'ların yüksek çözünürlüklü görüntüler oluşturmada ve anlamsal verileri hava kalitesini izlemek ve tahmin etmek için uygulanabilecek gerçekçi görselleştirmelere dönüştürmede etkili olduğunu göstermektedir. Şekil 7 GAN modelinin işleyişini göstermektedir. Bu döngü, Generator'un daha gerçekçi veriler üretmesini ve Ayrıştırıcının bu verileri ayırt etme yeteneğinin sürekli gelişmesini sağlamaktadır [57].

Şekil-7: GAN Model Mimarisi [57]

3. Yapay Zekâ Tabanlı Yöntemlerin Karşılaştırılması ve Değerlendirilmesi

Yapay zekâ tabanlı hava kalitesi tahmin yöntemleri üzerine yapılan çalışmalar, bu yöntemlerin etkinliğini ve doğruluğunu karşılaştırmalı olarak analiz etmiştir. RF, SVM, ANN, CNN, RNN ve GAN gibi modeller, hava kalitesi tahmininde kullanılan yöntemler arasında bulunmaktadır.

Kullanılan algoritmalar izlendiğinde ise; mevcut literatürde, RF modelleri yaygın olarak kullanılırken çevresel koşullar ve sensör performansında geleneksel yöntemlere göre yüksek doğruluk sağladığı görülmüştür [32]. SWM modelleri, yüksek boyutlu veri setlerini ve karmaşık ilişkileri işleyebilme yetisine sahiptir. Bu nedenle karmaşık hava kalitesi verilerinde yüksek doğruluk sağladığı görülmüştür [34]. ANN ise hava kalitesi tahmininde sıkça kullanılan en etkili modellerden biridir. Kumar vd. [35] çalışmasında çevresel ve meteorolojik parametreleri kullanarak farklı parametreler arasındaki karmaşık ilişkileri yakalama yeteneğini göstermiştir. CNN'ler kullanılarak yapılan çalışmalarda yüksek doğruluk elde edildiği gözlenmiştir [58]. CNN'ler, Çin'deki hava kalitesi tahmininde kullanılmış ve yüksek doğruluk oranları elde edilmiştir [58]. Benzer şekilde, RNN'ler kullanılarak yapılan bir çalışmada,

92/129

Hindistan'daki hava kalitesi tahminleri başarıyla yapılmıştır [29]. Bu çalışmalar, yapay zekânın hava kalitesi tahmininde etkili olduğunu göstermektedir. Farklı yapay zekâ modellerinin karşılaştırmalı analizi de literatürde yer almaktadır. Bir çalışma, CNN ve RNN modellerini karşılaştırarak, CNN'lerin uzamsal verilerde daha iyi performans gösterdiğini, RNN'lerin ise zaman serisi analizlerinde üstün olduğunu belirtmiştir [59]. GAN modelleri ise veri üretimi ve simülasyonlar için kullanılır. GAN modelleri, eksik verilerin doldurulmasında ve gerçekçi veri üretiminde etkili olup, hava kalitesi tahmininde kullanılmaktadır.

Bu modeller, hava kalitesi tahmininde çeşitli avantajlar ve zorluklar sunar (Tablo 2).

Tablo-2: Hava Kalitesi Tahmininde Kullanılan Yapay Zekâ

Modelleri

Model

Kullanım Alanları

Avantajlar Dezavantajlar

RF

Sınıflandırm Gürültüye Parametre

dayanıklılık, ayarlaması ve

regresyon büyük veri sonuçların

problemleri setleriyle

yorumu zor

başa çıkma olabilir

SVM Sınıflandırm Küçük

Büyük veri

örneklem setlerinde yavaş

regresyon setlerinde çalışabilir

yüksek

performans,

gürültüye

dayanıklılık

ANN Çeşitli veri Karmaşık Optimum ağ

analizi ve doğrusal

yapısını

tahmin

olmayan

belirlemek zor,

ilişkileri

aşırı öğrenme

modelleme riski

CNN

Görüntü ve uzamsal veri analizi

Yüksek doğruluk, mekânsal analiz

Veri yoğunluğu, yüksek hesaplama maliyeti

Uzun

dönem

bağımlılıkla Uzun dönem

RNN

serisi verilerinin

rı

bağımlılıkları

modelleme, modelleme

analizi

zaman serisi zorluğu

analizinde

GAN

Veri üretimi ve simülasyonl ar

Eksik verilerin doldurulmas ı, gerçekçi veri üretimi

Generatör ve diskriminatör modellerinin eğitim zorluğu

3.1. Gelecek Araştırmalar İçin Öneriler ve Yapay Zekâ Teknolojilerinin Rolü

Gelecek araştırmalarda, yapay zekâ teknolojilerinin hava kalitesi yönetimindeki rolü daha da artacaktır. Yapay zekânın bütünleştirildiği hava kalitesi izleme teknolojileri önemli faydalar sağlarken, bu teknolojilerin tam potansiyellerine ulaşabilmesi için çözülmesi gereken çeşitli zorlukları da beraberinde getirmektedir. Yapay zekâ modellerinin

Yapay Zekâ Tabanlı Hava Kalitesi İyileştirme Stratejilerinin Değerlendirilmesi Evaluation of Artificial Intelligence-Based Air Quality Improvement Strategies bütünleştirildiği cihazlar tarafından oluşturulan büyük veri hacimlerini yönetmek, depolamak ve gerçek zamanlı olarak analiz etmek, sağlam bir bulut altyapısı ve gelişmiş veri analizi araçları gerektirir. Bu nedenle veri kalitesi, doğruluğu ve bütünlüğü büyük önem taşır.

Hibrit modellerin geliştirilmesi ile hem mekânsal hem de zamansal bağımlılıkları yakalayarak daha kapsamlı tahminler yapılabilir. RF ve SVM’nin güçlü yönlerinin ve CNN ve RNN gibi derin öğrenme modellerinin güçlü yönlerini birleştirmek farklı yapay zekâ modellerini birleştirmek, yapay zekânın sağlamlığını ve doğruluğunu artırabilir.

Değişen çevre koşullarına sahip farklı coğrafi bölgelere uygulanabilecek ölçeklenebilir ve aktarılabilir yapay zekâ modellerinin geliştirilmesi ile etkililiği artırılabilir. Böylece, bir bölgenin verileri üzerinde eğitilebilecek ve diğerine başarılı bir şekilde uygulanabilecek uyarlanabilir modeller oluşturarak daha geniş alanlarda uygulanabilir.

Verilerin kalitesinin ve kullanılabilirliğinin sağlanması bu modellerin doğrulu açısından önemlidir. Bu alandaki sürekli iyileştirmeler, yapay zekâ tabanlı cihazların doğruluğu, güvenilirliği ve maliyet etkinliğini artırmasını sağlayacaktır. Yapay zekâ ve makine öğrenimi gibi teknolojilerin hızla gelişmesi ve yapay zekânın entegrasyonu, veri analizi ve tahmin yeteneklerini önemli ölçüde artırabilir.

Yapay zekâ teknolojileri, yapay zekâ tabanlı sensörlerin ve gelişmiş veri işleme tekniklerinin entegrasyonu yoluyla hava kalitesinin gerçek zamanlı izlenmesine olanak tanımaktadır. Bu durum, kirlilikteki ani artışların zamanında tespit edilmesine ve politika yapıcıların kirlilik kaynaklarını azaltmak için stratejiler geliştirmesine olanak tanıyarak hava kirliliğinin halk sağlığı üzerindeki olumsuz etkilerini azaltabilir.

4. Sonuç

Bu çalışma, yapay zekâ tabanlı hava kalitesi tahmin ve iyileştirme stratejilerini kapsamlı bir şekilde incelemektedir. RF, SVM, ANN, CNN, RNN ve GAN gibi modern yapay zekâ modellerinin hava kalitesi tahmininde nasıl kullanıldığı ve bu modellerin avantajları ile dezavantajları ele alınmıştır. Literatürdeki bulgular, bu modellerin hava kalitesi tahmininde yüksek doğruluk sağladığını ve çeşitli çevresel koşullarda da etkili olduğunu göstermektedir.

Gelecek araştırmalarda, yapay zekâ teknolojilerinin hava kalitesi yönetiminde daha geniş bir rol oynayacağı öngörülmektedir. Gelişmiş algoritmalar ve daha büyük veri kümeleri, daha hassas tahminler ve etkili iyileştirme stratejileri geliştirilmesine olanak tanıyacaktır. Ayrıca, yapay zekâ tabanlı modellerin gerçek zamanlı izleme sistemlerine entegrasyonu, proaktif hava kalitesi yönetimi için kritik bir adım olacaktır.

Sonuç olarak, yapay zekâ teknolojilerinin hava kalitesi tahmini ve yönetiminde büyük bir potansiyele sahip olduğu açıkça görülmektedir. Bu teknolojiler, hava kirliliği ile mücadelede etkili stratejiler geliştirilmesine yardımcı olabilir ve çevresel sürdürülebilirliği destekleyebilir. Gelecek araştırmalarda, yapay zekâ ve hava kalitesi ilişkisinin daha derinlemesine incelenmesi ve bu alandaki yeniliklerin yakından takip edilmesi önemlidir.

93/129

S. Sharma, M. Zhang, Anshika, J. Gao, H. Zhang,

S.H. Kota, “Effect of Restricted Emissions During

COVID-19 on Air Quality in India,” The Science of

the Total Environment, 2020

K. Balakrishnan, S. Dey, T. Gupta, R.S. Dhaliwal, M.

Brauer, A.J. Cohen, J.D. Stanaway, G. Beig, T.K.

Joshi, A.N. Aggarwal, Y. Sabde, H. Sadhu, J. Frostad,

K. Causey, W. Godwin, D.K. Shukla, G.A. Kumar,

C.M. Varghese, P. Muraleedharan, A. Agrawal, R.M.

Anjana, A. Bhansali, D. Bhardwaj, K. Burkart, K.

Cercy, J.K. Chakma, S. Chowdhury, D.J. Christopher,

E. Dutta, M. Furtado, S. Ghosh, A.G. Ghoshal, S.D.

Glenn, R. Guleria, R. Gupta, P. Jeemon, R. Kant, S.

Kant, T. Kaur, P.A. Koul, V. Krish, B. Krishna, S.L.

Larson, K. Madhipatla, P.A. Mahesh, V. Mohan, S.

Mukhopadhyay, P. Mutreja, N. Naik, S. Nair, G.

Nguyen, C.M. Odell, J.D. Pandian, D. Prabhakaran, P.

Prabhakaran, A. Roy, S. Salvi, S. Sambandam, D.

Saraf, M. Sharma, A. Shrivastava, V. Singh, N.

Tandon, N.J. Thomas, A. Torre, D. Xavier, G. Yadav,

S. Singh, C. Shekhar, T. Vos, R. Dandona, K.S. Reddy,

S.S. Lim, C.J.L. Murray, S. Venkatesh, L. Dandona,

“The impact of air pollution on deaths, disease burden,

and life expectancy across the states of India: the

Global Burden of Disease Study 2017,” The Lancet

Planetary Health, vol. 3, no. 1, 2019

C.A. Pope, D.W. Dockery, “Health effects of fine

particulate air pollution: Lines that connect,” Journal

of the Air and Waste Management Association, vol. 56,

no. 6, 2006

WHO, “WHO global air quality guidelines:

particulate matter (PM2.5 and PM10), ozone, nitrogen

dioxide, sulfur dioxide, and carbon monoxide.”

https://apps.who.int/iris/handle/10665/345329

M.A. Zoran, R.S. Savastru, D.M. Savastru, M.N.

Tautan, “Assessing the relationship between surface

levels of PM2.5 and PM10 particulate matter impact

on COVID-19 in Milan, Italy,” Science of the Total

Environment, vol. 738, 2020

J.O. Anderson, J.G. Thundiyil, A. Stolbach, “Clearing

the Air: A Review of the Effects of Particulate Matter

Air Pollution on Human Health,” Journal of Medical

Toxicology, vol. 8, no. 2. 2012.

A. Ratajczak, A. Badyda, P.O. Czechowski, A.

Czarnecki, M. Dubrawski, W. Feleszko, “Air pollution

increases the incidence of upper respiratory tract

symptoms among Polish children,” Journal of Clinical

Medicine, vol. 10, no. 10, p. 2150, 2021.

T. Bourdrel, M.A. Bind, Y. Béjot, O. Morel, J.F.

Argacha, “Cardiovascular effects of air pollution,”

Archives of Cardiovascular Diseases, vol. 110, no. 11. 2017.

R.B. Hamanaka, G.M. Mutlu, “Particulate matter air

pollution: effects on the cardiovascular system,”

Frontiers in endocrinology, vol. 9, p. 680, 2018.

[10] M. Laeremans, E. Dons, I. Avila-Palencia, G. Carrasco-Turigas, J.P. Orjuela, E. Anaya, T. ColeHunter, A. De Nazelle, M. Nieuwenhuijsen, A. Standaert, “Short-term effects of physical activity, air pollution and their interaction on the cardiovascular and respiratory system,” Environment international, vol. 117, pp. 82–90, 2018.

[11] C. Spix, H.R. Anderson, J. Schwartz, M.A. Vigotti, A. Letertre, J.M. Vonk, G. Touloumi, F. Balducci, T. Piekarski, L. Bacharova, “Short-term effects of air pollution on hospital admissions of respiratory diseases in Europe: a quantitative summary of APHEA study results,” Archives of Environmental Health: An International Journal, vol. 53, no. 1, pp. 54–64, 1998.

[12] M. Kampa, E. Castanas, “Human health effects of air pollution,” Environmental pollution, vol. 151, no. 2, pp. 362–367, 2008.

[13] L. Schinasi, R.A. Horton, V.T. Guidry, S. Wing, S.W. Marshall, K.B. Morland, “Air pollution, lung function, and physical symptoms in communities near concentrated swine feeding operations,” Epidemiology, vol. 22, no. 2, 2011

[14] A.J. Elliot, S. Smith, A. Dobney, J. Thornes, G.E. Smith, S. Vardoulakis, “Monitoring the effect of air pollution episodes on health care consultations and ambulance call-outs in England during March/April 2014: A retrospective observational analysis,” Environmental pollution, vol. 214, pp. 903–911, 2016.

[15] Y. Xue, L. Wang, Y. Zhang, Y. Zhao, Y. Liu, “Air pollution: A culprit of lung cancer,” Journal of Hazardous Materials, vol. 434. 2022.

[16] T. Pekdogan, M.T. Udriştioiu, H. Yildizhan, A. Ameen, “From Local Issues to Global Impacts: Evidence of Air Pollution for Romania and Turkey,” Sensors, vol. 24, no. 4, p. 1320, 2024.

[17] G. Başdoğan, Ç. Arzu, “Ecological-social-economical impacts of vertical gardens in the sustainable city model,” Yuzuncu Yıl University Journal of Agricultural Sciences, vol. 26, no. 3, pp. 430–438, 2016.

[18] X. Lu, S. Zhang, J. Xing, Y. Wang, W. Chen, D. Ding, Y. Wu, S. Wang, L. Duan, J. Hao, “Progress of Air Pollution Control in China and Its Challenges and Opportunities in the Ecological Civilization Era,” Engineering, vol. 6, no. 12. 2020.

94/129

Yapay Zekâ Tabanlı Hava Kalitesi İyileştirme Stratejilerinin Değerlendirilmesi Evaluation of Artificial Intelligence-Based Air Quality Improvement Strategies

[19] M. Angelidou, A. Psaltoglou, N. Komninos, C. Kakderi, P. Tsarchopoulos, A. Panori, “Enhancing sustainable urban development through smart city applications,” Journal of Science and Technology Policy Management, 2018

[20] L. García, A.J. Garcia-Sanchez, R. Asorey-Cacheda, J. Garcia-Haro, C.L. Zúñiga-Cañón, “Smart Air Quality Monitoring IoT-Based Infrastructure for Industrial Environments,” Sensors, vol. 22, no. 23, 2022

[21] Y. Yang, “IoT-based air pollution monitoring system,” Highlights in Science, Engineering and Technology, vol. 17, pp. 299–307, Nov.2022

[22] Ö. Zeydan, M. Pekkaya, “Evaluating air quality monitoring stations in Turkey by using multi criteria decision making,” Atmospheric Pollution Research, vol. 12, no. 5, p. 101046, 2021.

[23] A. Suleiman, M.R. Tight, A.D. Quinn, “Applying machine learning methods in managing urban concentrations of traffic-related particulate matter (PM10 and PM2.5),” Atmospheric Pollution Research, vol. 10, no. 1, 2019

[24] M. Taştan, “A low-cost air quality monitoring system based on Internet of Things for smart homes,” Journal of Ambient Intelligence and Smart Environments, vol. 14, no. 5, 2022

[25] A. Gacar, H. Aktas, B. Ozdogan, “Digital agriculture practices in the context of agriculture 4.0,” Pressacademia, vol. 4, no. 2, 2017

[26] M.S. Farooq, S. Riaz, A. Abid, T. Umer, Y. Bin Zikria, “Role of iot technology in agriculture: A systematic literature review,” Electronics (Switzerland), vol. 9, no. 2. 2020.

[27] B. Bahmei, E. Birmingham, S. Arzanpour, “CNNRNN and Data Augmentation Using Deep Convolutional Generative Adversarial Network for Environmental Sound Classification,” IEEE Signal Processing Letters, vol. 29, 2022

[28] X. Li, L. Peng, X. Yao, S. Cui, Y. Hu, C. You, T. Chi, “Long short-term memory neural network for air pollutant concentration predictions: Method development and evaluation,” Environmental Pollution, vol. 231, 2017

[29] P.W. Tien, S. Wei, J. Darkwa, C. Wood, J.K. Calautit, “Machine Learning and Deep Learning Methods for Enhancing Building Energy Efficiency and Indoor Environmental Quality – A Review,” Energy and AI, vol. 10. 2022.

[30] S.C. Sofuoglu, A. Sofuoglu, S. Birgili, G. Tayfur, “Forecasting ambient air SO2 concentrations using

artificial neural networks,” Energy Sources, Part B: Economics, Planning and Policy, vol. 1, no. 2, 2006

[31] R.S. Suri, A.K. Jain, N.R. Kapoor, A. Kumar, H.C. Arora, K. Kumar, H. Jahangir, “Air Quality Prediction-A Study Using Neural Network Based Approach,” Journal of Soft Computing in Civil Engineering, vol. 7, no. 1, pp. 93–113, Jan.2023

[32] A.R. Alsaber, J. Pan, A. Al-Hurban, “Handling complex missing data using random forest approach for an air quality monitoring dataset: A case study of kuwait environmental data (2012 to 2018),” International Journal of Environmental Research and Public Health, vol. 18, no. 3, pp. 1–26, Feb.2021

[33] C.C. Liu, T.C. Lin, K.Y. Yuan, P. Te Chiueh, “Spatiotemporal prediction and factor identification of urban air quality using support vector machine,” Urban Climate, vol. 41, Jan.2022

[34] M.A. Rafif, G. Sanjaya Indrajaya, M.K. Al-Ghazi, J. Johnny, N.T.M. Sagala, “Comparison of Decision Tree and Support Vector Machine for Predicting Jakarta Air Quality Index,” in ICCoSITE 2023 - International Conference on Computer Science, Information Technology and Engineering: Digital Transformation Strategy in Facing the VUCA and TUNA Era, Institute of Electrical and Electronics Engineers Inc., 2023, pp. 381–385.

[35] K. Kumar, B.P. Pande, “Air pollution prediction with machine learning: a case study of Indian cities,” International Journal of Environmental Science and Technology, vol. 20, no. 5, pp. 5333–5348, May2023

[36] W.-T. Tsai, Y.-Q. Lin, “Trend Analysis of Air Quality Index (AQI) and Greenhouse Gas (GHG) Emissions in Taiwan and Their Regulatory Countermeasures,” Environments, 2021

[37] J. Toutouh, S. Nesmachnow, D.G. Rossit, “Generative adversarial networks to model air pollution under uncertainty,” in CEUR Workshop Proceedings, 2021.

[38] V. Athira, P. Geetha, R. Vinayakumar, K.P. Soman, “DeepAirNet: Applying Recurrent Networks for Air Quality Prediction,” in Procedia Computer Science, Elsevier B.V., 2018, pp. 1394–1403.

[39] N. Zimmerman, A.A. Presto, S.P.N. Kumar, J. Gu, A. Hauryliuk, E.S. Robinson, A.L. Robinson, R. Subramanian, “A machine learning calibration model using random forests to improve sensor performance for lower-cost air quality monitoring,” Atmospheric Measurement Techniques, vol. 11, no. 1, pp. 291–313, 2018

[40] R. Yu, Y. Yang, L. Yang, G. Han, O.A. Move, “RAQ– A random forest approach for predicting air quality in urban sensing systems,” Sensors (Switzerland), vol. 16, no. 1, Jan.2016

95/129

[41] K. Zhang, J. Yang, J. Sha, H. Liu, “Dynamic slow feature analysis and random forest for subway indoor air quality modeling,” Building and Environment, vol. 213, 2022

[42] A. Moradibaad, R. Mashhoud, Use Dimensionality Reduction and SVM Methods to Increase the Penetration Rate of Computer Networks. 2018.

