Elektrikli Liman Traktörlerinde Gerçek Operasyonel Veriler Kullanılarak Makine Öğrenmesi Tabanlı Batarya Şarj Durumu Kestirimi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Makine Fakültesi, Makine Müh.Bölümü, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: Hamdi ERGÖK
Asıl Danışman (Eş Danışmanlı Tezler İçin): Özden Ağra
Eş Danışman: Alp Tekin Ergenç
Özet:
Bu çalışma, ağır hizmet tipi elektrikli liman traktörlerinde gerçek zamanlı operasyonel veriler kullanılarak batarya davranışlarının veri odaklı yöntemlerle analiz edilmesini ve kısa vadeli SOC kestiriminin amaçlanmaktadır. Liman operasyonları; yüksek akım çekişleri, ani yük değişimleri ve değişken çevresel koşullar nedeniyle elektrikli araç sistemleri üzerinde önemli termal ve enerji yükleri oluşturmaktadır. Bu durum yalnızca enerji tüketimini değil, aynı zamanda batarya ömrünü, operasyonel güvenliği ve sistem kararlılığını da doğrudan etkilemektedir. Özellikle ağır hizmet tipi terminal traktörlerinde sürekli dur-kalk karakteristiği, yüksek tork gereksinimi, çevre sıcaklığı, arazi eğim-engel yapısı ve vardiya süreleri, klasik