[43] M. Gao, L. Yin, J. Ning, “Artificial neural network model for ozone concentration estimation and Monte Carlo analysis,” Atmospheric Environment, vol. 184, 2018

[44] J. Ordieres-Meré, E. Vergara, S. Capuz-Rizo, R. Salazar, “Neural network prediction model for fine particulate matter (PM2.5) on the US–Mexico border in El Paso (Texas) and Ciudad Juárez (Chihuahua),” Environmental Modelling & Software, vol. 20, pp. 547–559, May2005

[45] M.J. Moradi, M.A. Hariri-Ardebili, “Developing a library of shear walls database and the neural network based predictive meta-model,” Applied Sciences, vol. 9, no. 12, p. 2562, 2019.

[46] Z. Bai, C. Peng, “Convolutional Neural Network (CNN) Supported Urban Design to Reduce Particle Air Pollutant Concentrations,” in Proceedings of the 28th Conference on Computer Aided Architectural Design Research in Asia (CAADRIA) [Volume 1], 2023.

[47] Y. Mao, S. Lee, “Deep Convolutional Neural Network for Air Quality Prediction,” in Journal of Physics: Conference Series, 2019.

[48] E. Akın, M.E. Şahin, “Derin Öğrenme ve Yapay Sinir Ağı Modelleri Üzerine Bir İnceleme,” EMO Bilimsel Dergi, vol. 14, no. 1, pp. 27–38, 2024 [Online]. Available: https://dergipark.org.tr/tr/pub/emobd/issue/83029/133 8066

[49] S. Ramachandraarjunan, V. Perumalsamy, B. Narayanan, “IoT based artificial intelligence indoor air quality monitoring system using enabled RNN algorithm techniques,” Journal of Intelligent and Fuzzy Systems, vol. 43, no. 3, 2022

[50] H. Nurcahyanto, A.T. Prihatno, M.M. Alam, M.H. Rahman, I. Jahan, M. Shahjalal, Y.M. Jang, “Multilevel RNN-Based PM10 Air Quality Prediction

for Industrial Internet of Things Applications in Cleanroom Environment,” Wireless Communications and Mobile Computing, vol. 2022, 2022

[51] X. Zhao, R. Zhang, J.L. Wu, P.C. Chang, “A deep recurrent neural network for air quality classification,” Journal of Information Hiding and Multimedia Signal Processing, vol. 9, no. 2, pp. 346–354, Mar.2018.

[52] X. Shi, Z. Chen, H. Wang, D.-Y. Yeung, W.-K. Wong, W. Woo, “Convolutional LSTM network: A machine learning approach for precipitation nowcasting,” Advances in neural information processing systems, vol. 28, 2015.

[53] S.J. Livingston, S.D. Kanmani, A.S. Ebenezer, D. Sam, A. Joshi, “An ensembled method for air quality monitoring and control using machine learning,” Measurement: Sensors, vol. 30, 2023

[54] K. Gaurav, B.K. Singh, V. Kumar, “Intelligent fault monitoring and reliability analysis in safety–critical systems of nuclear power plants using SIAO-CNNORNN,” Multimedia Tools and Applications, 2024

[55] Z.S. Asaei-Moamam, F. Safi-Esfahani, S. Mirjalili, R. Mohammadpour, M.H. Nadimi-Shahraki, “Air quality particulate-pollution prediction applying GAN network and the Neural Turing Machine,” Applied Soft Computing, vol. 147, 2023

[56] A.N. Wu, R. Stouffs, F. Biljecki, “Generative Adversarial Networks in the built environment: A comprehensive review of the application of GANs across data types and scales,” Building and Environment, vol. 223. 2022.

[57] S. Sarwar, G. Aziz, D. Balsalobre-Lorente, “Forecasting Accuracy of Traditional Regression, Machine Learning, and Deep Learning: A Study of Environmental Emissions in Saudi Arabia,” Sustainability, vol. 15, no. 20, 2023

[58] W. Huang, T. Li, J. Liu, P. Xie, S. Du, F. Teng, “An overview of air quality analysis by big data techniques: Monitoring, forecasting, and traceability,” Information Fusion, vol. 75. 2021.

[59] M. Méndez, M.G. Merayo, M. Núñez, “Machine learning algorithms to forecast air quality: a survey,” Artificial Intelligence Review, vol. 56, no. 9, 2023

96/129

Özgeçmiş Dr. Öğr. Üyesi Tuğçe Pekdoğan, İzmir Yüksek Teknoloji Enstitüsü’nden mimarlık alanında doktora derecesine sahiptir ve aynı üniversitede yüksek lisans yapmıştır. Lisans eğitimini Doğu Akdeniz Üniversitesi’nde fakülte birincisi olarak tamamlamıştır. Şu anda Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesinde çalışmakta olan Dr. Pekdoğan’ın araştırma alanları arasında bina enerji performansı, ısı transferi, bina enerji modellemesi ve simülasyonu, termal konfor, iç mekan hava kalitesi ve iç çevre kalitesi gibi konular bulunmaktadır. Bu konular üzerine birçok uluslararası ve ulusal makale yayınlamıştır. Science Citation Index (SCI) ve SCI Expanded (SCI-E) indekslerinde yer alan dergilerde 10’dan fazla makalesi yayımlanmış olup, SCOPUS ve diğer mimarlık indekslerinde de çeşitli makaleleri bulunmaktadır. Ayrıca, TÜBİTAK ve Erasmus+ tarafından desteklenen projelerde de yer almıştır. Öne çıkan projeleri arasında TÜBİTAK 1002 projesi olan “İç Mekan Çevre Kalitesine Çok Yönlü Bir Yaklaşım: Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi Mimarlık Tasarım Stüdyosu Örneği” ve Erasmus+ projesi olan “Hava Kirliliği ile İlgili Bazı İleri Teknolojilerin Öğretim ve Araştırmada Uygulanması” bulunmaktadır. Bina cepheleri için faz değiştiren malzeme ile entegre edilen ısı geri kazanım ünitesinin deneysel ve sayısal araştırması üzerine doktora tezini tamamlamış olup ulusal patenti bulunmaktadır.

97/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 98/129

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 27.06.2024

Makale Kabul Tarihi: 02.07.2024

Frekans Atlamalı Sinyallerin Tespiti ve Parametre Kestirimine Genel Bir Bakış: Son Gelişmeler ve Zorluklar

An Overview on Detection and Parameter Estimation of Frequency Hopping Signals: Recent Advances and Challenges

???????????????????????????????????????????????????????????? ????????????????????????????????????????????????????????????1, ???????????????????????? ????????????????????????????????????????????????2

1Fen Bilimleri Enstitüsü, 2Elektrik-Elektronik Mühendisliği Bölümü Gazi Üniversitesi, Ankara, Türkiye [email protected], [email protected]

Frekans atlamalı yayılı spektrum (İng. Frequency Hopping Spread Spectrum (FHSS)) ya da kısaca frekans atlamalı (FA), taşıyıcı frekansı değiştiren yaygın bir haberleşme yöntemidir. Frekans atlamalı haberleşme yöntemi, anti-karıştırma kabiliyetinin güçlü olması gibi çeşitli yararlarından dolayı güvenli iletişim bağlantısı için yaygın olarak kullanılmaktadır. Frekans atlama kullanan sistemler arttıkça, frekans atlayan sinyallerinin tespiti ve parametre kestirimine olan ihtiyaç daha da artmış ve bu yöntemlerin geliştirilmesi, güvenlik açısından kritik bir araştırma alanı haline gelmiştir. Bu çalışmada frekans atlamalı sinyalleri tespit ve parametre kestirimi alanındaki son çalışmalar tek ve çoklu hedefler için iki ayrı kategoride incelenmiştir. Ayrıca gelecek araştırma alanları ve zorlukları tartışılmıştır. Böylece gelecekteki çalışmalara yol gösterilmiştir.

Anahtar Kelimeler: Frekans Atlamalı, FHSS, Tespit, Parametre Kestirimi

Frequency hopping spread spectrum (FHSS) or simply frequency hopping (FH) is a common communication method that changes the carrier frequency. Frequency hopping communication method is widely used for secure communication link due to its various benefits such as strong anti-jamming ability. As systems using frequency hopping increase, the need for detection of frequency hopping signals and parameter estimation has increased, and the development of these methods has become a critical research area in terms of security. In this study, recent studies in the field of detection and parameter estimation of frequency hopping signals are examined in two separate categories for single and multiple targets. Additionally, future research areas and challenges are discussed. Thus, future studies are guided.

Keywords: Frequency Hopping, FHSS, Detection, Parameter Estimation

Frekans atlamalı haberleşme yönteminde taşıyıcı frekans belirli bir düzende değiştirilerek iletişim sağlanmaktadır. Bu taşıyıcı frekans değişimlerinin her biri “atlama” olarak isimlendirilmektedir. Frekans atlamalı haberleşme yöntemi,

karıştırmaya karşı dirençli olması gibi çeşitli yararlarından dolayı hem sivil hem de askeri sistemlerde sıklıkla kullanılmakta ve kullanan sistemlerin sayısı giderek artmaktadır [1]. Bu nedenle FA sinyallerin tespiti ve parametre kestirimi yöntemlerinin geliştirilmesi çalışmaları da artmaya devam etmektedir. Bu yöntemlerin özellikle alan güvenliğinin sağlanması açısından hayati bir araştırma alanı haline geldiği görülmektedir.

Frekans atlamalı haberleşmenin güvenli bağlantı amacıyla insansız araçlar tarafından sıklıkla kullanıldığı bilinmektedir [2]. Bundan dolayı FA tespiti ve parametre kestirimine ilişkin çalışmalar özellikle ISM bantlarında çalışan insansız hava araçları (İHA, İng. drone) sinyallerine odaklanmaktadır. Bu durum nedeniyle, FA tespiti ve parametre kestirimine ilişkin gerçek dünya deneylerinin tipik olarak sivil İHA kumanda sinyalleri kullanılarak gerçekleştirildiği görülmektedir [3-7].

Gerçek dünyadaki sivil İHA uygulamalarında, FA sinyallerinin frekans dizisi genellikle sabittir [4]. Bununla birlikte, yeni ve gelişmiş sistemler sözde rastgele atlamalı diziler gibi gelişmiş diziler de kullanılabilmektedir. Ayrıca hızlı frekans atlama yapabilen ve dar atlama bant genişliğine sahip FA sinyalleri de olabilmektedir. Bu nedenlerle FA sinyallerinin tespiti ve parametre kestirimi halen oldukça zorlu bir iştir.

FA sinyal parametre kestiriminde zaman frekans analizi için kısa zamanlı Fourier dönüşümü (STFT) [3–4, 8-10, 18-20, 25] ve Wigner-Ville dağılımı (WVD) kullanılmaktadır [15, 2021]. WVD yönteminin çözünürlüğü yüksek olmasına rağmen çapraz terim girişimi nedeniyle hesaplaması karmaşıktır. STFT çapraz terim girişiminden etkilenmemesi ve hesaplama basitliği nedeniyle tercih edilmektedir.

Bu çalışmada FA tespit ve sınıflandırma alanındaki güncel çalışmalar incelenmiştir. Ayrıca karşılaştırma için tek ve çoklu hedeflere yönelik iki ana kategorideki çalışmaların özet tabloları oluşturulmuştur. Son olarak gelecek araştırma yönlendirmeleri yapılmış ve alandaki zorluklar tartışılmıştır.

2. FA Sinyal Parametreleri

FA sinyali taşıyıcı frekansını zamanla değiştirmektedir. Bu değişim nedeniyle spektrumda durağan olmayan bir sinyaldir.

Atlama periyodu, atlamada kalma ve koruma (frekans değiştirme) sürelerinin toplamına eşittir. Atlama hızı ise bir saniyedeki atlama sayısıdır ve aşağıdaki gibi hesaplanmaktadır:

99/129

???????????????????????????????????????????????????????????????????????? ???????????????????????????????????????????????? = Atlama Periyodu−1

Atlama bant genişliği her atlamanın spektrumda kullandığı frekans aralığıdır. Atlama merkez frekansı ise bu aralığın orta noktasıdır. FA sinyali parametreleri Şekil 1’de gösterilmektedir.

Şekil 1: FA sinyali parametreleri gösterimi

3. Güncel FA Sinyal Tespit ve Parametre Kestirimi Çalışmaları

FA tespit ve parametre kestirim yöntemleri iki ayrı kategoriye ayrılmaktadır. İlki, bir defada tek FA sinyali hedefi için çalışan parametre kestirim ve tespit yöntemleridir. İkincisi ise aynı anda çok sayıdaki FA sinyallerinin tespiti ve parametre kestirimi için tasarlanmış yöntemlerdir. Bu bölümde, bu iki kategorideki güncel çalışmalar incelenecektir.

3.1. Tek FA Sinyal Tespit ve Parametre Kestirimi Çalışmaları

[3]’deki çalışma, STFT yöntemini kullanmış ve eşik hesaplaması yapmıştır. Hesaplanan eşik değeriyle ikilileştirmenin ardından bant genişliği, merkez frekansı ve atlamada kalma süresi parametrelerinin kestirimleri yapılmaktadır. Daha sonra morfolojik genişleme ve erozyon görüntü işleme yöntemleri kullanılmıştır. Atlama periyodu parametresi normalde bir FA sinyalinin tüm atlamaları için eşittir. Ancak çalışmada analiz edilen 2.4 GHz ISM bandındaki İHA’nın FHSS sinyalinin atlamaları için koruma süresi ve bundan dolayı atlama periyodu parametreleri farklıdır. Koruma süresi parametreleri STFT'nin otokorelasyon fonksiyonu (ACF) ile hesaplanır. İHA mesafelerine göre atlama zamanı hataları hesaplanmıştır.

[4]'de STFT, Gaussian filtreleme ve Parametrik Olmayan Genlik Niceleme Yöntemi (NPAQM) gerçekleştirilmiştir. Literatürden farklı olarak algoritmalar bir SDR'nin FPGA'sı içinde çalışacak şekilde dijital tasarım yapılmıştır. Sonuçlar [1]’deki gibi 2.4 GHz ISM bandındaki İHA’nın alıcıya mesafesine göre bekleme süresi parametresinin hatası olarak verilmiştir.

[5]’teki çalışmada işbirlikçi olmayan bir durum için 2.4 GHz ISM bandındaki Gaussian FSK İHA iletişim sinyallerine bir sıkıştırmalı örnekleme yöntemi uygulanmıştır. Önerilen yöntemin Bluetooth sinyallerine de uyarlanabilir olduğu belirtilmektedir. İHA kumandası tarafından iletilen bit

dizilerini doğrudan tespit etmek amaçlanmakta ve sinyal yeniden yapılandırma aşaması atlanmaktadır. Veri bit dizileri, azaltılmış spektral bilginin (RSI) çıkarılması ve yumuşak algılama algoritması ile elde edilmektedir. RSI, ortogonal eşleştirme takibi (OMP) algoritmasıyla yeniden yapılandırılmıştır.

[8]’de AWGN ve OFDM modülasyonlu girişim sinyallerinin olduğu ortamlarda 2.4 GHz ISM bandı FA sinyallerinin sınıflandırılması için yapay sinir ağı (ANN) tabanlı bir yöntem önerilmektedir. İlk olarak STFT ile elde edilen spektrogramdan merkez frekansı ve atlama periyodu gibi parametre kestirimleri yapılmıştır. Daha sonra çıktı verileri eğitim aşamasına gönderilir. Eğitim sonrasında, ANN tabanlı önerilen yöntem, doğrusal diskriminant (LD) yönteminden daha iyi performans gösterdiği sonucuna ulaşılmıştır.

[9]’daki çalışmada STFT'den elde edilen spektrogramın segmentasyonu için DeepLabv3+ ağı kullanılmıştır. Merkez frekansları sürerlilik (persistence) spektrumundan elde edilir. Frekans atlama dizisi finalde tespit edilir. Bundan sonra sonuçlar, sabit yanlış alarm oranı (CFAR) tespiti ile karşılaştırılır.

[10]’daki çalışmada atlama parametrelerini elde etmek için CenterNet tabanlı bir derin ağ uygulanmıştır. İlk olarak STFT, spektrogram elde etmek için kullanılmıştır. Daha sonra önerilen yöntemin yeteneklerini test etmek için karmaşık elektromanyetik girişim (EMI) ortamı simüle edilmiştir. Son olarak piksel koordinatlarının haritalanmasıyla atlama parametreleri elde edilmiştir. CenterNet tabanlı yöntem, tüm gürültü sinyal oranlarında kestirim performansı açısından YOLOv7 ve YOLOX metotlarından daha iyi performans göstermiştir.

[11]'deki makalede spektrum matrisinin spektral yakınsama özelliklerinin analiz edilmesiyle sembol periyodu kestirimi yapılmaktadır. Sembol-frekans dağılımı ve atlama periyodu başına sembol sayısı elde edilir. Atlama periyodu ve merkez frekans parametreleri, öngörülen spektruma göre kestirilir. Bu yöntem PSK modülasyonlu FHSS sinyalleriyle test edilmiştir. Sonuçlar bu yöntemin düşük sinyal güç oranı koşullarında TFA yönteminden daha iyi performans gösterdiğini göstermektedir.

[12]'de analog bilgi dönüştürücüsüne (AIC) dayalı temel bant parametre kestirimi (BPE) yöntemi adı verilen bir FA parametre kestirimi algoritması gerçekleştirilmiştir. Yöntem, parametre kestirimi için Nyquist frekansının yeniden yapılandırılmasını gerektirmemektedir. Test sonuçları önerilen yöntemin 140.000 atlama/sn'ye kadar kestirim yapabileceğini göstermektedir.

[13]’deki makalede çift pencere spektrogram farkı (DWSD) yöntemi iki farklı pencere uzunluğu kullanılarak gerçekleştirilmiştir. Böylece merkez frekansı ve atlama periyodu parametreleri daha doğru kestirilebilmektedir.

[14]'de FA sinyalinin spektral korelasyon fonksiyonundan (SCF) döngüsel özellikler çıkarılmakta ve özellik sınıflandırması, eğitilmiş bir destek vektör makinesi (SVM) sınıflandırıcısı ile gerçekleştirilmektedir. İkili ve bir-sınıflı SVM sınıflandırıcıları eğitilmiştir. İkili olan önceden mevcut etiketli FA sinyallerine sahipken bir-sınıf olan ise sahip değildir.

100/129

Frekans Atlamalı Sinyallerin Tespiti ve Parametre Kestirimine Genel Bir Bakış: Son Gelişmeler ve Zorluklar An Overview on Detection and Parameter Estimation of Frequency Hopping Signals: Recent Advances and Challenges

[15]'de çalışmada herhangi bir ön bilgi olmaksızın kuadratik zaman-frekans dağılım yöntemleri Genişletilmiş değiştirilmiş B-dağılımı (EMBD) ve uyarlanabilir düzleştirilmiş Wigner-Ville (SWWVD) yöntemleri uygulanmıştır.

[16]’daki makalede hibrit CNN/RNN (HCRNN) yöntemi uygulanmıştır. Hibrit CNN/RNN tabanlı yöntem, çeşitli pencere boyutlarındaki spektrogramlardan çıkarılan özellik haritalarını kullanarak yetersiz zaman-frekans çözünürlüğü sorununu azalmaktadır. Simülasyonlarda, hibrit CNN/RNN tabanlı yöntem, CNN tabanlı ve geleneksel tespit yöntemlerinden daha iyi performans göstermiştir.

[17]’de FA sinyalleri tespit etmek için kalıntı (residual) ağ ve optimize edilmiş genelleştirilmiş S dönüşümü yöntemi önerilmektedir. ResNet, performansı artırmak için derinliğe dayanan CNN modellerinin kaybolan gradyan ve patlayan gradyan sorunlarını çözmek üzere tasarlanmıştır. HCRNN yöntemiyle karşılaştırılmıştır. Önerilen algoritmanın ve HCRNN'nin farklı sinyal güç oranları altındaki sonuçları incelenmiş ve önerilen yöntemin HCRNN'den daha iyi performans gösterdiğini sonucuna varılmıştır.

Tablo 1'de tek FA sinyali tespiti ve parametre kestirimi için olan çalışmalar özetlenmiştir.

Tablo 1: Tek FA Sinyali Tespit ve Parametre Kestirimi Çalışmaları Özet Tablosu

Kaynak [3]

FA Parametreleri

Atlama merkez frekansı Atlamada kalma süresi

Koruma süresi Atlama periyodu

Bit dizisi

Merkez frekansı Atlama bant genişliği

[10]

[11]

Sembol periyodu

[12]

[13]

[14]

[15]

[16]

[17]

Kullanılan Metotlar

STFT Eşik hesaplaması Görüntü İşleme

ACF STFT FPGA ile Dijital Tasarım Gaussian filtreleme NPAQM

CS OMP ile RSI çıkarımı

STFT ANN

STFT DeepLabv3+ ağı Spektrogram segmentasyonu

Test Bandı

FA Sinyal Yapısı

Farklı koruma süresi

İHA kumandası GFSK modülasyon Aynı atlamada kalma süresi Aynı atlama periyodu BPSK modülasyon Aynı atlamada kalma süresi Aynı atlama periyodu

MSK modülasyon Aynı atlamada kalma süresi

STFT CenterNet

Spektral yakınsama karakteristiği analizi Sembol-frekans dağılımı

AIC BPE

Çift pencere spektrogram farkı

SVM SCF

EMBD ve SWWVD

PSK modülasyon Aynı atlamada kalma süresi

Aynı atlama periyodu QPSK modülasyon

QPSK ve QAM modülasyon Aynı atlamada kalma süresi

Yavaş atlama hızı QPSK modülasyon

Hibrit CNN/RNN

ResNet Optimize genelleştirilmiş S-dönüşümü

101/129

3.2. Çoklu FA Sinyal Tespit ve Parametre Kestirimi Çalışmaları

[6]'daki çalışmada geliştirilmiş bir K-ortalama kümeleme yöntemini kullanarak 2.4 GHz ISM bandındaki birden fazla frekans atlamalı İHA sinyallerini tespit eden bir yöntem önerilmektedir. Ayrıca adaptif eşikleme ve kronolojik sınıflandırma yöntemleri kullanılmıştır. Test sonuçları önerilen yöntemin aynı anda çalışan farklı İHA kumanda sinyallerinin parametrelerini kestirmek için kullanılabileceğini göstermektedir.

[7]'de, birden fazla FA sinyalini tespit etmek için Goodness-of-Fit (GoF) ve Derin Kalıntı Sinir Ağı (DRNN) ile iki aşamalı bir tespit ve sınıflandırma önerilmiştir. Ayrıca YOLO-lite yöntemiyle birleştirilmiş bir tespit ve sınıflandırma yöntemi de kullanılmıştır. 2.4 GHz ISM bandında 9 İHA ve 2 Wi-Fi sinyali ile gerçekleştirilen testlerde frekans domainde örtüşme olsa dahi başarılı tespit yapılabildiği doğrulanmıştır.

[18]'deki makalede birden fazla FA sinyalinin kör tespiti için FA Sinyal Parametre Çıkarıcısı (FHExt) olarak adlandırılan derin öğrenmeye dayalı bir parametre kestirim yöntemi önerilmektedir. STFT kullanılmıştır. 1.9-2.1 GHz bandında gerçekleştirilen deney sonuçlarına göre FHExt'in tamamen kör senaryolarda çalışabildiğinin doğrulanmasının yanı sıra yarı kör senaryolara da uyarlanabildiği gösterilmiştir.

[19]'da sinyallerin frekans atlama tanımlama kelimelerini (HDW) sınıflandırmak için sinir ağı (NN) tabanlı bir sinyal sınıflandırma algoritması önerilmektedir. STFT ve geri-yayılım tabanlı eşlenik gradyan algoritması kullanılmıştır. Simülasyon sonuçlarına göre önerilen algoritmanın hızlı olduğu ve düşük sinyal güç oranı koşullarında iyi sınıflandırma doğruluğu sağladığı gösterilmiştir.

[20]'deki çalışmada STFT ve düzleştirilmiş sözde WignerVille dağılımı (SPWVD) birleştiren bir yöntem kullanılarak birden fazla FA sinyalinin kör parametre kestirimi gerçekleştirilmiştir. Farklı ağ modları için atlama periyodu, zamanlama ve merkez frekans parametrelerinin kestirilebileceği gösterilmiştir.

[21]'deki makalede çoklu FA sinyalleri için birkaç-adımlı (İng. few-shot) öğrenmeye dayalı bir kör parametre kestirim yöntemi önerilmektedir. Derin öğrenme temelli zaman frekans sırt (İng. ridge) tespiti ve öznitelik üretimi gerçekleştirilmiştir. Test sonuçları önerilen yöntemin çeşitli gürültü sinyal oranı koşulları altında sadece birkaç ek açıklama ile bile doğru parametre kestirimi yapabildiğini göstermektedir.

[22]'de, bilinmeyen birden fazla sayıdaki FA sinyallerinin sıkıştırmalı spektrum algılama ve maksimum olabilirlik (CSML) bazlı frekans ve atlama süresi parametre kestirimi önerilmektedir. Önerilen algoritmanın birden fazla FA sinyal frekansını hızlı ve doğru bir kestirimini gerçekleştirebildiği gösterilmiştir. Ayrıca koruma (frekans değiştirme) süresine sahip birden fazla FA sinyal için de kullanılabileceği doğrulanmıştır.

[23]'teki çalışmada düşük sinyal-gürültü oranı koşulları altında birden fazla FA sinyalini tespit etmek için tek atış dedektörü (SSD) derin sinir ağına (DNN) dayalı bir yöntem

önerilmektedir. Yüksek güçlü gürültü koşulları için zamanfrekans grafiği düzeltme yöntemi olan K-ortalama kümelemesi kullanılmıştır.

[24]'te, uzay-zaman frekans dağılımına (STFD) ve müşterek köşegenleştirme matrisine (JDM) dayalı bir kör parametre kestirim algoritması önerilmektedir. Yön parametresi (DOA) kestirimi için root-MUSIC algoritması kullanılmıştır. Önerilen algoritmanın, birden fazla FA sinyalinin parametrelerini seyrek doğrusal regresyon (SLR) yöntemine göre daha doğru bir şekilde kestirebildiği belirtilmektedir.

[25]'deki makalede zaman frekans parametrelerini hesaplama maliyetini azaltmak amacıyla bir hayalet modül kullanan YOLOv5 modelini temel alan geliştirilmiş bir nesne dedektörü önerilmiştir. Tekdüze dairesel dizideki birden fazla FA sinyalinin 2 boyutlu DOA parametresi STFD yöntemiyle kestirilmektedir. STFT ve hüzmeuzay (İng. beamspace) dönüşümü yöntemleri kullanılmıştır.

Yukarıda incelenen ilgili çalışmaların özeti Tablo 2'de gösterilmektedir.

4. Gelecek Araştırma Yönlendirmeleri ve Araştırma Zorlukları

Tablo 1 ve Tablo 2’den anlaşılacağı üzere çalışmaların sadece birkaçı, önerdikleri yöntemin etkinliğini doğrulamak için 2 GHz civarında bir test bandını özellikle de 2.4 GHz ISM bandını kullanmıştır. Test sinyalleri frekans atlamalı İHA kumandası, Wi-Fi ve çeşitli modülasyonlara sahip sinyalleri içermektedir. Farklı tipteki FA sinyallerin de gerçek dünya testlerinde kullanılabileceği değerlendirilmektedir. Bu nedenlerle önerilen yöntemlerin gerçek dünya testleri konusunda eksik olduğu görülmektedir. Test edilmemiş yöntemlerin gerçek dünyada test edilmesi, test edilenlerin ise farklı frekans bantlarında farklı hedef sinyalleri ile test edilmeleri önerilmektedir.

Çok geniş bantlarda atlama yapabilen özellikle askeri FA iletişim sistemleri olabilmektedir. Bu da gerçek zamanlı (anlık) bant genişliği parametresinin önemini ortaya koymaktadır. Literatürde en fazla 200 MHz bant genişliği ile gerçek dünya testleri gerçekleştirilmiştir. Daha geniş bant genişlikleri sistem maliyetlerini ve ayrıca hesaplama maliyetini oldukça arttırmaktadır. Ayrıca sistem boyutlarının büyümesine sebep olduğundan taşınabilirliği olumsuz etkilemektedir. Ayrıca gürültünün gücü bant genişliği ile doğru orantılı olarak artmakta ve dar bant almaçların gürültü figürü düşük olmaktadır. Etkin güvenliğin sağlanabilmesi için hedef sistemlerin kullanabileceği tüm bantları kapsayacak şekilde algılama yapılması gerektiğinden yüksek frekans bantlarını da kapsayacak çok kanallı almaç sistemleri tasarımının gelecek sistemlerde çok daha önemli olacağı değerlendirilmektedir.

FA sinyallerinin doğru bir şekilde tespit edilmesi ve parametrelerinin kestirilmesi kadar bu işlemin hızlı bir şekilde yapılması da güvenlik açısından kritiktir. Bu nedenle önerilen yöntemlerin FPGA gibi gerçek zamanlı platformlara taşınabilir olmasının büyük önem taşıdığı değerlendirilmektedir.

102/129

Frekans Atlamalı Sinyallerin Tespiti ve Parametre Kestirimine Genel Bir Bakış: Son Gelişmeler ve Zorluklar An Overview on Detection and Parameter Estimation of Frequency Hopping Signals: Recent Advances and Challenges

Tablo 2: Çoklu FA Sinyali Tespit ve Parametre Kestirimi Çalışmaları Özet Tablosu

Kaynak

Kullanılan FA Parametreleri

Bant genişliği

Dalga Şekli Tepe Enerji

Modülasyon

[18]

[19]

Güç

Merkez frekansı

[20]

Koruma süresi

Atlama merkez frekansı [21] Atlamada kalma süresi

Atlama hızı

[22]

Atlama merkez frekansı Atlama zamanı

[23]

[24]

DOA

[25]

2-D-DOA

Kullanılan Metotlar Test Bandı

FA Sinyallerinin Yapısı

FA Sinyal Sayısı

Adaptif eşikleme Gelişmiş K-ortalama kümeleme Kronolojik sınıflandırma

İHA kumandası Tek FA sinyalinde aynı atlama periyodu ve atlamada kalma süresi

1-2

GoF ve DRNN YOLO-lite

9 İHA kumandası 2 Wi-Fi

Frekansta örtüşme

STFT K-ortalama kümeleme

FHExt ResNet-50

STFT NN BP-Eşlenik gradyan algoritması

STFT SPWVD

SPWVD DL temelli TF sırt tespiti

Few-shot öğrenme

Segmentasyon CSML

Ortalama ve sıfır-düzenleme

DNN SSD K-ortalama kümeleme

1.9 – 2.1 GHz -

23 modülasyon Tek FA sinyalinde aynı atlama periyodu ve atlamada kalma süresi

Frekansta kısmi örtüşme Tek FA sinyalinde aynı atlama periyodu ve atlamada kalma süresi

Farklı atlama zamanı Frekansta örtüşmeme Tek FA sinyalinde aynı atlamada kalma süresi ve farklı koruma süresi Frekansta örtüşmeme

AM, FM, BPSK, QPSK ve 16QAM modülasyon

Bir FA sinyalinde aynı atlama periyodu ve atlamada kalma süresi

Frekansta örtüşmeme Tek FA sinyalinde aynı atlama periyodu ve atlamada kalma süresi

BPSK, QPSK, QAM modülasyon Tek FA sinyalinde aynı atlama periyodu ve atlamada kalma süresi Frekansta örtüşmeme

2,3,4 4 2 1-6 2 1-2

STFD JDM Root-MUSIC

STFT

STFD YOLOv5 Hüzmeuzay dönüşümü

Bu makalede frekans atlamalı sinyallerin tespiti ve parametre kestirimi alanındaki son çalışmalar tek ve çoklu hedefler için iki ayrı kategoride incelenmiştir. Karşılaştırma için özet tabloları oluşturulmuştur. Ayrıca gelecek araştırma alanları ve bu alanlardaki zorlukları incelenen çalışmalar üzerinden tartışılmıştır. Dolayısıyla gelecekteki çalışmalara yol gösterme açısından önemli bir çalışma ortaya çıkmıştır.

[1] D. Torrieri, Principles of Spread-Spectrum communication systems. Springer, 2018.

[2] V. V. D. Knaap, M. Mouri, ve P. Zwamborn, “MSG-SET183 – Detection and Characterization of a UAS RF FHSS Communication Link.,” NATO S&T Organization, 2021.

[3] B. Kaplan, I. Kahraman, A. Gorcin, H. A. Cirpan, ve A. R. Ekti, “Measurement based FHSS–type drone controller detection at 2.4GHz: An STFT approach,” 2020 IEEE 91st Vehicular Technology Conference (VTC2020-Spring), 2020.

[4] P. Flak, “Drone detection sensor with continuous 2.4 ghz ISM band coverage based on cost-effective SDR platform,” IEEE Access, vol. 9, pp. 114574–114586, 2021.

[5] D. Mototolea, R. Youssef, E. Radoi, ve I. Nicolaescu, “Non-cooperative low-complexity detection approach for FHSS-GFSK drone control signals,” IEEE Open Journal of the Communications Society, vol. 1, pp. 401–412, 2020.

103/129

[6] J. Ye, “A new frequency hopping signal detection of civil UAV based on improved K-means clustering algorithm,” IEEE Access, vol. 9, pp. 53190–53204, 2021.

[7] S. Basak, S. Rajendran, S. Pollin, ve B. Scheers, “Combined RF-based drone detection and classification,” IEEE Transactions on Cognitive Communications and Networking, vol. 8, no. 1, pp. 111–120, 2022.

[8] M. T. Khan, A. Z. Sha’ameri, ve M. M. Zabidi, “Classification of FHSS signals in a multi-signal environment by Artificial Neural Network,” International Journal of Computing and Digital Systems, vol. 11, no. 1, pp. 775–789, 2022.

[9] Z. Deng, ve J. Lei, “Spectrogram-based frequency hopping signal detection in a complex electromagnetic environment,” 2022 7th International Conference on Signal and Image Processing (ICSIP), 2022.

[10] Z. Chen, “Unlocking signal processing with image detection: A frequency hopping detection scheme for complex EMI environments using STFT and CenterNet,” IEEE Access, vol. 11, pp. 46004–46014, 2023.

[11] H. Zhu, H. Lv, Z. Dai, M. Tan, ve W. Song, “A novel parameter estimation method of fhss signal with low snr,” IEEJ Transactions on Electrical and Electronic Engineering, vol. 18, no. 6, pp. 891–900, 2023.

[12] L. Zhi, Z. Jianhua, C. Hao, G. Xu, ve L. Jian, “Parameter estimation of frequency hopping signals based on analogue information converter,” IET Communications, vol. 13, no. 13, pp. 1886–1892, 2019.

[13] Y. He, Y. Su, Y. Chen, Y. Yu, ve X. Yang, “Double window spectrogram difference method: A blind estimation of frequency-hopping signal for battlefield communication environment,” 2018 24th Asia-Pacific Conference on Communications (APCC), 2018.

[14] Md. Z. Hasan, D. J. Couto, M. A. Abdel-Malek, ve J. H. Reed, “Frequency hopping signal detection in low signalto-noise ratio regimes,” 2023 IEEE 34th Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC), 2023.

[15] A. Kanaa ve A. Z. Sha’ameri, “A robust parameter estimation of FHSS signals using time–frequency analysis in a non-cooperative environment,” Physical Communication, vol. 26, pp. 9–20, 2018.

[16] K.-G. Lee ve S.-J. Oh, Detection of Frequency-Hopping signals with deep learning. IEEE Communications Letters, 24(5), 1042–1046, 2020.

[17] C. Li, Y. Chen, ve Z. Zhao, “Frequency hopping signal detection based on optimized generalized S transform and ResNet,” Mathematical Biosciences and Engineering, vol. 20, no. 7, pp. 12843–12863, 2023.

[18] Y. Wang, H. Liao, S. Yuan, ve N. Liu, “A Learning-Based signal parameter extraction approach for Multi-Source Frequency-Hopping signal sorting,” IEEE Signal Processing Letters, vol. 30, pp. 1162–1166, 2023.

[19] Z. Wang, B. Zhang, Z. Zhu, Z. Wang, ve K. Gong, “Signal sorting algorithm of hybrid frequency hopping network station based on neural network,” IEEE Access, vol. 9, pp. 35924–35931, 2021.

[20] D. Zhang, Y. Shang, X. Liang, ve J. Lin, “Efficient blind estimation of parameters for multiple frequency hopping signals via single channel,” 2022 IEEE 5th International Conference on Automation, Electronics and Electrical Engineering (AUTEEE), 2022

[21] K. Lu, Z. Qian, M. Wang, ve D. Wang, “Few-shot learning based blind parameter estimation for multiple frequencyhopping signals,” Multidimensional Systems and Signal Processing, vol. 34, no. 1, pp. 271–289, 2023.

[22] Y. Li, F. Wang, G. Fan, Y. Liu, ve Y. Zhang, “A fast estimation algorithm for parameters of multiple Frequency-Hopping signals based on compressed spectrum sensing and maximum likelihood,” Electronics, vol. 12, no. 8, p. 1808, 2023.

[23] Y. Wang, “Detection and parameter estimation of frequency hopping signal based on the deep neural network,” International Journal of Electronics, vol. 109, no. 3, pp. 520–536, 2021.

[24] J. Wan, D. Zhang, W. Xu, ve Q. Guo, “Parameter estimation of multi frequency hopping signals based on space-time-frequency distribution,” Symmetry, vol. 11, no. 5, p. 648, May 2019.

[25] M. Lin, Y. Tian, X. Zhang, ve Y. Huang, “Parameter estimation of Frequency-Hopping signal in UCA based on deep learning and spatial Time–Frequency distribution,” IEEE Sensors Journal, vol. 23, no. 7, pp. 7460–7474, 2023.

104/129

Özgeçmişler Mutlu Aydın, Elektrik-Elektronik Mühendisliği lisans derecesini 2020 yılında Türk Hava Kurumu Üniversitesi’nde tamamladı. 2020 yılından itibaren TÜBİTAK BİLGEM İLTAREN’de Radyo Frekans (RF) elektronik harp sistem ve algoritma geliştirme alanında çalışmaktadır. Muhabere ve radar elektronik harp sistemleri ve algoritmaların tasarımı, laboratuvar ve açık saha ölçüm, analiz, test ve doğrulamasının gerçekleştirilmesi konularında tecrübe sahibidir. Özellikle yazılım tanımlı radyolar (Software Defined Radio) ve açık kaynak GNU Radio kütüphanesi üzerine odaklanmaktadır. Şu anda, Gazi Üniversitesi Elektrik-Elektronik Mühendisliği bölümünde frekans atlamalı sinyallerin tespiti konusunda yüksek lisans çalışmalarına devam etmektedir.

Ali Kara, 2002 yılında Hacettepe Üniversitesi’nden Elektrik-Elektronik Mühendisliği alanında Doktor unvanını aldı. 1999-2000 yılları arasında Symbol Technologies/Motorola ile ortak sanayi projesinde New York Üniversitesi, Brooklyn kampüsünde araştırma görevlisi olarak çalıştı. 2000 yılında Atılım Üniversitesi Elektrik-Elektronik Mühendisliği bölümüne katıldı ve çeşitli görevlerde bulundu. 2021 yılına kadar Atılım Üniversitesi Fen Bilimleri Enstitüsü müdürü olarak görev yaptı. Aynı zamanda 2006-2012 yılları arasında TÜBİTAK BİLGEM’de danışman ve baş araştırmacı olarak çalışarak ulusal savunma ve güvenlik projelerine katkıda bulundu. Devlet ve sanayi tarafından finanse edilen birçok projede aktif olarak yer aldı. Genel olarak elektromanyetik dalgalar, kablosuz haberleşme, radar ve elektronik harp sistemleri ile mühendislik eğitimi alanlarında birçok araştırma projesine liderlik etti. Bir eğitim projesinde, Avrupa üniversitelerinden araştırmacıların yer aldığı Sanal ve Uzak Laboratuvar (VRL) platformu (ERRL- Avrupa Uzak Radyo Laboratuvarı) geliştirilmesine öncülük etti. Bu platform Avrupa Komisyonu tarafından finanse edildi. Dr. Kara’nın beş adet patent tescili bulunmaktadır. Son yıllarda yapay zekanın (ML/DL) uzmanlık alanlarındaki sorunları çözmek için kullanımına odaklanmaktadır.

105/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 106/129

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 02.07.2023

Makale Kabul Tarihi: 19.08.2023

Cam İşletmesinde Enerji Verimlilik Potansiyeli ve İyileştirme Çalışmaları Energy Efficiency Potential Analysis and Improvement Studies in Glass Industry

İrem DÜZDAR *, Elif AKIN* ve Tuğçe ÖZDEMİR** *Duzce University, Industrial Engineering, Duzce, Turkey [email protected] , OCRID: 0000-0001-7463-5410 [email protected] , ORCID: 0000-0002-7642-8121 **Düzce Cam San. ve Ltd., R&D Departmant, Duzce, Turkey [email protected] , ORCID: 0000-0001-9716-4770

Enerjinin kullanımı nüfus artışı, sanayileşme, gelir artışı ile tüm dünya ülkelerinde artarken, bu kullanım artışı ile birincil enerji kaynaklarımız tükenmekte, enerji maliyetleri artmakta ve doğanın kirlenmesi gibi büyük problemlere yol açmaktadır. Bu problemlerin önüne geçmek amacıyla gelişmiş ve gelişmekte olan ülkeler enerji verimliliği konusuna çok fazla önem vermektedir. Tüm dünyada enerjinin yoğun olarak kullanıldığı sektörlerin başında sanayi gelmektedir. Bu çalışmada ise float cam üretimi yapan bir işletmede enerji verimliliği ve maliyetleri üzerinde durulmuştur. İşletmenin 2022 yılındaki Kasım ayına kadar olan üretim ve enerji tüketim verileri regresyon analizi yöntemi ile standart denklem ve hedef denklem oluşturularak enerji tasarruf potansiyeli incelenmiştir. İşletmenin tasarruf potansiyeli 7594,7 TEP/yıl olarak bulunmuştur. 2022 yılı için tasarrufun mali değeri 17,334 €/yıl olarak hesaplanmıştır. İşletmedeki yapılacak iyileştirme çalışmalarının mali katkısı incelendiğinde ise banyo alt kasa değişimi ile 403.737 €, aydınlatma değişimi ile ise 8.851 € tasarrufu sağlanacağı belirlenmiştir.

Anahtar sözcükler: Enerji Verimliliği, Verimlilik, Maliyet Analizi, Regresyon, Enerji Tasarruf Potansiyeli

While the use of energy is increasing in all countries of the world with population growth, industrialization and income increase, this increase in use leads to major problems such as depletion of our primary energy resources, increase in energy costs and pollution of nature. In order to prevent these problems, developed and developing countries attach great importance to energy efficiency. Industry is one of the leading sectors where energy is used intensively all over the world. This study focuses on energy efficiency and costs in a float glass manufacturing company. The production and energy consumption data of the enterprise until November 2022 are analyzed by regression analysis method by creating standard equation and target equation and energy saving potential is analyzed. The saving potential of the enterprise was found to be 7594.7 TOE/year. For the year 2022, the financial value of the savings was calculated as 17,334 €//year. When the financial contribution of the improvement works to be carried out in the enterprise is analyzed, it is determined that 403.737 €, will be

saved with the replacement of the bathroom bottom case and 8.851 € will be saved with the lighting replacement.

Key words: Energy Efficiency, Efficiency, Cost Analysis, Regression, Energy Saving Potential

Ülkelerin toplumsal olarak gelişmesini sağlayan unsurlarının başında enerjinin kullanımı gelmektedir. Enerji hem günlük yaşantımız için hem de enerji ve sanayi ürünlerinin üretilmesi için en önemli yaşamsal girdilerden birisidir. Hayatın devamlılığı için enerjiyi kesinti yaşamadan, güvenli, zamanında, temiz ve düşük fiyatlı yollardan temin etmek tüm dünya ülkeleri için en önemli konulardan birisidir [1].

Ancak gelecek yıllarda dünyada kullanılan başlıca enerji kaynakları olan doğal gaz, kömür ve petrol rezervlerinin zamanla azalacağı ve bununla birlikte fiyatlarının yükseleceği öngörülebilen bir gerçektir. Bu nedenle gelişmiş ve gelişmekte olan ülkelerin önceliği yeni ve yenilenebilir enerji kaynaklarının kullanımı, enerji maliyetlerini düşük tutmak, enerjiyi verimli kullanabilmek için enerji tasarruf çalışmalarına önem vermektir [2].

Enerji verimliliği; enerjinin üretilmesi, iletilmesi ve dağıtılması için yapılan tüm çalışmaları kapsamaktadır. Yapılan işin kalitesinde herhangi bir azalma olmadan, daha az enerji tüketilerek işin yapılması anlamına gelmektedir. Enerji verimliliği çalışmaları, ekonomik olarak büyüme ve sosyal kalkınma hedeflerinin sürdürülebilir olması ile birbiriyle ilişkilidir, ayrıca doğaya verilen zararları da minimum düzeye indirgemeye çalıştığı için, önemle dikkat edilmesi gereken konuların başındadır [3].

Enerji verimliliği ile:  Fosil kaynakların hızla tükenmesi,  Alternatif ve yeni enerji kaynaklarının maliyetinin yüksek olması,  Artan enerji talebi dolayısı ile enerji fiyatlarının artışı,  Kullanılan yerli enerji kaynaklarının ithal bağımlılığın önüne geçememesi,  İklim değişikliklerine yol açması,

107/129

 Enerji üretildiğinde ortaya çıkan gazların hem insan sağlığı hem de çevreye zarar vermesi

Gibi tüm dünyaya zarar veren sorunların önüne geçmek mümkündür [4].

Dünyada tüketilen enerjinin büyük bir kısmı ise sanayi sektöründe tüketilmektedir. Bundan kaynaklı enerji verimlilik çalışmalarında en çok yoğunlaşılması gereken alan sanayi sektörüdür. Gelişmiş ülkelerde de enerji tasarrufu çalışmaları özellikle sanayi sektöründe yoğunlaşmaya başlamıştır. Çalışmaların bu alanda artmasının birtakım sebepleri vardır. Bunlar:

 Enerjide tasarruf edilebilme potansiyeli, örneğin

konut sektöründen daha az olsa da bu tasarruf

çalışmaları

daha

az

maliyetle

gerçekleştirilebilmektedir ve enerji yatırım ortalama

üç senede geri ödeme süresini doldurmaktadır.

 Sanayideki enerji verimlilik çalışmaları, genellikle sanayi sektöründe modernleşme ve sektörde rekabet koşullarının gelişmesinde etkin bir rol oynamaktadır.

 Enerji muhasebesi ve tüketim maliyetlerinin hesaplanabilirliği, diğer sektörlere oranla sanayide daha profesyonelce bilinen bir konudur [5].

Bu çalışmada, float cam üretim sektöründe faaliyet gösteren Düzce Cam'da enerji kaynağı olarak kullanılan GES ve ORC sistemleri incelenmiştir. Atık ısı kazanımlı ORC sistemi ve işletme çatısının uygun olan kısımlarına kurulan güneş enerji sistemi ile tüm işletmede kullanılan enerjinin bir kısmı bu sistemlerden karşılanmaktadır. Sanayi işletmesinde 2022 Kasım ayına kadar olan enerji tüketimi, işletmede kullanılan enerji kaynakları incelenmiştir. İşletmenin üretim miktarı ve enerji tüketim miktarı verileri incelenerek regresyon analizi ile enerji tasarruf potansiyeli tespit edilmiştir. İşletmede enerji ile ilgili yapılan çalışmalar incelenerek sağladıkları mali katkı bulunmuştur. Projedeki amaç işletmedeki enerji verimliliğine katkı sağlayabilmektir.

2. Literatür Araştırması

Çalışmanın bu bölümünde literatür incelenerek enerji verimliliği konusunda yapılan çalışmalara değinilecektir. Kıyılmaz ve arkadaşları (2021), bu çalışmada gıda sektöründe faaliyetini sürdüren dondurma tesisinde enerji etüdü çalışması yapılarak enerji yönetiminde yapılabilecek iyileştirme olanakları ve verimlilik arttırıcı projelerden bahsedilmiştir. Etüt çalışmasıyla tesisin enerji tüketim kaynakları ve maliyetleri verilerine ulaşılmış, yıllık enerji tüketimi ve SET değerleri karşılaştırılmıştır. Yapılan etüt çalışmasıyla kısa zamanda geri dönüş alınabilecek üç nokta bulunmuş ve öncelikle bu alanlarda çalışma yapılması önerilmiştir. Bu üç verimlilik arttırıcı projeyle yılda 1 GW’a yakın enerji tasarrufu sağlandığını söylemektedirler. Bu tasarrufla beraber 1200733 kg CO2 salınımı önüne geçilecektir [6].

Turgut (2008), bu çalışmada Denizli ilinde faaliyet gösteren altı tekstil fabrikasında gerçekleşmiştir. Her bir fabrikanın tesis bilgilerine, kullanılan makinalara, iş akış semalarına, buhar kazanı özellikleri, analiz sonuçlarına ve baca gazı ölçüm sonuçlarına ulaşılmıştır. Ardından regresyon analiziyle bu fabrikaları gruplayarak üretim ve enerji tüketim ilişkisi incelenmiştir. Bu altı fabrikanın baca gazı analizleri sonucunda

yapılacak verimlilik oranı bulunmuş ve yıllık TL bazında enerji tasarruf imkânı bulunmuştur [7].

Söğüt ve arkadaşları (2019), bu çalışmada tekstilde kullanılan boyalar konusunda üretim gerçekleştiren bir işletmenin enerji verimlilik potansiyeli değerlendirilmiştir. İşletmede enerji taraması yapılarak toplam enerji tüketim dağılımları incelenmiştir. Verimlilik değerlendirilmesi için ise iki yöntem kullanılmıştır. Üretim üzerinden regresyon analizine bağlı tasarruf %28,03 çıkmıştır, histograma ile hedef enerji tüketimi ise %13,51 olarak bulunmuştur [8].

Akkurt ve Taşdemir (2021), bu çalışmada muhtelif altyapı ürünleri üreten bir işletmede enerji etüt çalışması yapılmıştır. İşletmenin son üç yılın enerji tüketim miktarı ve maliyet verileri alınmıştır. Bu veriler ton eşdeğer petrol (TEP) değerine dönüştürülmüştür. İşletmenin enerji tasarruf potansiyelinin belirlenmesi için standart denklem ve hedef denklem bulunmuştur [9].

Yüksel (2020), çalışmasını petro- kimya fabrikasında enerji verimliliği etüdü yapmıştır. İşletmenin 2015-2017 yıllarına ait enerji tüketimi ve maliyeti veriler toplanmış. Üretim ile enerji arasındaki ilişkiyi incelenmiş ve enerji tasarrufu yapılabilecek noktaları belirlemiştir. Enerji verimliliği arttırıcı projeler geliştirilmiş ve geri ödeme sürelerini hesaplamıştır [10].

Işık ve Akan (2018), çalışma kürk-süet üretimi gerçekleştiren bir işletmede enerji tasarruf projelerine yardımcı olmak amacıyla gerçekleştirilmiştir. İşletmenin 2016 yılı enerji taraması yapılmıştır. Kullanılan enerji kaynaklarının enerji tüketim ve maliyet değerleri, üretim adedi verileri toplanmıştır. İşletmenin enerji verimliliği ve performansını inceleyebilmek için Spesifik Enerji Tüketimi (SET) yöntemi kullanılmıştır. Standart ve hedef eğrileri bulunarak enerji tüketim değerleri hesaplanmıştır. Hesaplanan bu verilere göre tasarrufun 2017 yılı için yaklaşık 180000 TL olacağını söylemişlerdir [11].

Söğüt ve Oktay (2006), bu çalışma çimento üretim sektöründe olan bir işletmede enerji taraması yapmış ve yapılan enerji taraması ile mevcut enerji tasarruf projelerine katkı sağlamayı hedeflemişlerdir. Fabrikanın 2004 yılına ait üretim ve enerji tüketim verileri incelenmiştir. Regresyon analizi ile tüketim eğrisi elde edilmiş ardından tüketim eğrisin altında kalan noktalar ile hedeflenen eğri elde edilmiştir. Hesaplanan değerler ile Kümülatif Toplam Değerler (CUSUM) grafiği çizilmiştir. İşletmenin 2005 yılı hedef enerji tüketimine ulaşması için önerilerde bulunulmuştur [12].

Çakal (2006), çalışma Tekirdağ'da tarım makinesi imalatı yapan 3 firmada enerji yönetimi incelenmiştir. Bu firmalarda enerji yönetimi ile ilgili çalışma yapılmamıştır. 2 işletmenin son 5 yılına, 1 işletmenin ise son 4 yılına ait elektrik tüketim değerleri ve 3 işletmeninde 2005 yılı için üretim değerleri incelenmiştir. Enerji tüketim miktarı- üretilen tarım makinesi adedi arasındaki ilişkiler, enerji tüketim miktarı- üretilen tarım makinesi ağırlığı arasındaki ilişkiler, SET değerleri incelenmiştir. İşletmelerin elektrik tüketimine göre en yüksek enerji tüketimini Firma-3, en düşük enerji tüketimini ise Firma2 yapmaktadır [2].

CO2 emisyonunu önleme hedeflerinden yararlanmak için enerji verimliliği iyileştirmesinin devreye girdiği yerde enerjinin verimli kullanımı yoluyla enerji israfının azaltılması, iklim değişikliğiyle enerji talebi yönlü kanallardan mücadele etmenin etkili bir yolu olabilir [13].

Cam imalatında enerji verimliliğinin artırılmasına çeşitli yönlerden yaklaşılmalıdır. Güçlü, kurumsal çapta bir enerji yönetimi programı ile tesis, operasyonlar, çevre, sağlık ve

108/129

Cam İşletmesinde Enerji Verimlilik Potansiyeli ve İyileştirme Çalışmaları Energy Efficiency Potential Analysis and Improvement Studies in Glass Industry

güvenlik ve yönetim personelini içerecektir. Enerji tasarruflu motorların kullanımı ve basınçlı hava sistemlerinin optimizasyonu gibi teknolojilerdeki enerji verimliliği iyileştirmeleri, enerji tasarrufu için iyi fırsatlar sunmaktadır. Proses atık ısı geri kazanımını en üst düzeye çıkarmak gibi sistem tasarımını ve operasyonlarını optimize etmek de enerji kullanımında önemli azalmalara yol açabilir [14].

Üretimde çoğu işlemin yüksek sıcaklık ve basınç koşulları altında gerçekleştiği ürünlerde, süreçler arasındaki ısı transferinin yönetimi ve optimizasyonu, genel enerji verimliliğini artırmanın anahtarıdır [15].

Atık ısı geri kazanımı (WHR), aynı miktarda yakıt ve aynı miktarda sera gazı emisyonu ile mevcut gücü artırmaya izin verdiği için genel enerji verimliliğini iyileştirmek için uygun bir çözüm olabilir. Egzozlardan atık ısı geri kazanımı, süper kritik koşullarda karbondioksitin çalışma sıvısı olduğu Organik Rankine Çevrimleri (ORC) gibi daha ilginç ve daha yenilikçi çözümler için olanaklar sunuyor. ORC sistemleri, öncelikle ısı kaynağı sıcaklığının 100 ◦C ile 400 ◦C arasında olması durumunda, atık ısı geri kazanımı için geçerli bir teknik çözümdür. Reale ve ark. (2023) tarafından yapılan çalışmada bileşen sayısı açısından artan bir karmaşıklığa sahip ancak aynı zamanda artan bir verimlilikle altı farklı WHR düzeni ele alınmış ve incelenmiştir. Bunlardan beşi süper kritik CO2 (sCO2) gaz türbinlerini temel alırken, altıncısı daha karmaşık bir sCO2 GT–ORC kademeli düzenidir. Genel net verimlilik, Basit atık ısı geri kazanımı şeması durumunda yaklaşık %45'e ve hibrit sistemde yaklaşık %49'a kadar yükseldiği sonuçlarda görülmüştür [16].

Üretilen enerjinin büyük bir kısmı sanayi sektöründe tüketilmektedir. Bu nedenle enerji verimlilik çalışmalarda yoğunlaşılması gereken sektördür.

Çalışma, float cam üretimi yapan bir işletmede gerçekleştirilmiştir. 2022 Kasım ayına kadar olan enerji tüketim ve üretim verileri arasındaki ilişki incelenerek tasarruf potansiyeli bulunmuştur. Bu çalışmada toplanan verilere bağlı olarak regresyon analizi ile enerji tasarruf potansiyeli tespit edilmiştir.

Enerji tüketimi standartı, mevcut enerji tüketimli, hedef enerji tüketimi ve enerji performans indeksi ile tanımlanmaktadır. Enerji tüketimi, birçok nedene bağlı olarak haftalık veya aylık değişebilmektedir. Bu faktörler, Spesifik Değişkenler ve Kontrol Edilebilir Değişkenlerdir. Spesifik değişkenler; işletmenin belirli bir bölümünde üretim adedine göre enerji ihtiyacı belirlenir. Enerji ihtiyacının bulunabilmesi için standart denklemler bu değişkenlerde kullanılır. İşletme çalışmaları, sistemin kontrol edilmesi, üretimin planlanması ve bakım standardı gibi değişkenler kontrol edilebilir değişkenlerdir. Enerji tüketimini minimum seviyeye düşürebilmek için değişkenler yönetim tarafından belirlenmektedir.

3.1. Standart Denklem Tipleri

???????????? = ????????????

a sabittir. Denklem 1 de enerjinin kullanımı hep sabittir. Spesifik değişken bulunmamaktadır. Enerji tüketimi ile üretim birbirinde bağımsızdır. Üretim miktarı ne kadar olursa olsun makinalar maksimum kapasiteli çalışmalıdır. Bu durumda standart denklem geçmiş verilerin ortalamasıdır [2].

???????????? = ???????????? + ????????????????????????

Denklem 2’de ise a ve b sabit değerlerdir. P üretimi ifade

eden spesifik değişkendir. Enerji tüketimi ve üretim arasında bir

ilişki vardır. Standart denklem regresyon analizi ile bulunabilir

[2].

???????????? = ???????????? + ????????????????????????1 + ????????????2 + ????????????3 + ⋯

a, b, c, d sabittir. P1, P2 ve P3 spesifik değişkendir.

Denklem 3’te enerjinin tüketimi farklı sayılarda spesifik

değişkenlere bağlıdır ve bunlar üretim, hava, çalışma süreleri

olabilir. Standart denklemi bulmak için, çoklu lineer regresyon

ile gerçekleştirilen istatistik analizi kullanılabildiği gibi,

bilgisayar programı ile de hesaplanabilmektedir [2].

Veriler ile bulunan standart denklemlerden sonra bu doğru altında kalan veriler ile tekrar bir denklem bulunur. Bu hedef denklemdir. Bu hedef denklem standartla denklem ile aynı formda olan bir denklemdir. Standart ve hedef denklem karşılaştırmasıyla iyileştirme incelenmektedir [2].

Performans değerlendirmesi için ise hedef enerji kullanımı ve mevcut tüketilen enerji değerleri karşılaştırılmalıdır. Bunu yapmak için ise Spesifik enerji tüketim (SET) değerleri bulunmalıdır. SET değeri, birim ürünün için tüketilen enerji miktarı demektir [17].

???????????????????????????????????????????????????????????????????????? ????????????ü???????????????????????????????????? (???????????????????????????????????????????????????????????????????????? ????????????) Ü (Ü ????????????)

Spesifik enerji tüketimi (SET) değeri, herhangi bir koşulun fabrikadaki üretime olan etkisini gözlemleme açısından oldukça önemlidir. Denklem 4’ün değeri büyür ise performans düşmüştür ve enerji tüketim oranının gereksiz olarak artmış olduğunu göstermektedir [17].

4. Bulgular ve Tartışma

Araştırma, float cam üretim sektöründe faaliyet gösteren Düzce Cam'da gerçekleştirilmiştir. Düzce Cam 1 ve Düzce Cam 2 isimli iki üretim hattına sahiptir. Düz cam, füme cam, lamine cam ve ayna üretimi yapılmaktadır. İşletmede enerjinin ana kullanımı üretim hattında gerçekleşmektedir. Yüksek sıcaklıklarda üretim yapılan endüstriyel fırınlar, işletmelerde yakıt kullanımında ve atmosfere verdiği zararlar nedenleri ile mümkün olduğunca etkin ve verimli olarak kullanılması gerekmektedir. İşletme incelendiğinde enerji kaynağı olarak ORC ve GES (Güneş Enerjisi Sistemi) kullanıldığı görülmüştür. İşletmede ORC sistemi 2019 yılından bu yana faaliyet göstermekte, GES sistemi ise Eylül ayı itibari ile bu yıl faaliyete geçmiştir. Araştırmada 2022 enerji verileri incelenmiştir.

GES sisteminin faaliyete geçmesiyle iki aylık enerji üretim yüzdeleri Şekil 1 ve Şekil 2’de görülmektedir;

Şekil 1. Eylül ayı enerji verileri

109/129

5509 Fabrika Tüketimi

Diğer Kaynakl ar 3241

59%

ORC Üretim 2018

37%

250 4%

Şekil 2. Ekim ayı enerji verileri

4876 Fabrika Tüketimi

Diğer Kaynakl ar 2915

60%

ORC Üretim 1621

33%

340 7%

4.1 Veri Toplanması

İşletmenin enerji tasarruf potansiyelinin incelenmesi için enerji tüketim-üretim arasındaki ilişki regresyon analizi ile tespit edilecektir. 2022 Kasım ayına kadar olan enerji tüketim ve üretilen camın m2 cinsinden verileri Tablo 1 ve Tablo 2’de görülmektedir. M2 cinsinden alınmasının sebebi cam adet sayımı yapılmamış veriler m2 cinsinden tutulmuştur.

Tablo 1. 2022 yılının ekim ayına kadar olan fabrika net enerji tüketimi(kWh).

Ocak Şubat Mart Nisan Mayıs Haziran Temmuz Ağustos Eylül Ekim

Tüketilen Net Enerji 5164 4871 5412 5293 5270 5038 4946 5445 4876 5509

Tablo 2. M2 cinsinden toplam üretilen cam miktarı.

Ay Ocak Şubat Mart

Nisan Mayıs Haziran

Temmuz Ağustos

Eylül Ekim

Toplam M2 2.896.462,57 2.791.764,48 2.922.225,14 2.353.291,53 2.873.624,73 2.752.797,61 2.193.709,06 2.154.069,24 2.442.667,24 4.228.715,82 27.609.327,42

4.2. Enerji Tüketim-Üretim Arasındaki İlişkinin İncelenmesi

Tablo 1 ve Tablo 2 verileri kullanılarak enerji tüketim miktarı ile üretilen cam arsındaki ilişkinin tespiti için bağımlı ve bağımsız değişkenler belirlendi ve regresyon doğrusu denklemi bulunacaktır.

Öncelikle işletmeden m2 cinsinde alınan veriler ton hesabına çevrilmiştir.

Tablo 3. Enerji tüketim- üretim verileri.

Ay Ocak Şubat Mart Nisan Mayıs Haziran Temmuz Ağustos Eylül Ekim

42577 41038 42956 34593 42242 40466 32247 31664 35907 62162

Y 5164 4871 5412 5293 5270 5038 4946 5445 4876 5509

Tablo 3’te X ile üretim miktarı (ton/Ay) olarak ifade edilirken Y ile Toplam enerji tüketimi (kWh) ifade edilmektedir. Elektrik tüketimi bağımlı değişken (y), üretilen cam ise bağımsız değişkendir(x). Regresyon eğrisi temsil ettiği noktalara mümkün olduğunca yakın mesafeden geçmeye çalışmalıdır. Yani tüm noktaların eğriye olan mesafesi

110/129

Cam İşletmesinde Enerji Verimlilik Potansiyeli ve İyileştirme Çalışmaları Energy Efficiency Potential Analysis and Improvement Studies in Glass Industry

hesaplanır ve toplam uzaklığı en küçük olan regresyon doğrusu olmaktadır. Bütün noktalar doğru üzerinde olsaydı mükemmel bir regresyon eğrisi olurdu ama bu mümkün değildir.

Elektrik Tüketimi(kWh/ay)

y = 0,0116x + 4709,9 5600 R² = 0,1799

4800 30000

40000 50000 60000 Üretilen cam(ton/ay)

Şekil 3. Enerji tüketimi ile üretilen cam arasındaki ilişkisinin regresyon doğrusu ve denklemi.

Şekil 3 ‘te belirlilik katsayısının 0.18 çıkması işletmenin 2022 Kasım ayına kadar enerji tüketimindeki değişimin %18’inin üretilen cam ile açıklanmaktadır.

4.3. Standart Denkleme Bağlı Hedef Denklemin Tespit Edilmesi

Standart denklem belirlendikten sonra hedef denklem de belirlenmelidir. Hedef denklem de standartla aynı formda bir denklemdir. O bölümün performansındaki iyileşmeyi göstermektedir.

Hedef denklemin oluşturulması için bağımlı ve bağımsız değişkenler değişmektedir. Standart regresyon doğrusunda eğim altında kalan noktalar işletmenin üretimine bakıldığında enerji tüketiminin en düşük olduğu yerlerdir. Bu noktalardaki değerler firmanın şu anki koşullarında sağladığı en iyi enerji tüketim değerleridir. Firmanın tasarruf potansiyelini bulmak amacı ile standart doğrunun altında kalan noktaların verileri Tablo 4’te verilmiştir. Bu veriler kullanılarak hedef denklem ve doğru oluşturulur.

Tablo 4. Standart doğrunun altında kalan veriler.

X 42577 41038 40466 32247 35907

Y 5164 4871 5038 4946 4876

kWh/ay

5150y = 0,0002x + 4413,7 5100 R² = 0,2575

2000000

2500000

ton/ay

3000000

Şekil 4. Enerji tüketimi ile üretilen cam arasındaki ilişkisinin hedef doğrusu.

Şekil 4’te regresyon uyumluluk katsayısı R2 0,26 olarak bulunmuştur. Belirlilik katsayısı 0.26 çıkması işletmenin 2022 Kasım ayına kadar enerji tüketimi değişiminin %26'sının üretilen cam ile açıklanmaktadır.

4.4. SET Değerlerinin Bulunması

Denklem 4’te bulunan formül ile aylık SET değerleri Şekil 5’te gösterilmiştir.

0,2

0,15

SET(TEP/Ton)

0,1

0,05

Ay

Şekil 5. Aylara göre SET değerleri.

SET değeri en düşük 0,08 TEP/ton ile Ekim ayı olarak bulunmuştur. Bu durum birim üretim gerçekleştirmek için enerji tüketiminin performans açısından en iyi olduğu zaman aralığını göstermektedir. 0,017 TEP/ton değeri ile ağustos ayı ise enerji tüketim performansında en kötü olan zaman aralığını göstermektedir.

Tablo 5. Aylara göre hedef iyileştirme potansiyeli değerleri.

111/129

Ay Ocak

Üretim (Ton)

Enerji Tüketimi

Hedef (TEP)

TEP

€

(TEP)

42.577 5.164 4.423 741 169,424

Şubat 41.038 4.871 4.423 448 102,466

Mart 42.956 5.412 4.423 989 226,156

Nisan 34.593 5.293 4.422 871 199,331

Mayıs 42.242 5.270 4.423 847 199,679

Haziran 40.466 5.038 4.423 615 140,698

Temmuz 32.247 4.946 4.421 525 120,092

Ağustos 31.664 5.445 4.421 1024 234,275

Eylül 35.907 4.876 4.422 454 103,854

Ekim 62.162 5.509 4.428 1081 247,379

Tablo 5’te hedef denklemden faydalanarak işletmede üretilen camın ton miktarına göre hedef enerji tüketim miktarları TEP olarak hesaplanmıştır. Toplam enerji tüketimi TEP değerleri ve hedef TEP değerleri arasında oluşan fark, firmanın ay bazında tasarruf potansiyelini vermektedir. Bulunan aylık tasarruf potansiyellerinin toplamı ise 7594,7 TEP olup işletmenin yıllık tasarruf potansiyelini göstermektedir. 2022 Aralık ayı için birim enerjinin maliyeti 0,229 €’dur. Yıllık tasarruf potansiyeli ve birim enerji maliyetinin çarpılması ile işletmenin 2022 yılı kasım ayına kadar olan değerlere göre 17.373 €/Yıl tasarruf potansiyeline sahip olduğu görülmüştür.

1907520

0,228

436.357

Aralık 2022 için elektrik kWh fiyatı 0,228 €’dur. Tasarruf miktarları ve elektrik birim fiyatı çarpımı sonucu tasarrufun mali değeri bulunmaktadır.

Tablo 6’da 2013’ten 2022’ye kadarki geçen 9 senedeki toplam tasarruf miktarı 1.907.520 kWh olduğu görülmektedir.

Günümüz elektrik birim fiyatına göre maddi kazanım 436.357 € olmaktadır.

Bir adet frekans invertörünün maliyeti ise günümüz fiyatıyla 10.874 €’dur. Yıllık tasarruf miktarına göre geri ödeme süresi hesaplandığında yatırımın 246 günde kendisini geri ödediği sonucuna Tablo 7’de ulaşılmaktadır.

Tablo 7. İyileştirmenin geri ödeme süresi.

Frekans İnvertörü Maliyeti (€)

Geri Ödeme Süresi (Yıl)

Fan 1 Fan 2 Fan 3 TOPLAM

10.874 10.874 10.874 32.622

19.409

0,56

18.942

0,57

10.132

1,07

48.483

0,67

Maddi kazanımdan iyileştirme yatırımının maliyetini çıkardığımızda işletmenin 403.736 € net kazancı vardır.

4.5. Banyo Alt Kasa Fanları Frekans İnvertörü Revizyonu

4.6. Aydınlatma Değişimi

Düzce Cam 1 no’lu float cam hattında banyo bölümünde kalay banyosunun alt kasasını soğutmak için 132 kW gücünde 3 adet fan motoru kullanılmaktadır. Bu fanlar soft starter ile çalıştırılmaktaydı. Frekans invertörü değişimine gitmekteki amaç ihtiyaca göre fan motorlarının frekanslarını değiştirerek hava debisini ayarlamaktır. Bu sayede aynı iş işin daha az elektrik tüketimi gerçekleşmektedir. Telemecanique ATS48C250 model soft starter’lar yerine üç adet ABB ACS80004-0165-3 model frekans invertörü devreye alınmıştır.

Tablo 6. Toplam tasarruf miktarı.

Tasarruf Miktarı (kWh)

Fan 1 Fan 2 Fan 3

763616 745264 398640

Elektrik Birim Fiyatı (€)

Tasarruf Miktarı (€)

0,228 0,228 0,228

174.682 170.484 91.191

Kesim hatları ve Banyo-2 altındaki florasan armatürler sökülerek LED armatür dönüşümüne gidilmiştir. Eski mevcut 2x58 watt etanj armatürler yerine 1x36 W IP65 bant armatür tercih edilmiştir. IP65 LED armatürler tozlu ortamda daha uzun süre çalışmaktadır ve su geçirmez özelliğe sahiptir.

Tablo 8. Konveyör ve banyo alt LED armatür dönüşümleri.

Konveyörler ve Banyo Altı LED armatür dönüşümleri

Eski Durum

Yeni Durum

Bölge

116 11

116 5

1,276 0,58 0,464 0,464

0,396 0,18 0,144 0,144

112/129

Cam İşletmesinde Enerji Verimlilik Potansiyeli ve İyileştirme Çalışmaları Energy Efficiency Potential Analysis and Improvement Studies in Glass Industry

116 9

116 8

B5

116 17

0,116 1,044 0,928 0 0,116 0,116 0 1,972 7,076

72 1 36 9 36 8

36 1 72 1

36 17

0,072 0,324 0,288 0 0,036 0,072 0 0,612 2,268

Tablo 8’de eski ve yeni armatürlerin saatlik harcadıkları güç miktarları bulunmaktadır. Sürekli çalışma durumu göz önüne alındığında toplam saatlik tasarruf miktarı 7,076 – 1,008 = 4,808 kWh olmaktadır.

Tablo 9. Aydınlatma sisteminden sağlanan tasarruf miktarları.

Saatlik Günlük

Aylık Yıllık

Tasarruf kWh

4,808

Elektrik kWh fiyatı

115,392

3461,76

42118,08

Tasarruf (€)

1,099 26,396 791,899 9.634

Tablo 9’da ise yıllık tasarruf miktarı 42.118 kWh olarak hesaplanmıştır. Günümüz elektrik birim fiyatına göre maddi kazanım 9.634 € olmuştur.

Tablo 10. İyileştirmenin geri ödeme süresi.

LED Armatür Maliyeti (€)

Geri Ödeme Süresi (Yıl)

LED Armatür

783,658

9.634

0,0813368

29,69

Projenin geri ödeme süresi Tablo 10’da 30 gün olduğu görülmektedir. Armatür maliyeti de çıkarıldığında net kazanç 8.851 €’dur.

Bu çalışma fabrikanın mevcut tasarruf çalışmalarına katkı sağlamak amacıyla 2022 yılı Kasım ayına kadar olan enerji verileri ile enerji verimliliği çalışmasını kapsamaktadır. Aylık üretilen cam ve enerji tüketim verilerine bağlı standart denklem oluşturulmuştur. Standart doğrunun altında kalan veriler ile hedef denklem belirlenmiştir. Hedef denkleminde firmanın aylık olarak yaptığı üretime bağlı hedef enerji tüketim miktarları TEP olarak hesaplanmıştır. Aylık TEP değerleri ile hedef TEP değerleri arasında oluşan fark işletmenin aylık tasarruf potansiyelini vermektedir. İşletmenin toplam tasarruf potansiyeli 7594,7 TEP/yıl olarak hesaplanmıştır. Enerji tasarruf potansiyeli 2022 yılı için bir TEP enerjinin maliyetine göre 17.374 €/yıl olarak hesaplanmıştır.

İşletmede gerçekleştirilen iyileştirmeler incelendiğinde banyo alt kasa fanları frekans invertörü revizyonu ve aydınlatma değişimi projeleri incelenmiştir. Banyo alt kasa değişimi ile 403.736 €, aydınlatma değişimi ile ise 8.851 € tasarrufu sağlanacağı belirlenmiştir.

Enerji tasarrufu yaparak işletmede üretim maliyetlerini düşürülebilir, ülke enerji ihtiyacını azaltıp dışa bağımlılığı azalabilir ve çevre kirliliğinin önüne geçebiliriz. Bunun için enerji tasarrufunu sanayi sektörü gibi yoğun enerji tüketimi olan alanlarda yapmak oldukça önemlidir.

[1]. Pamir ve Necdet, 2005. “Enerji Politikaları ve Küresel Gelişmeler”, Küreselleşmenin Enerji Sektöründe Yapısal Değişim Programı ve Enerji Politikaları, Elektrik Mühendisleri Odası, 5. Enerji Sempozyumu Bildiriler Kitabı, s.67

[2]. Çakal, 2006. Tarım Makinaları İmalatında Enerji Yönetimi Üzerine Bir Araştırma, Trakya Üniversitesi Fen Bilimleri Enstitüsü, Tarım Makinaları Anabilim Dalı, Yüksek Lisans Tezi

[3]. Enerji ve Tabii Kaynaklar Bakanlığı, 1995. “Sanayi Kuruluşlarının Enerji Tüketiminde Verimliliğin Arttırılması için Alacakları Önlemler Hakkında Yönetmelik”

[4]. Elektrik Mühendisleri Odası; İzmir Şubesi, Ege Bölgesi Enerji Forumu Bildiri Kitabı, İzmir, Mart 2007, s.73

[5]. Kavak K., 2005. Dünyada ve Türkiye'de Enerji Verimliliği ve Türk Sanayiinde Enerji Verimliliğinin İncelenmesi, Uzmanlık Tezi, İktisadi Sektörler ve Koordinasyon Genel Müdürlüğü

[6]. Kıyılmaz ve ark, Sanayide Enerji Yönetimi Sistemi için Bir Gıda Tesisinin Enerji Verimliliğinin İyileştirilmesi, International Journal of Pure and Applied Sciences, 7(1):51-62 (2021)

[7]. Çınar, 2008. Tekstil Sanayisinde Enerji Yönetimi ve Enerji Verimlilik Analizi, Pamukkale Üniversitesi, Fen Bilimleri

113/129

Enstitüsü, Yüksek Lisans Tezi, Makina Mühendisliği Anabilim Dalı, Denizli [8]. Söğüt ve ark, 2019. Bir Tekstil İşletmesinin Enerji Tüketimi ve Verimlilik Analizi, 14. Ulusal Tesisat Mühendisliği Kongresi Bildiriler Kitabı, sf. 1790-1801, 17-20 Nisan [9]. Akkurt ve Taşdemir, 2020. Muhtelif Altyapı Ürünleri Üreten Bir Döküm Fabrikasının Enerji Etüdü, Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi [10]. Yüksel, 2020. Bir Petro-Kimya Fabrikasının Enerji Verimliliği Etüdü, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Makine Mühendisliği Anabilim Dalı, Yüksek Lisans Tezi [11]. Işık ve Akan, Bir Kürk – Süet Üretim Fabrikasının Spesifik Enerji Tüketim Yöntemi ile Enerji Tasarruf Potansiyelinin Araştırılması, Avrupa Bilim ve Teknoloji Dergisi Sayı 12, S. 22-26, Nisan 2018 [12]. Söğüt ve Oktay, 2006. Sanayi Sektöründe Enerji Taramasının Enerji Verimliliğine Etkisi ve Bir Uygulama [13]. Trotta, G., 2020. Assessing energy efficiency improvements and related energy security and climate benefits in Finland: An ex post multi-sectoral decomposition analysis. Energy Economics, 86, p.104640. [14]. Worrell, E., Galitsky, C. and Price, L., 2008. Energy efficiency improvement and cost saving opportunities for cement making. LBNL-54036-Revision. Ernest Orlando Lawrence Berkeley National Laboratory, University of California, March. [15]. Worrell, E. and Galitsky, C., 2005. Energy efficiency improvement and cost saving opportunities for petroleum refineries. [16]. Reale, F., Calabria, R. and Massoli, P., 2023. Performance Analysis of WHR Systems for Marine Applications Based on sCO2 Gas Turbine and ORC. Energies, 16(11), p.4320.

[17]. Bozkurt, 2008. Yenilenebilir Enerji Kaynaklarının Enerji Verimliliği Açısından Değerlendirilmesi, Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Ana Bilim Dalı, Yüksek Lisans Tezi

114/129

İrem Düzdar, 2006 yılında İstanbul Ticaret Üniversitesi’nden endüstri mühendisliği Yüksek Lisans derecesini, 2015 yılında Marmara Üniversitesi Endüstri Mühendisliği doktora derecesini almıştır. İstanbul Ticaret Üniversitesi’nde Avrupa Birliği 6. Çerçeve kapsamında genç araştırmacı olarak görev yapmıştır. Daha sonra İstanbul’daki çeşitli vakıf üniversitelerinin endüstri mühendisliği bölümlerinde 7 yıl öğretim görevlisi olarak görev yapmıştır. 2015 yılından bu yana Düzce Üniversitesi Endüstri Mühendisliği Bölümü’nde görev yapmaktadır. 2023 yılında Üniversiteler Arası Kurul tarafından Nicel Karar Yöntemleri alanından Doçent ünvanını almıştır. Başlıca araştırma alanları arasında endüstriyel uygulamalar ve enerji alanlarında verimlilik, kalite iyileştirme, veri madenciliği ve karar verme yöntemleri yer almaktadır.

Tuğçe Özdemir Cihan, 2018 yılında Afyon Kocatepe Üniversitesi’nden Malzeme Bilimi ve Mühendisliği lisans derecesini almış, 2022 yılında Düzce Üniversitesi’nde Disiplinlerarası Tezli Yüksek Lisans programına başlamıştır. Kariyerine 2016 yılında Tatçelik’te stajyer olarak başlamış ve ardından Erdemir’de 2. Sıcak Haddehane Mühendisliği stajını tamamlamıştır. 2019 yılında Model Granit ve Mermer İmalat Sanayi Ticaret Limited Şirketi’nde Ar-Ge Mühendisi olarak çalışmıştır. 2020-2021 yıllarında Pharma Pazarlama Gıda Kozmetik İç ve Dış Ticaret Anonim Şirketi’nde Seramik Mühendisi olarak görev yapmış, müşteri taleplerine göre seramik ürünlerin Ar-Ge çalışmalarını yürütmüştür. 2021-2022 yıllarında MF Seramik İmalat Pazarlama Sanayi Ticaret Limited Şirketi’nde Ar-Ge ve İşletme Uzmanı olarak çalışmış ve çeşitli seramik ürünlerinin geliştirilmesinde rol almıştır. 2022-2023 yıllarında Düzce Cam Sanayi ve Ticaret Anonim Şirketi’nde Ar-Ge Mühendisi ve Proje Yöneticisi olarak çalışmış, enerji yönetimi ve verimlilik projeleri üzerinde çalışmıştır. Düzce Cam San. ve Tic. A.Ş. Düzce’de bulunan fabrikasında AR-GE Merkezi oluşum aşamasında ki süreçleri takip ederek, yapılmakta olan projelerin yönetim sürecini ele almıştır. Aynı zamanda Enerji Yönetim Biriminde üyeliği bulunmaktadır. 2023 Kasım ayından itibaren Ar-Ge ve Teknokent Serbest Muhasebeci Mali Müşavirlik Limited Şirketi’nde Proje Uzmanı olarak devam etmiştir. Teknoloji ve Sanayi Kuruluşları için Ar-Ge, Tasarım, Yatırım ve İhracat Destekleri Danışmanlik, Teknokent süreçleri, Eğitim Hizmetleri ve Proje Yönetimi ve Hibe/ Fon Kaynakları Eğitim hizmetleri konusunda danışmanlık vermiştir. 2024 Mayıs ayından itibaren ATEL Teknoloji ve Savunma Sanayi A.Ş firmasında Ar-Ge proje mühendisi olarak devam etmektedir. Başlıca araştırma alanları arasında malzeme bilimi, kompozit malzemeler, seramik üretim süreçleri, Ar-Ge Merkezi Faaliyetleri ve enerji verimliliği yer almaktadır.

Elif Akın, 2023 yılında Düzce Üniversitesi Endüstri Mühendisliği bölümünden mezun olmuştur. Üniversite hayatı boyunca iki staj görevi gerçekleştirmiştir. İlk stajını cam endüstrisinde Ar-Ge bölümünde gerçekleştirerek lisans bitirme tezini yazmıştır. İkinci stajını bir otomotiv yan sanayi firmasında üretim, kalite ve üretim planlama departmanlarında görev alarak gerçekleştirmiştir. 2023 yılından itibaren Kocaeli’nde bulunan bir ambalaj firmasında üretim planlama mühendisi olarak görev yapmaktadır. Günlük ve haftalık üretimin planlanması, malzeme ihtiyaç planının oluşturulması ve raporlanması, makine verimliliklerinin korunması ve raporlanması, üretim fire oranlarının raporlanması görevlerini üstlenmektedir.

115/129

EMO Bilimsel Dergi 2024 Cilt:14 Sayı: 2 116/129

Makale Türü: Araştırma Makalesi Makale Gönderim Tarihi: 04.07.2024

Makale Kabul Tarihi: 14.07.2024

Ev T�p� Endüks�yon Isıtmalı Ocakların Anal�z� Analys�s of Household Induct�on Hobs

Metin Ozturk 1,2 , Fatih Züngör 1,2 , Durmuş Ersoy 1,2

1Mühendislik ve Mimarlık Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü İstanbul Esenyurt Üniversitesi, İstanbul, Türkiye [email protected], [email protected], [email protected]

2Mamur Teknoloji Sistemleri Sanayi A.Ş., İstanbul, Türkiye [email protected], [email protected], [email protected]

Özet Endüksiyonla ısıtma (EI) teknolojisinin, ev uygulamalarında yaygın olarak tercih edilen bir yöntem olmasının nedeni verimlilik ve güvenli çalışma özellikleri sunmasıdır. Rezonans evirici devreleri, yüksek verimlilikleri ve yumuşak anahtarlama yetenekleri nedeniyle EI sistemlerinde sıkça kullanılmaktadır. Ürün maliyeti ve verim arasında bir denge sağlamak amacıyla endüksiyonlu ısıtma sistemlerinde, tek anahtarlı kısmi rezonanslı dönüştürücüler ve yarım köprü seri rezonanslı dönüştürücüler sıklıkla tercih edilmektedir. Son çalışmalar, endüksiyon teknolojisi alanında çok bobinli ve AA-AA tasarımların öne çıktığını göstermektedir. AA-AA rezonanslı dönüştürücülerin kullanılmasının temel nedeni, iletimdeki aktif yarı iletken anahtar adedini azaltabilmektir. Bir üreteçten bir bobinin çalıştırıldığı topolojilerin yanı sıra, bir üreteçten birden fazla bobinin çalıştırılabildiği modern tasarımlar yardımıyla ısı dağılımları iyileştirilebilir. Bu çalışmada, endüksiyon ısıtmalı ocaklarda kullanılan güncel uygulamalar hakkında genel bilgiler verilmiş, özellikle tek anahtarlı kısmi rezonanslı dönüştürücüler ile yarım köprü seri rezonanslı dönüştürücüler için detaylı devre analizleri yapılmıştır.

Anahtar kelimeler: AA-AA dönüştürücü, çok bobinli endüksiyonlu pişirme sistemleri, ev türü endüksiyonlu ocak, yarım köprülü seri rezonanslı dönüştürücü, tek anahtarlı kısmi rezonanslı dönüştürücü.

Abstract Induction heating (IH) technology is widely preferred in household applications due to its efficiency and safe operation features. Resonant inverter circuits are commonly used in IH systems for their high efficiency and soft-switching capabilities. To strike a balance between product cost and efficiency in induction heating systems, single-switch quasi-resonant converters and half-bridge series resonant converters are often preferred. Recent studies highlight the prominence of multi-coil and AC-AC designs in the field of induction technology. The use of AC-AC resonant converters is primarily motivated by the ability to reduce the number of active semiconductor switches in the transmission. Modern designs allow for the operation of multiple coils from a single generator, improving heat distribution. In this study, general information about current applications in induction heating cooktops is provided, and detailed circuit analyses are conducted, particularly for single-switch quasi-resonant converters and halfbridge series resonant converters.

Keywords: AC-AC converter, multiple coil induction cooking systems, household induction cookers, single ended quasi resonant converters, half bridge serial resonants converters.

Endüksiyonla ısıtma teknolojisi, günümüz endüstrisinde özellikle metal ısıtma, eritme ve sertleştirme işlemlerinde geniş bir şekilde tercih edilmektedir [1]–[3]. Ayrıca, metal içeren malzemelerin yapıştırılması, eritilmesi, pişirme, ısıl işleme ve türevi alanlarda endüksiyon teknolojisinin geniş bir kullanım alanı bulunmaktadır. Şekil 1'de endüksiyon teknolojisini kullanan alanlar gösterilmektedir. Bu kullanım alanları, endüstriyel tip kullanım, medikal tip kullanım ve evsel tip kullanım olmak üzere üç temel grupta toplanmaktadır. Tablo 1'de, endüksiyon teknolojisi alanında yapılan çalışma konularına ve uygulama alanlarına dayalı gereksinimler sunulmuştur. Endüksiyon temelli teknolojilerin elektronik içeriği devre tasarımı, manyetik eleman tasarımı ve kontrol teknikleri açısından belirgin bir şekilde ortaya çıkmaktadır [4]. Ana çalışma ilkeleri benzer olmasına rağmen, tüm endüksiyonlu uygulamaların değişik özelliklere ve gereksinimlere sahip olduğu göz önünde bulundurulmalıdır. Endüstriyel tip kullanımlar diğer uygulamara göre daha yüksek güç talep ederken, medikal tipte kullanımlar daha düşük güç ve hassas kontrol gerektirmektedir. Ev tipi endüksiyon ısıtmalı ocaklar incelendiğinde akademik çalışmalar ve endüstriyel araştırmaların odaklandığı başlıca konular olarak geniş bir yük aralığına uygunluk (farklı tencere ve tavalar), yüksek verimlilik ve düşük maliyet beklentileri bulunmaktadır. Şekil 2'de, ev tipi kullanım için geliştirilmiş klasik bir endüksiyon ısıtma sisteminde, gücün üretimden tencereye aktarılma sürecindeki güç akışı gösterilmektedir. AA gerilim, doğrultucu ünite kullanılarak DA gerilime çevrilir. Rezonant evirici yardımı ile üretilebilen yüksek frekanslı AA akımlar, bobin elemanında oluşturulan manyetik alan aracılığıyla tencereyi ısıtmak için kullanılır.

Şekil 1. Endüksiyon teknolojisinin kullanıldığı alanlar [4].

117/129

Tablo 1. Kullanıma bağlı olarak endüksiyon uygulamalarından beklenen özellikler [4].

Rezonanslı eviriciler, geleneksel endüksiyon ısıtma sistemlerinin temel bileşenleridir [5]–[7]. Maliyet, verim ve performans arasındaki ilişki göz önüne alındığında literatürde farklı rezonanslı eviriciler önerilmiştir [8]–[10]. Endüksiyonla ısıtma uygulamalarında rezonanslı eviricilerin tercih edilmesinin en önemli nedeni sinüzoidal dalga şekillerinin sonucu olarak yarı iletkenlerin sıfır gerilim ve sıfır akımda anahtarlanmasıdır [11], [12].

Endüksiyonla ısıtma sistemlerinde en sık kullanılan rezonanslı dönüştürücüler genel devre şemaları Şekil 3’te verilen yarım köprü seri rezonanslı (YKSR) ve tek anahtarlı kısmi rezonanslı (TAKR) dönüştürücülerdir. TAKR dönüştürücüler ile karşılaştırıldığında, YKSR dönüştürücüler yüksek güçlü uygulamalarda kullanılmalarının yanısıra tasarım ve kontrol kolaylığı açısından da avantajlıdır. Tüm avantajlarına rağmen YKSR dönüştürücüler TAKR dönüştürücülerden daha maliyetlidir. YKSR dönüştürücü ile TAKR dönüştürücülerin çeşitli açılardan karşılaştırması amacıyla Tablo 2 hazırlanmıştır. Tablo 2’de verilen tüm değerler çeşitli üreticilere ait ölçüm sonuçlarıdır. YKSR evirici için BSH ve Whirlpool firmalarının ürünleri referans alınırken, TAKR evirici için E.G.O, Copreci, Femaş, Midea ve benzeri firmalarının ürünleri kullanılmıştır.

Son dönem endüksiyonlu ocak çalışmaları dikkatlice incelendiğinde, devre tasarımına yönelik olarak birden fazla bobin içeren ve (veya) köprü doğrultucu içermeyen AA-AA rezonanslı dönüştürücülerin kullanıldığı görülmektedir [5], [13], [14]. AA-AA dönüştürücülerin temel amacı kullanılan yarı iletken sayısını azaltmaktır [5], [15]. Endüksiyonlu ocak uygulamalarında kullanılan AA-AA dönüştürücülere örnek Şekil 4’te gösterilmektedir.

Şekil 3. (a) YKSR dönüştürücü için genel devre şeması (b) TAKR

dönüştürücü için genel devre şeması.

Tablo 2. YKSR ve TAKR eviricili çözümlerin karşılaştırılması.

YKSR

TAKR

Maksimum Güç

3600 W

2000 W

Minimum Güç

50 W

1000 W

Tasarım Kolaylığı

Kolay

Zor

Akım Dalga Şekli Simetrikliği Simetrik

Değil

Tasarım Pahalılığı

Pahalı

Ucuz

Kullanılan Anahtar Sayısı

Bobin x 2 Bobin x 1

Diğer taraftan AA-AA YKSR eviricilerin verimi düşürdüğüne yönelik çalışmalar literatürde yer almaktadır [8]. Önerilen devrede verimi arttırabilmek amacıyla doğrultucu ve evirici eşzamanlı ve birbirlerine bağımlı olarak kullanılmak amacıyla tasarlanmıştır. Böylelikle yarı iletkene paralel bağlı diyotların kullanılmasına gerek kalmamıştır. Önerilen çözümün dezavantajı yarı iletkenler anahtarların, kaynak gerilimi ve rezonans kondansatör gerilimlerinin toplamına maruz kalmaları ve iletime girme anında anahtar uçlarında bu gerilim değerinin bulunmasıdır [8] .

Standart TAKR eviriciye alternatif olarak önerilen AA-AA dönüştürücünün [16] özellikle sistem verimi açısından avantaj sağlarken, verimi arttırmak için SiC temelli JFET yarı iletkeni kullanımı, toplam tasarım maliyetinde artışa neden olmaktadır.

YKSR evirici devresinden elde edilen AA-AA YKSR yükseltici dönüştürücü çalışması [17], mevcut YKSR eviriciden daha verimli bir çözüm önermektedir. İlgili dönüştürücüde verimi arttırmak için SiC temelli JFET yarı iletkeni kullanılması toplam tasarım maliyetinde artışa neden olmaktadır.

Endüksiyon ısıtmalı ocaklarda kullanılan her bir bobin, birbirinden bağımsız üreteçler yardımıyla çalıştırılabildiği gibi, tek üreteç yardımıyla birden fazla bobinin çalıştırılabildiği uygulamalar geliştirilmektedir [15], [18]–[21]. Endüksiyonlu ocaklarda tek üreteçle birden fazla bobinin çalıştırılabildiği ilk uygulamalarda, elektromekanik anahtarlar sayesinde paralel bağlanabilen bobinler bulunmaktadır [22]. Önerilen devrede tam köprü seri rezonanslı evirici devresi kullanılmış, her bobin için ayrı bir kontrol rölesi eklenmiştir. Önerilen çözümde her bir bobin için ayrı bir röle kullanılması, hem elektronik maliyetini arttırmakta hem de anahtarlama anlarında ilave elektriksel gürültülere neden olmaktadır. Ancak özellikle tek bobin çalıştırıldığında yarı iletken kayıplarının azaltılması hedeflenmektedir.

Şekil 2. Endüksiyonla ısıtma sistemleri için güç akışı.

118/129

Şekil 4. (a) YKSR Eviricili AA-AA dönüştürücünün devre şeması

(b) TAKR Eviricili AA-AA dönüştürücü devre şeması [23].

Literatürde, iki adet bobini kontrol edebilmek amacıyla dört yerine üç adet yarıiletkenin kullanıldığı yeni bir YKSR evirici önerilmiştir [24]. Önerilen çözümde her iki bobin aynı frekansta çalıştırılarak bir adet yarı iletkenden kazanç sağlansa da her iki bobin birbirlerine bağımlı olarak çalışmak zorunda kalmıştır.

Dört adet bobinin iki adet YKSR evirici yardımıyla birbirlerinden bağımsız olarak çalıştırılabildiği uygulamalar bulunmaktadır [25]. Isıtılacak tencerenin konumu belirlenerek hangi bobinin hangi üreteç yardımıyla kontrol edileceği tespit edilmiş, bu sayede verim ve performans avantajı amaçlanmıştır. Önerilen çözümde rölelerin kullanılması, hem elektronik maliyetini arttırmakta hem de anahtarlama anlarında ilave elektriksel gürültülere neden olmaktadır.

Bir dönüştürücüden birden fazla bobinin çalıştırılması konusunda yapılan ilk çalışmalar, ısıtılacak tencere başına çok sayıda bobinin düştüğü çok bobinli ürünler adına başlangıç niteliğindedir. Böylece, tek üreteçten çok adetli ve standart bobinlere göre çok daha küçük bobinlerin kullanılabildiği yeni bir endüksiyon teknolojisi geliştirilmiştir [4], [24]. Şekil 5'da, yeni nesil çok bobinli bir YKSR dönüştürücü örneği gösterilmektedir. Önerilen çözümde, kullanılacak bobin adedi kadar ilave yardımcı yarı iletken kullanılmakta ve bunun sonucu olarak bobin sayısı arttıkça kayıplar artarak verim düşmektedir.

Şekil 5. Çok bobinli AA-AA dönüştürücü devre şeması [4].

2 Ev Türü Endüksiyonlu Ocaklar

Özellikle son dönemlerde elektrikli ev aletlerindeki kullanımın artması ve de elektriksel gereksinimlerin özellikle mutfakta

Şekil 6. Ankastre türü endüksiyon ısıtmalı ocak modelleri (a) 30

cm (b) 60 cm [26].

Şekil 7. Portatif endüksiyon ısıtmalı ocak modelleri (a) üst

yüzeyden görünüş (b) örnek tasarım [26].

yoğunlaşması sonucu, tercih edeceğimiz elektrikli ev aletinin maksimum güç değerini limitlenmektedir. Diğer taraftan tükenir enerji kaynaklarından olan gazın, hem güvenlik hem de yerel standartların zorlamaları sonucu kullanım alanlarının azalması, elektrikle çalışan pişirici ocakları zorunlu bir tercih haline getirmiştir. Bunun sonucu olarak evlerde kullanılan elektrik şebekesinin güç limitlerine uygun olacak şekilde, endüksiyon ısıtmalı ocaklar tek ya da iki fazlı çalıştırılacak şekilde tasarlanırlar. Genel olarak ankastre ve 30,60 ve 90cm ölçülerinde tasarlanan endüksiyon ocaklara ilişkin örnekler Şekil 6’da gösterilmektedir. Kontrol ünitesi yardımıyla endüksiyon ocağı kontrol edebilen kullanıcı, genellikle 1-10 aralığındaki seviyelerde tencereyi son derece hassas bir şekilde ısıtabilir.

Bunula birlikte Uzakdoğu’da oldukça yaygın şekilde kullanılan ve Şekil 7’de gösterilen taşınabilir endüksiyonlu ocaklar, mevcut ocaklarından vazgeçmeden endüksiyon ocağın avantajlarını kullanmak isteyen kullanıcılar için alternatif bir çözüm olarak karşımıza çıkmaktadır.

2.1 Ev Türü Endüksiyon Isıtmalı Ocaklar İçin Bobin Modelleri

Ev türü endüksiyon ısıtmalı ocaklar için tasarlanan bobinler, eviriciler tarafından beslenen ve geometrik olarak ocak yüzeyine uyumlu düzlemsel bobinlerdir [27]. Bahsedilen düzlemsel bobinler ile ilgili olarak yapılan akademik çalışmalar, bobinlerin elektromanyetik modellenmesi [28], [29] bobin kayıp dağılımlarının analizi [30], bobin kayıplarının analizi [31]–[33] ve benzeri konularda yoğunlaşmaktadır.

Şekil 8’da alüminyum plakaya yerleştirilmiş halde bulunan ferit, bobin ve tencere kesiti detaylarının ayrıntılı olarak verildiği bir bobin kesiti gösterilmektedir. Alüminyum plaka feritleri taşımanın yanısıra manyetik yönlendirme ve soğutma amaçlarıyla da kullanılmaktadır. Ayrıca pratik uygulamalarda bobin ve ısıtılacak tencere arasında 4mm kalınlığında, yalıtkan ve sıcaklık dayanımı 700C’lere ulaşan seramik temelli bir cam kullanılmaktadır.

Uygulama alanı, performans beklentisi ve talep edilen çıkış gücüne bağlı olarak, ev türü endüksiyon ısıtmalı ocaklarda kullanılan bobinler, iletken sargılar ve ferit çekirdekler plastik taşıyıcıya

119/129

Şekil 8. Endüksiyon bobini kesiti [30], [34].

Şekil 9. Plastik karkaslı bobin örneği.

monte edilecek şekilde tasarlanabilir. Bu yöntem ile tasarlanan ve Şekil 9’da bir uygulaması gösterilen bobinler, ilave bir aluminyum plaka ile kullanılmayacaklar ise genellikle < 2000W mertebesinde düşük güç gerektiren uygulamalarda kullanılırlar. Bu bobinlerde kullanılan ferit nüvelerin BS doyum değerleri de düşük seçilerek maliyet avantajı sağlanmaya çalışılmaktadır. Ancak düşük BS değerine sahip nüvelerin kullanılması sonucu bobinlerin de soğutulması zorunlu hale gelmektedir. 2.1.1 Tencere, üreteç ve bobin sayısı arasındaki ilişki Endüksiyon ısıtmalı ocaklarda kullanılan bobinler, ısıtılmak istenen tencerenin türü, boyutu, çıkış gücü, kullanım kolaylağı ve benzeri nedenlerden ötürü çok çeşitli geometrik ölçülerde tasarlanmaktadır. Tek üreteç ile tek bir bobin çalıştırılabileceği gibi, tek üreteçten birden fazla bobinin çeşitli sürme teknikleri ve devre topolojileri yardımıyla çalıştırılabileceği uygulamalar da tercih edilmektedir [35]–[38]. 2.1.1.1 Tencerenin tek bir bobin ile ısıtıldığı uygulamalar Hem Şekil 10’de ve hem de Şekil 11’de her bir bobin için bağımsız bir üreteç içeren standart ev tipi endüksiyon ısıtmalı ocaklar gösterilmektedir. Standart endüksiyon ocaklarda, ısıtılmak istenen tencere, cam üzerinde işaretlenmiş bölgeye yerleştirildiğinde en verimli pişirme sağlanmaktadır. Aksi halde ya ısıtma sağlanmaz ya da daha az verimli bir ısıtma yapılmış olur.

Şekil 10. Endüksiyon ısıtmalı ocak üst yüzey görüntüsü (a) ankastre (b) taşınabilir [26].

Şekil 11. Ankastre türü endüksiyon ısıtmalı ocağın içten görünüşü (a) iki ısıtıcılı ocak (b) dört ısıtıcılı ocak [26].

2.1.1.2 Tencerenin birden fazla bobin ile ısıtıldığı uygulamalar

Diğer taraftan, yalnızca cam yüzeyinde işaretlenmiş bölgede ısıtma yapmak, ocak yüzeyinin yalnızca belirli bir kısmında pişirme yapılabilmesine neden olmaktadır. Bu nedenle son dönemde ocak yüzeyinin tamamını kullanmaya yönelik ve tencere başına birden fazla bobin kullanarak homojen ısıtma yapmayı amaçlayan çalışmalar artmaktadır [38]. Standart uygulamalar ile kıyaslandığında çok bobin içeren bu yöntem sayesinde kullanıcı tencereyi ocak yüzeyinde bulunan herhangi bir bölgeye yerleştirebilir. Elektronik kontrol yöntemleri yardımıyla tencerenin yeri tespit edilerek ilgili bobinler enerjilendirilir ve tencerenin ısıtılması sağlanır. Bunula birlikte çok bobinli yapılarda kullanılan bobinler çok farklı geometrik şekillerde tasarlanabilir. Yuvarlak formlu, kare formlu ya da dikdörtgen formlu tasarlanabilen bu bobinlere ilişkin örnekler Şekil 12’te gösterilmektedir.

(c)

Şekil 12. Çok bobinli yapılarda kullanılan bobin örnekleri [24] (a) yuvarlak formlu bobin örneği (b) kare formlu bobin örneği (c) dikdörtgen formlu bobin örneği.

Endüksiyon ısıtmalı ocak sistemlerinde ısıtılmak istenen tencerenin türünün tespiti güvenli ve verimli ısıtma için son derece kritiktir. Ayrıca çok bobinli sistemlerde tencere türüne ek olarak tencere konumunun kontrolcü tarafından tespit edilmesi, aktifleştirilecek bobinlerin belirlenebilmesi için son derece kritiktiktir. Şekil 13’te kare bobinlerden oluşan endüksiyonlu ocak uygulamasında tencerenin konumuna bağlı olarak aktif hale getirilen bobinler gösterilmektedir.

120/129

Şekil 13. Tümüyle aktifleştirilmiş yüzey [24].

Şekil 14. Tek tencere ısıtma için çoklu bobin uygulama örnekleri.

Uygulamada kullanılan çok bobinli endüksiyonlara örnek olarak Şekil 14 gösterilebilir. Şekil 15’da, hem standart hem de kare bobinlerin birlikte kullnıldığı bir uygulama gösterilmektedir. Bu ve benzeri uygulamarın amacı ise hem ürün maliyetini düşürmek hem de kullanıcı alışkanlıklarıdır. Şekil 16’de 90cm endüksiyonlu ocakta 40 adet bobin, Şekil 17’de 90cm endüksiyonlu ocakta 12 bobin kullanılmaktadır.

edilebilen yük frekanslı (20kHz-100kHz) akımlar yardımıyla değişken manyetik alan oluşturularak tencere tabanının ısıtılması hedeflenmektedir. Bahsedilen güç elektroniği devreleri sıklıkla YKSR ve TAKR eviriciler olarak karşımıza çıkmaktadır.

3.1 Yarım Köprü Seri Rezonanslı Evirici (YKSR)

1959 yılından beri kullanılmakta olan YKSR evirici devresi, DA akımı AA akıma çevirebilmek için farklı uygulamalarda sıklıkla tercih edilmektedir. [1], [12]. YKSR eviricide rezonans anında devreden geçen akım sinüzoidaldir. Diğer taraftan yarı iletken anahtarlardan geçen akım yarım dalga sinüs, gerilim ise kare dalgadır [1], [40]. Şekil 3(a)’da verilen L�� eşdeğer endüktans değerini ve R�� eşdeğer direnci tanımlarken, C���� ve C���� ise rezonans kondansatörlerini tanımlamaktadır. T� ve T� yarı iletkenler anahtarlar iken V�� değeri ise DA gerilimi tanımlamaktadır. YKSR için devre analizi yapılırken, Q kalite faktörü yeterince büyük seçildiğinde rezonans devresi akımının sinüzoidal olduğu düşünülmüştür. Bu kabul, seri RLC devresinin doğal sonucu olarak ortaya çıkmaktadır [41].

Şekil 15. Siemens firmasına ait çok bobinli endüksiyon ısıtmalı ocak (a) içten görünüşü (b) genel görünüşü.

Şekil 16. Bosch firması çok bobin içeren endüksiyon ısıtmalı ocak [39] (a) içten görünüşü (b) genel görünüşü.

Şekil 17. De Dietrich firması çok bobin içeren endüksiyon ısıtmalı ocak (a) içten görünüşü (b) genel görünüşü.

Özellikle çok bobinli endüksiyon ısıtmalı ocak uygulamalarında, kullanılacak bobin adedi, eviricinin türü, güç kontrol yöntemi ve yük tanıma yöntemleri arasındaki detaylı ilişki, pratik uygulamada çok çeşitli çözümlerin ve ürünlerin oluşmasına neden olmaktadır.

3 Endüksiyon Isıtmalı Ocak Tasarımları İçin Dönüştürücü Modelleri

Endüksiyon ısıtmalı ocaklarda ısıtılmak istenen tencerenin türü ve boyutuna bağlı olarak elektronik devredeki eşdeğer direnç ve endüktans değişmektedir. Güç elektroniği devreleri yardımıyla elde

Şekil 18. Q parametresi ile frekansa bağlı akım değişimi grafiği [42].

YKSR devre analizinde kullanılacak temel değişkenler sırasıyla, rezonans frekansını tanımlayan ω�, devrenin karakteristik empedansını tanımlayan Z� ve kalite faktörünü tanımlayan Q değerleri olarak karşımıza çıkmaktadır. Şekil 18’de frekans ve akıma bağlı Q grafiği gösterilmektedir.

⍵� = 1/�L��C���

Z� = √L��/C���) = ⍵�L�� = 1/(⍵�C���)

Q = ⍵�L��/R�� = 1/(⍵�C���R��) = Z�/R

YKSR eviricili ndüksiyonlu ocak uygulamalarında çalışma frekansı f, f� rezonans frekansının üzerinde bir noktada seçilerek güç kontrolü yapılır [1]. Endüktif bölgede çalışılmanın temel nedeni, hem iletim hem de kesim anında yumuşak anahtarlama yapılabiliyor olması ve iletim ve anahtarlama kayıplarının ters orantılı olarak değişmesidir. YKSR dönüştürücü için tanımlanmış 6 farklı çalışma evresi Şekil 19’de gösterilmektedir.

Şekil 20’de ise simülasyon çalışmaları sonucunda bulunan gerilim ve akım dalga şekilleri detaylı bir şekilde gösterilmektedir.

Başlangıçta; T1 ve T2 yarı iletken anahtarları kesim durumundadır. VDC giriş gerilimi V kabul edildiğinde CRES1 ve CRES2 resonans kondansatörlerinin gerilim değeri V⁄2’dir. LEQ ile gösterilen endüktör elemanından akım geçmemektedir.

121/129

Şekil 21. t0 < t < t2 evresine ait gerilim dalga şekilleri.

V

VI

Şekil 19. YKSR eviriciye ait çalışma evreleri [42].

VGE1 VGE2

IT1 VT1

VT2 IT2

ICS2 ICS1

ICRES1 ICRES2

VCRES1 VCRES2 ILEQ VLEQ

IDC ICFILTRE

t7 t0 t1

t2 t3 t4 t5

t6 t7

Şekil 20. YKSR eviriciye ait gerilim ve akım dalga şekilleri [42].

Evre I (t1 < t < t2); Şekil 20 ve Şekil 21’ de detaylı olarak gösterildiği gibi, D1 diyodu kesime girerken, T1 yarı iletkeninin iletime girmesiyle ilgili evre başlayacaktır. Girişten çekilen akım IDC, T1 - LEQ - REQ - CRES2 devre elemanlarından geçerek çevrimini tamamlayacaktır. CRES1 rezonans kondansatörü, ICRES1 akımı ile

Şekil 22. t2 < t < t4 evresine ait gerilim ve akım dalga şekilleri.

deşarj olurken CRES2 kondansatörü ICRES2 akımı ile şarj olacaktır. LEQ endüktöründen geçen akım değerinin yarısı CRES1 kondansatörünün deşarj akımı ICRES1, diğer yarısı ise giriş şebekesinden çekilen kaynak akımı IDC’dir.

V�� = v���(t) + v���(t) + v�����(t)

v���(t) + v���(t) − v�����(t) = 0

Evre II (t2 < t < t3); Şekil 22’te detaylı olarak gösterildiği gibi T1 yarı iletken anahtarının kesime girmesiyle başlayacaktır. T1 yarı iletken anahtarının kesime girmesiyle, bastırma kondansatörü CS1 DA gerilim ile şarj olurken (ICS1) aynı zamanda bastırma kondansatörü CS2 deşarj olacaktır (ICS2). Çalışma evresi sonlanıncaya kadar kaynaktan çekilen IDC akımı devreden geçmeye devam edecektir. T1 yarı iletkeni kesime girdiğinde CS1 bastırma kondansatörünün şarj olması sonucu, T1 uç gerilimi bir anda yükselemez. Böylece T1 yarı iletken anahtarının yumuşak anahtarlama ile (ZVS) kesime girmesi sağlanacaktır.

Evre III (t3 < t < t5); Bastırma kondansatörü CS1‘in ICS1 akımı ile şarj olması ve bastırma kondansatörü CS2‘nin ICS2 akımı ile deşarj olması sonucu D2 diyotu üzerinden ID2 akımı geçmeye başlayacaktır. D2 diyotundan ID2 akımının geçmesi sonucu kaynak akımının yönü değişir. LEQ ile gösterilen endüktör elemanı kaynak gibi davranarak devreden geçen akımın hızlıca sıfıra inmesine izin vermeyecektir. Bunun sonucu olarak rezonans devre akımının tamamı D2 diyot elemanı üzerinden geçecektir (ILEQ = ID2). İlk iki evrede olduğu gibi üçüncü evrede de CRES1 kondansatör elemanı deşarj olmaya devam ederken CRES2 kondansatör elemanı şarj olmaya devam edecektir.

Evre IV (t5 < t < t6); D2 diyot elemanı kesime girerken T2 yarı iletken anahtarı iletime girecektir. D2 diyot elemanı iletimdeyken T2 yarı iletken anahtarına sürme sinyali uygulanarak anahtarlama

122/129

kaybının azaltılması amaçlanmaktadır. Bunun nedeni D2 diyodu iletimde olduğu sürece T2 yarı iletken anahtarının iletime giremeyecek olmasıdır. Rezonans akımının yön değiştirmesi sonucu T2 anahtarı sıfır gerilimde iletime girecektir (ZVT). Girişten çekilen akım IDC, CRES1 - REQ - LEQ - T2 devre elemanları üzerinden çevrimini tamamlarken CRES2 kondansatör akımı ICRES2, REQ - LEQ - T2 devre elemanları üzerinden çevrimini tamamlayacaktır. IV. evrede CRES1 kondansatör elemanı şarj olmaya başlarken CRES2 kondansatör elemanı deşarj olmaya başlayacaktır. LEQ endüktöründen geçen ILEQ akımının yarısını CRES2 kondansatörü deşarj akımı ICRES2 sağlarken, diğer yarısı ise DA kaynak akımı IDC sağlayacaktır. IV. evre için tanımlanmış devre denklemleri altta verilmektedir.

V�� = v�����(t)− v���(t)− v���(t)

v�����(t) + v���(t) + v���(t) = 0

Evre V (t6 < t < t7); T2 anahtarının kesime girmesi sonucu paralel bağlı bastırma kondansatörü CS2 kaynaktan çekilen ICS2 akımı ile şarj olurken, bastırma kondansatörü CS1, ICS1 akımı ile deşarj olacaktır. T2 yarı iletkeni kesime girdiğinde CS2 bastırma kondansatörünün şarj olması sonucu, T2 uç gerilimi bir anda yükselemez. Böylece T2 yarı iletkenin anahtarının yumuşak anahtarlama ile (ZVS) kesime girmesi sağlanacaktır.

Evre VI (t7 < t < t1); Bastırma kondansatörü CS1‘nin ICS1 akımı ile deşarj olması sonucu D1 diyotu üzerinden ID1 akımı geçmeye başlayacaktır. LEQ ile gösterilen endüktör elemanı kaynak gibi davranarak devreden geçen akımın hızlıca sıfıra inmesine izin vermeyecektir. Bunun sonucu olarak rezonans devre akımının tamamı D1 diyot elemanı üzerinden geçecektir (ILEQ = ID1). İlk iki evrede olduğu gibi altıncı evrede de CRES1 kondansatör elemanı şarj olmaya devam ederken CRES2 kondansatör elemanı deşarj olmaya devam edecektir.

3.2 Tek Anahtarlı Kısmi Rezonanslı Evirici (TAKR)

TAKR eviriciye ait devre şeması Şekil 3 (b)’de gösterilmektedir. T1 yarı iletken anahtarının iletime girmesi ile birlikte DA kaynak gerilimi bobine uygulanır. LEQ endüktörünün akım değeri yükselerek endüktörde enerji depo edilir. Anahtarın kesime girmesinin sonucu olarak endüktör ve kondansatör arasında rezonans başlar. Kondansatörün deşarj olmasının sonucu olarak diyot iletime girecek ve VCE geriliminin sıfırın altına inmesini önleyecektir [43]–[46].

Şekil 23’te TAKR eviricinin dört temel çalışma evresi, Şekil 24’te ise bu evrelere ait gerilim ve akım dalga şekilleri gösterilmektedir. t1 < t < t2 evresinde T1 anahtarı iletimdedir ve bu evrede devre seri RL devresi şeklinde çalışır. Diğer taraftan t2 < t < t4 evresinde LEQ ve CRES arasında rezonans oluşacak ve devre seri RLC devresi şeklinde çalışacaktır.

Evre I (t1 < t < t2); yarı iletken anahtarın ters paralel bağlı diyot sayesinde sıfır gerilimde iletime girmesiyle başlayacak (ZVT), T1 yarı iletken anahtarı kesime girdiğinde sona erecektir. IDC kaynaktan akımı, T1 - LEQ - REQ devre elemanlarından geçerek çevrimini tamamlayacaktır. RL devresi şeklinde modellenen bu evre süresince endüktör akımı ILEQ, T1 yarı iletkeninden geçmektedir. İlgili evreye ait devre denklemleri aşağıda gösterilmektedir.

i���(0) = 0

i���

i�

(1

e����������)

(9)

(10)

Şekil 23. TAKR eviricinin çalışma evreleri [43], [44].

Şekil 24. TAKR eviriciye ait gerilim ve akım dalga şekilleri.

Evre I için kaydedilen gerilim dalga şekilleri Şekil 25’te ayrıntılı olarak gösterilmektedir. Yarı iletken anahtarın kesime girmesinden hemen sonra VCE gerilim değeri, VDC gerilim değerine ulaşana kadar rezonans devresi akımı artmaya devam edecektir. Ancak rezonans akımındaki artış değeri analizin kolaylığı için ihmal edilebilecek düzeyde olduğundan dolayı RL devresi olarak çalışılan evrede ölçülen maksimum i��� akımı, TAKR devresinde dolaşan maksimum I��� ��� değerine eşit kabul edilerek analiz yapılmaktadır.

123/129

Şekil 25. t0 < t < t2 evresine ait gerilim dalga şekilleri.

Şekil 27. t2 < t < t4 evresine ait gerilim ve akım dalga şekilleri.

VCE

VDC

VGE

VLEQ

t2

t3

t4

Şekil 26. t2 < t < t4 evresine ait gerilim dalga şekilleri.

Evre II (t2 < t < t3); yarı iletken anahtarın kesime girmesi ile birlikte başlayacaktır. Bobinden geçen akım ani olarak sıfıra düşmeyecek, endüktör bir kaynak haline dönüşerek devreyi beslemeye başlayacaktır. Bobinin tam anlamıyla deşarj olması ile birlikte Evre II sona erecektir. Evre II için geçerli devre denklemi aşağıda verilmektedir. Şekil 26’de gösterildiği gibi i��� bobin akımının azaldığı ve bunun sonucu olarak di��� ⁄dt değerinin negatif olduğu Evre II süresi boyunca yarı iletken anahtarın maruz kaldığı v�� gerilimi artacaktır.

v���� = v��� + v���

(11)

(12)

Evre III (t3 < t < t4); Şekil 27’de detaylı akım ve gerilim dalga şekilleri ile gösterildiği gibi endüktör enerjisinin kondansatöre tamamen aktarılması sonucu rezonans devresi akımının yönünün değişmesi ile başlayacaktır. Evre III boyunca kondansatör devre elemanında biriken enerji rezonans devresine geri aktarılacaktır. Evre III’e ilişkin devre denklemi aşağıda gösterildiği şekilde ifade edilmektedir.

(13)

Anahtarın kesim anında maruz kaldığı en yüksek gerilim olan

V�� ��� gerilimi, rezonans akımının yön değiştirdiği anda oluşmaktadır. Her koşulda anahtar uç gerilimi v��, yarı iletkeni anahtarın gerilim dayanım sınırını aşmamalıdır. V�� DA gerilim, I��� ��� maksimum endüktör akımı, Z� karakteristik empedans ve

V�� ��� T1 yarı iletken anahtarının maksimum uç gerilimi olarak düşünüldüğünde, V�� ��� değeri aşağıdaki denklemle ifade edilmektedir [41].

Şekil 28. t3 < t < t4 evresine ait gerilim ve akım dalga şekilleri.

V�� ��� = V�� + I��� ��� Z�

(14)

Diğer taraftan, TAKR evirici devresi t2 < t < t4 evresinde seri RLC devresi olarak analiz edilecektir. Bu nedenle Evre II ve Evre III için geçerli olacak şekilde bobin akımı i��� denklemleri aşağıda gösterildiği şekliyle ifade edilir.

i���(t) = e���(B�cos(⍵�t) + B�sin(⍵�t))

(15)

di���(t)/dt = −e���[(B�⍵� + B�α)sin(⍵�t) + (B�α − B�⍵�)cos(⍵�t)]

(16)

i���(t�) ⟹ B� = I�

(17)

di���(t�)/dt ⟹

B� = ((V�� − R��I�))/(L��⍵�) + (αI�)/⍵�

(18)

İlgili denklemler yardımıyla hem devre analizi [43] hem de devre tasarımı [44] yapmak mümkün hale gelmektedir.

Aynı şekilde yarı iletken anahtar gerilimi V��’nin elde edilebilmesi için ilgili gerilim denklemleri aşağıda gösterildiği şekliyle ifade edilir.

v(t) = V�� + e���(A�cos(⍵�t) + A�sin(⍵�t))

(19)

dv(t)/dt = −e���[(A�⍵� + A�α)sin(⍵�t) + (A�α − A�⍵�)cos(⍵�t)]

(20)

v(t�) ⟹ A� = −V��

(21)

dv(t�)/dt ⟹ A� = (I�/C��� − αV��)/⍵�

(22)

124/129

Evre IV (t4 < t < t1); Şekil 28’da detaylı gerilim ve akım dalga şekilleriyle gösterildiği gibi v�� geriliminin sıfıra ulaşması sonucu yarı iletken anahtara ters paralel bağlı D1 diyot elemanının iletime girmesiyle başlayacaktır. D1 diyotu iletimde olduğu sırada T1 anahtarına sürme sinyali uygulanarak (t0) ZVT sağlanmaktadır. T1 anahtarının iletime girmesi sonucu yeniden (t1 < t < t2) ile sınırlandırılan Evre I başlayacaktır. Evre IV için geçerli devre denklemi aşağıdaki şekilde ifade edilmektedir.

(23)

Ayrıca Evre IV için detaylı devre denklemleri altta verilmektedir.

İlgili denklemlerde diyot akımı iletim süresi t� ve diyot tepe akımı I���� olarak ifade edilmektedir.

i���(t)

RV����)e�������∙�

(24)

i���(t�)

)e�������∙��

(25)

t� = ln [V��/VR����/R−�I�����](− RL����)

(26)

t�

L�� R��

∙

ln �1

I���� V��/R�� −

I����

�

(27)

4 Uygulama Sonuçları

Çalışmanın bu bölümünde, III. bölümde ayrıntılı olarak analizi yapılan YKSR [42] ve TAKR [44] eviriciler ile ilgili uygulama sonuçları paylaşılmaktadır.

Şekil 29’da endüksiyon ısıtmalı ocak uygulamalarında sıklıkla kullanılan tencere modelleri gösterilmektedir. Turuncu renkli olan Döküm, kırmızı renkli olan Silit marka Silargan, diğer tencere ise ferromanyetik Çelik tenceredir.

Şekil 29. Uygulamada kullanılan genel tencere modelleri [44].

Şekil 30. YKSR İnverter için uygulama devresi [42].

4.1 YKSR Evirici İçin Uygulama Devresi

Şekil 30’da tencere, ocak, ve test düzeneğinden oluşan ve YKSR evirici içeren uygulama devresi örneği gösterilmektedir.

Ana besleme gerilimi 230 VAC olduğundan dolayı DC bara gerilimi 320 VDC'dir. Doğrultucu devresinde GSIB2560 diyot köprüsü kullanılmıştır. Yarı iletken anahtar olarak gövde diyotlu IHW30N60R5 IGBT kullanıldığından devrede ilave bir diyota ihtiyaç duyulmaz. YKSR uygulamasında kullanılan bobinin teknik özellikleri Tablo 3’te verilmektedir.

Tablo 3. YKSR eviricili endüksiyon uygulamasında kullanılan

bobine ilişkin teknik özellikler.

n

Bobinin dış çapı

83.4

Bobinin iç çapı

Bir litz telinin tel miktarı

Tek telin tel çapı CCA telin iletkenliği

0.135 mm

???????????? ���

3.37× 107

S/m

YKSR eviricinin bir sonucu olarak C��� rezonans kapasitör değeri C���� ve C���� olacak şekilde iki eş parçaya bölünmüş ve 340 nF olarak seçilmiştir. C� filtre kondansatörü 5 μF, L� filtre bobini ise 250 μH olarak seçilmiştir. Bastırma kapasitörleri C�� ve C�� 11 nF olarak seçilmiştir. Diğer tüm devre parametreleri Tablo 4’te verilmektedir.

Tablo 4. YKSR eviricili endüksiyon devresi parametre değerleri.

Mak. resonans devresi akımı

????????????�������� 42.26 APEAK

Resonans frekansı

?????????�??? ��

20.65 ????????????????????????????????????

Minimum anahtarlama frekansı fSW min

kHz

Tenceresiz eşdeğer endüktans ????????????�������� 103

µH

????????????�������� 0.085

Döküm tencereli eşdeğer endük. ????????????����� 88.27 µH

Döküm tencereli eşdeğer direnç ????????????����� 4.876

Toplam resonans kapasitesi

????????????���

680 ????????????????????????

Kalite faktörü

4.69

Toplam bastırma kondansatörü

Ölü zaman

1.5

YKSR eviricili endüksiyon ocak ile yapılan uygulama sonucunda Tablo 5’te verilen değerler elde edilmiştir.

Tablo 5. YKSR eviricili endüksiyon devresi sonuçları.

Uygulama Sonucu

Maksimum bobin akımı

43.6A @21kHz

Minimum kesme akımı

9.65A @21kHz

Maksimum kesme akımı 22.48A @ 24.1kHz

Ortalama Giriş Gücü

2197W

125/129

Şekil 31. Prototip devre kullanılarak elde edilen ayrıntılı dalga biçimleri. Mavi sinyal: IGBT kolektör emitör voltajı VCE (90V/div), Sarı sinyal: IGBT Akımı (10A/div).

Şekil 31’de YKSR eviricili uygulama devresi yardımıyla elde edilen ve yarı iletken akımı ve gerilimini gösteren osiloskop görüntüsü gösterilmektedir. Şekil 32'de uygulama devresinden elde edilen Conducted EMI sonuçları gösterilmektedir. Sonuçlar dikkatli bir şekilde incelendiğinde sonuçların her zaman standardın belirlediği limitlerin altında olduğu kolaylıkla gözlemlenebilir.

Şekil 32. Uygulama devresinin yapılan emisyon testi sonuçları. Şekil 33’te uygulama devresi ile 10 dakikalık ısıtma sonunda yapılan ısıl ölçümlerde, üst anahtarın sıcaklığının 55 C, alt anahtarın sıcaklığının 52 C derece, köprü doğrultucu sıcaklığının ise 76 C olduğu görülmektedir.

Şekil 33. Uygulama devresinin termal görüntüleri. 4.2 TAKR Evirici İçin Uygulama Devresi Şekil 34’te tencere, ocak, ve test düzeneğinden oluşan ve TAKR evirici içeren uygulama devresi gösterilmektedir.

Şekil 33. TAKR İnverter için uygulama devresi [44].

Tablo 6’da pratik uygulama devresinde kullanılan endüksiyon bobininin fiziksel ve elektriksel özellikleri gösterilmektedir.

Tablo 6. Endüksiyon bobininin fiziksel ve elektriksel özellikleri.

???????????? 28

Bobinin dış çapı Bobinin iç çapı Bir litz telinin tel miktarı

????????????� 180 mm ????????????� 30 mm

Tek telin tel çapı

0,27 ????????????????????????

Ferit için manyetik geçirgenlik

µ� 800

Tablo 7’de ise Şekil 29’da verilen üç farklı tencere ve tenceresiz durumlar için ölçülen eşdeğer endüktans ve direnç değerleri gösterilmektedir.

Tablo 7. 3 farklı tencere ve tenceresiz durumlara ait eşdeğer endüktans ve direnç değerleri.

Tenceresiz eşdeğer endüktans

????????????�������� 110 µH

????????????�������� 0,12 Ω

Döküm tencere için eşdeğer endüktans ????????????����ö�ü� 89,76 µH

Döküm tencere için eşdeğer direnç ????????????����ö�ü� 4,21 Ω

Çelik tencere için eşdeğer endüktans ????????????���Ç���� 81,81 µH

Çelik tencere için eşdeğer direnç ????????????���Ç���� 3,36 Ω

Silargan tencere için eşdeğer endüktans ????????????�������� 69,07 µH

Silargan tencere için eşdeğer direnç ????????????�������� 2,48 Ω

Tablo 7’den anlaşılacağı üzere, pratik ev uygulamalarında kullanılan döküm, çelik ve silit silargan benzeri tencereler, farklı ferromanyetik ve elektriksel özelliklere sahiptir. Bu tencere türleri endüksiyonlu ocakta kullanıldığında, farklı bobin akımları ve anahtarlama gerilimleri ortaya çıkar. Üç farklı tencere modeli kullanıldığında elde edilen bobin akımı, anahtar gerilimi ve çıkış gücü değerleri Tablo 8’de gösterilmektedir.

126/129

Tablo 8. Üç farklı tencere modeli için elde edilen akım, gerilim ve güç değerleri.

Giriş Değerleri

Çıkış Değerleri

???????????????????????????????????? ???????????????????????????????????????????????????????????? ????????????????????????

4,21 Ω 89,76 ???????????????????????? 270 ???????????????????????? 42,4 ???????????? 928 ???????????? 1276 ????????????

3,36 Ω 81,81 ???????????????????????? 270 ???????????????????????? 42,8 ???????????? 968 ???????????? 1270 ????????????

2,48 Ω 69,07 ???????????????????????? 270 ???????????????????????? 45,6 ???????????? 920 ???????????? 1255 ????????????

Şekil 35’te ilgili uygulama devresi yardımıyla elde edilen yarı iletken akımı, gerilimi ve sürme işaretleri gösteren osiloskop görüntüsü gösterilmektedir.

Şekil 34. Prototip devre kullanılarak elde edilen ayrıntılı dalga biçimleri. Mavi sinyal: IGBT kolektör emitör voltajı VCE (200V/div), Mor sinyal: bobin akımı ILEQ (10A/div), Sarı sinyal: IGBT geçit kontrol sinyali (5V/div).

5 Sonuçlar

Bu çalışmada endüksiyon ısıtmalı ocaklarda kullanılan güncel uygulamalar hakkında bilgi verilmiş, endüksiyon ısıtmalı ocaklarda yaygın olarak kullanılan tek anahtarlı kısmi rezonanslı dönüştürücüler ve yarım köprü seri rezonanslı dönüştürücüler için detaylı devre analizleri yapılmıştır. Sonrasında YKSR ve TAKR evirici içeren uygulama devresi sonuçları paylaşılmıştır. YKSR ve TAKR eviriciler için yapılan ilgili devre analizleri kullanılarak her iki yöntemin avantaj ve dezavantajları hakkında bilgiler paylaşılmış ve sonraki çalışmalara ışık tutulmaya çalışılmıştır.

6 Kaynaklar

[1] S. Zinn and S. L. Semiatin, Elements of Induction Heating Design, Control and Applications, Second Edi. California, Ohio: EPRI, ASM International, 1988.

[2] I. R. Valery, L. Don, C. Raymond, and M. Black, Handbook of Induction Heating: Manufacturing Engineering and Materials Processing, Second Edi. New York, Basel: Marcel Dekker, Inc., 2002.

[3] M. K. Salih NACAR, Selim ÖNCÜ, “Induction Heated Metal Hydride Tube for Hydrogen Storage System,” Pamukkale Univ. J. Eng. …, vol. 28, no. 5, pp. 676–680, 2022, doi: 10.5505/pajes.2021.97692.

[4] O. Lucía, P. Maussion, E. Dede, and J. M. Burdío, “Induction heating technology and its applications: Past Developments, current Technology, and future challenges,” IEEE Trans. Ind. Electron., vol. 61, no. 05, pp. 2509–2520, 2014, doi: 10.1109/TIE.2013.2281162.

[5] H. Sarnago, O. Lucia, A. Mediano, and J. M. Burdio, “A Class-E Direct AC–AC Converter With Multicycle Modulation for Induction Heating Systems,” IEEE Trans.

Ind. Electron., vol. 61, no. 5, pp. 2521–2530, May 2014, doi: 10.1109/TIE.2013.2281164. [6] H. Sarnago, O. Lucia, A. Mediano, and J. M. Burdio, “Direct AC–AC Resonant Boost Converter for Efficient Domestic Induction Heating Applications,” IEEE Trans. Power Electron., vol. 29, no. 3, pp. 1128–1139, Mar. 2014, doi: 10.1109/TPEL.2013.2262154. [7] S. Aslan, M. Ozturk, and N. Altintas, “A comparative study of SiC and Si power devices in induction cookers,” in 2018 5th International Conference on Electrical and Electronic Engineering (ICEEE), May 2018, pp. 297–301, doi: 10.1109/ICEEE2.2018.8391350. [8] H. Sarnago, O. Lucia, A. Mediano, and J. M. Burdio, “Efficient and cost-effective ZCS direct AC-AC resonant converter for induction heating,” IEEE Trans. Ind. Electron., vol. 61, no. 5, pp. 2546–2555, 2014, doi: 10.1109/TIE.2013.2262752. [9] M. Öztürk and N. Altıntaş, “Ev Tipi İndüksiyon Ocaklar İçin Çok Bobinli AC-AC Dönüştürücü Tasarımı,” EEMKON 2017, pp. 118–123, 2017, [Online]. Available: http://eemkon.org.tr/wpcontent/uploads/2017/12/eemkon2017_bildirilerkitabıv3. pdf. [10] M. A. Dzieniakowski, “Power Electronics Converters in Induction Heating – the survey,” 2017 Prog. Appl. Electr. Eng., 2017, doi: 10.1109/PAEE.2017.8009013. [11] R. W. Erickson and D. Maksimovic, Fundamentals of Power Electronics, Second edi. New York ,Boston, Dordrecht, London, Moscow: Kluwer Academic Publishers, 2004. [12] I. Nagy, Inverters-Resonant Converters. CRC, 2002. [13] S. Sakamoto, T. Mishima, and C. Ide, “A Phase-Shift PWM-Controlled ZVS Boost Full-Bridge AC-AC Converter for Metal-Surface High-Frequency Induction Heating Applications,” 2016 IEEE Energy Convers. Congr. Expo., pp. 0–6, doi: 10.1109/ECCE.2016.7854755. [14] K. S. Zachariah, M. Vennila, M. E. Madhusudhanan, and M. E. Mahavishnu, “High Power Frequency Parallel Resonance Inverter With Bridgeless Rectifier For Induction Heating Application,” 2016 Int. Conf. Electr. Electron. Optim. Tech., pp. 4847–4852, doi: 10.1109/ICEEOT.2016.7755641. [15] M. Pérez-tarragona, S. Member, H. Sarnago, and Ó. Lucía, “Design and Experimental Analysis of PFC Rectifiers for Domestic Induction Heating Applications,” IEEE Trans. Power Electron. ( Vol. 33 , Issue 8 , Aug. 2018 ), vol. 8993, no. c, doi: 10.1109/TPEL.2017.2755367. [16] H. Sarnago, O. Lucia, A. Mediano, and J. M. Burdio, “A class-e direct AC-AC converter with multicycle modulation for induction heating systems,” IEEE Trans. Ind. Electron., vol. 61, no. 5, pp. 2521–2530, 2014, doi: 10.1109/TIE.2013.2281164. [17] J. M. Sarnago, H. ; Lucia, O. ; Mediano, A. ; Burdio, “Direct AC – AC Resonant Boost Converter for,” IEEE Trans. Power Electron., vol. 29, no. 3, pp. 1128–1139, 2014, doi: 10.1109/TPEL.2013.2262154. [18] H. Sarnago, O. Lucia, S. Member, J. M. Burdío, and S. Member, “Multiple-Output ZCS Resonant Inverter for Multi- Coil Induction Heating Appliances,” doi: 10.1109/APEC.2017.7931010. [19] W. Han, K. T. Chau, Z. Zhang, and C. Jiang, “SingleSource Multiple-Coil Homogeneous Induction Heating,” IEEE Trans. Magn. ( Vol. 53 , Issue 11 , Nov. 2017 ), vol. 53, no. 11, doi: 10.1109/TMAG.2017.2717867. [20] P. Taylor and B. S. Sazak, “A Capacitor Voltage Clamped Dual Half- Bridge Series-Resonant Inverter for Home

127/129

Cooking Applications,” no. October 2014, pp. 37–41,

2006, doi: 10.1080/00207210410001712165.

[21] B. S. S. Sevilay ÇETİN, “Mutfak Tipi Isıtma

Uygulamaları İçin İki Çıkışlı Bir İndüksiyon Isıtma

İnverteri Tasarımı,” Pamukkale Univ. J. Eng. …, vol. 12,

no. 3, pp. 397–401, 2006.

[22] F. Monterde, P. Hernández, J. M. Burdío, J. R. García, and

A. Martínez, “Multiple-Output Series-Resonant Inverter

for Induction Cookers Previous state-of-the-art F1,” EPE

99 - Lausanne, pp. 1–8.

[23] H. Sarnago, O. Lucia, A. Mediano, and J. M. Burdio, “A

class-e direct AC-AC converter with multicycle

modulation for induction heating systems,” IEEE Trans.

Ind. Electron., vol. 61, no. 5, pp. 2521–2530, 2014, doi:

10.1109/TIE.2013.2281164.

[24] F. Forest, S. Faucher, J. Y. Gaspard, D. Montloup, J. J.

Huselstein, and C. Joubert, “Frequency-synchronized

resonant converters for the supply of multiwinding coils in

induction cooking appliances,” IEEE Trans. Ind.

Electron., vol. 54, no. 1, pp. 441–452, 2007, doi:

10.1109/TIE.2006.888797.

[25] M. Saoudi, D. Puyal, H. Sarnago, D. Anton, and A.

Mediano, “A new multiple coils topology for domestic

induction cooking system,” Proc. 2011 14th Eur. Conf.

Power Electron. Appl., pp. 1–7, 2011.

[26] M. Öztürk, “MS061 İndüksiyonlu Cam Ocak - Ferre

Türkiye - Ferre Ankastre,” https://www.ferreturkiye.com/,

2020. https://www.ferreturkiye.com/product/ms061-

induksiyonlu-cam-ocak/7101/.

[27] J. Acero, R. Alonso, J. M. Burdío, L. A. Barragán, and C.

Carretero, “A model of losses in twisted-multistranded

wires for planar windings used in domestic induction

heating appliances,” Conf. Proc. - IEEE Appl. Power

Electron. Conf. Expo. - APEC, pp. 1247–1253, 2007, doi:

10.1109/APEX.2007.357674.

[28] J. Acero, J. M. Burdío, L. A. Barragán, and R. Alonso, “A

model of the equivalent impedance of the coupled

winding-load system for a domestic induction heating

application,” IEEE Int. Symp. Ind. Electron., no. 1, pp.

491–496, 2007, doi: 10.1109/ISIE.2007.4374646.

[29] F. Tourkhani and P. Viarouge, “Accurate analytical model

of winding losses in round Litz wire windings,” IEEE

Trans. Magn., vol. 37, no. 1, pp. 538–543, 2001, doi:

10.1109/20.914375.

[30] P. Hernandez, F. Monterde, and J. M. Burdio, “About the

power losses distribution in inductors for induction

cooking appliances,” Epe, pp. 1–7, 1999, [Online].

http://scholar.google.com/scholar?hl=en&btnG=Search&

q=intitle:About+the+power+losses+distribution+in+indu

ctors+for+induction+cooking+appliances#0.

[31] A. D. Podoltsev, I. N. Kucheryavaya, and B. B. Lebedev,

“Analysis of Effective Resistance and Eddy-Current

Losses in Multiturn Winding of High-Frequency Magnetic

Components,” IEEE Trans. Magn. VOL. 39, NO. 1,

JANUARY 2003, vol. 39, no. 1, pp. 539–548, 2003.

[32] C. R. Sullivan, “Computationally Efficient Winding Loss

Calculation Geometry,” IEEE Trans. POWER Electron.

VOL. 16, NO. 1, JANUARY 2001, vol. 16, no. 1, pp. 142–

150, 2001.

[33] P. Hernandez, F. Monterde, J. M. Burdi, J. R. Garcia, and

S. Llorente, “Power Losses Distribution in the Litz-wire

Winding of an Inductor for an Induction Cooking

Appliance,” IEEE 2002 28th Annu. Conf. Ind. Electron.

Soc.

IECON

02,

10.1109/IECON.2002.1185432.

[34] J. Acero, C. Carretero, R. Alonso, and J. M. Burdío,

“Quantitative Evaluation of Induction Ef fi ciency in

Domestic Induction Heating Applications,” IEEE Trans.

Magn. VOL. 49, NO. 4, April 2013, vol. 49, no. 4, pp.

1382–1389, 2013.

[35] M. Saoudi, D. Puyal, D. Antón, and A. Mediano,

“Domestic induction cooking with a new loads

multiplexing topology using mechanical switches,” Proc.

- ISIE 2011 2011 IEEE Int. Symp. Ind. Electron., pp. 233–

238, 2011, doi: 10.1109/ISIE.2011.5984163.

[36] T. Hirokawa, E. Hiraki, T. Tanaka, M. Imai, K. Yasui, and

S. Sumiyoshi, “Dual-frequency multiple-output resonant

soft-switching inverter for induction heating cooking

appliances,” IECON Proc. (Industrial Electron. Conf., vol.

2,

5028–5033,

2013,

10.1109/IECON.2013.6699950.

[37] L. C. Meng, K. W. E. Cheng, and P. C. K. Luk, “Field

analysis of an induction cooker with square 9-coil system

by applying diverse exciting patterns,” 6th IET Int. Conf.

Power Electron. Mach. Drives (PEMD 2012), pp. F21–

F21, 2012, doi: 10.1049/cp.2012.0359.

[38] O. Lucía, J. M. Burdío, I. Millán, and J. Acero, “Multipleoutput resonant inverter topology for multi-inductor

loads,” Conf. Proc. - IEEE Appl. Power Electron. Conf.

Expo. - APEC, no. c, pp. 1328–1333, 2010, doi:

10.1109/APEC.2010.5433401.

[39] Ó. Lucía, J. M. Burdío, L. A. Barragán, J. Acero, and I.

Millán, “Series-resonant multiinverter for multiple

induction heaters,” IEEE Trans. Power Electron., vol. 25,

no. 11, pp. 2860–2868, 2010, doi:

10.1109/TPEL.2010.2051041.

[40] “Mutfak Uygulamaları İçin Yarım Köprü Seri Rezonans

İnvertörlü İndüksiyon Isıtma Sistemi Tasarımı,”

Pamukkale Univ. J. Eng. …, vol. 8, no. 2, pp. 167–172,

http://pajes.pau.edu.tr/jvi.aspx?un=PAJES-

80963&volume=.

[41] Marian K. Kazimierczuk and C. Dariusz, Resonant Power

Converters, Second. New Jersey, Canada: A JOHN

WILEY & SONS, INC., PUBLICATION, 2011.

[42] F. Zungor, H. Bodur, M. Ozturk, and H. Obdan, “Design

Methodology of Series Resonant Half Bridge Inverter for

Induction Cooker,” IEEE Access, vol. 11, no. November,

135476–135492,

2023,

10.1109/ACCESS.2023.3338542.

[43] M. Ozturk, F. Zungor, B. Emre, and B. Oz, “Quasi

Resonant Inverter Load Recognition Method,” IEEE

Access, vol. 10, no. August, pp. 89376–89386, 2022, doi:

10.1109/ACCESS.2022.3201355.

[44] M. Ozturk, “A Simplified Design Method for Quasi-

Resonant Inverter Used in Induction Hob,” Electronics,

vol. 12, no. 19, p. 4145, Oct. 2023, doi:

10.3390/electronics12194145.

[45] B. S. Sazak and S. Cetin, “Reducing the number of

measurements in induction cooker design,” ICEMI 2009 -

Proc. 9th Int. Conf. Electron. Meas. Instruments, no. 1, pp.

1450–1454, 2009, doi: 10.1109/ICEMI.2009.5274832.

[46] B. S. Sazak, “Design of a 500W Resonant Inductıon

Heater,” Pamukkale Univ. J. Eng. …, vol. 5, no. 1, pp.

871–878,

1999,

https://www.researchgate.net/publication/267858491_DE

SIGN_OF_A_500W_RESONANT_INDUCTION_HEA

TER.

128/129

Metın Ozturk, 1981 yılında Kastamonu’da doğmuştur. 2004 yılında Yıldız Teknıik Üniversitesi Elektrik Mühendisliği Bölümü’nden Lisans Derecesi ile mezun olmuştur. 2007 yılında “Üç Fazlı Asenkron Motorun Farklı Modülasyon Teknikleriyle Kontrol Edilmesi” üzerine yaptığı Tez çalışmasıyla Yıldız Teknıik Üniversitesi Fen Bilimleri Enstitüsü Elektrik Makinaları ve Güç Elektroniği Anabilim Dalından Yüksek Lisans Derecesi ile mezun olmuştur. 2018 yılında “Ev Türü Endüksiyonlu Ocaklar İçin Yeni Bir AC-AC Dönüştürücünün Tasarımı ve Gerçekleştirilmesi” üzerine yaptığı Tez çalışmasıyla Yıldız Teknıik Üniversitesi Fen Bilimleri Enstitüsü Elektrik Makinaları ve Güç Elektroniği Anabilim Dalından Doktora Derecesi ile mezun olmuştur. 2006-2016 yılları arasında Arçelik A.Ş. Ar-Ge Merkezi’nde sırasıyla Mühendis, Uzman Mühendis ve Kıdemli Uzman Mühendis olarak görev yapmıştır. 2016 yılından günümüze kadar geçen süreçte Mamur Teknoloji Sistemleri A.Ş. Ar-Ge Merkezi’nde Elektrik ve Elektronik süreçlerin kurulması sürecini yönetmiş ve halen Elektronik projelerden Sorumlu Ar-Ge Yöneticisi olarak görev yapmaktadır. Ayrıca 2019 yılından günümüze kadar geçen süreçte İstanbul Esenyurt Üniversitesi’nde (IESU) Dr. Öğr. Üyesi olarak görev yapmakta, 2023-2024 ders yılı itibariyle IESU Elektrik-Elektronik Mühendisliği Bölümü’nde Bölüm Başkanı olarak görev yapmaktadır. Araştırma ilgi alanları arasında ev tipi endüksiyonla pişirme ve endüksiyonla ısıtma amacıyla kullanılan yarım köprü seri rezonans evirici ve tek anahtarlı kısmi rezonanslı eviricinin geliştirilmesi konuları yer almaktadır.

Fatıh Zungor, 1994 yılında İstanbul’da doğdu. 2016 yılında Sakarya Üniversitesinde Elektrik-Elektronik Mühendisliği Alanından Lisans derecesini aldı. 2018 yılında “Yeni Bir İleri Yönlü Dönüştürücü Tasarımı” üzerine yaptığı tez çalışmasıyla Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Elektrik Makinaları ve Güç Elektroniği Anabilim Dalından Yüksek Lisans Derecesi ile mezun olmuştur. 2024 yılında “Seri Rezonanslı Yarım Köprü İnverterli Ev Türü Endüksiyon Ocaklarının Analizi Ve Yeni Bir Tasarım Metodolojisinin Geliştirilmesi” üzerine yaptığı Tez çalışmasıyla Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Elektrik Makinaları ve Güç Elektroniği Anabilim Dalından Doktora Derecesi ile mezun olmuştur. 2016-2018 yılları arasında Gedik Kaynak Ar-Ge Merkezi’nde sırasıyla Mühendis ve Uzman Mühendis olarak görev yapmıştır. 2018 yılından günümüze kadar olan geçen süreçte Mamur Teknoloji Sistemleri A.Ş. Ar-Ge Merkezi’nde Elektrik ve Elektronik süreçlerin kurulmasında, Elektronik projelerden sorumlu Takım Lideri olarak görev yapmaktadır. Ayrıca 2023 yılından günümüze kadar geçen süreçte İstanbul Esenyurt Üniversitesi’nde (IESU) Öğr. Gör. olarak görev yapmaktadır. Araştırma ve ilgi alanları arasında güç faktörü düzeltme, anahtarlamalı güç kaynakları, yüksek frekans güç dönüşümü, endüksiyon ısıtma ve güç elektroniğinde aktif ve pasif bastırma hücreleri bulunmaktadır.

Durmuş Ersoy, 2014 yılında İstanbul Üniversitesi’nden elektrik ve elektronik mühendisliği alanında lisans derecesini ve 2020 yılında Yıldız Teknik Üniversitesi’nden elektronik ve haberleşme mühendisliği alanında yüksek lisans derecesini aldı. Şu anda İstanbul Üniversitesi-Cerrahpaşa, Elektrik ve Elektronik Mühendisliği Programı’nda doktora derecesini sürdürmektedir. 2021 yılından bu yana İstanbul Esenyurt Üniversitesi Elektrik ve Elektronik Mühendisliği Bölümü’nde Öğretim Görevlisi olarak çalışmaktadır. 2022 yılından bu yana Mamur Teknoloji A.Ş.’nin Araştırma ve Geliştirme Departmanında Elektrik Mühendisi olarak görev yapmaktadır. Mevcut araştırma ilgi alanları arasında gömülü sistemler, elektronik devrelerde optimizasyon teknikleri ve yapay zeka bulunmaktadır.

129/129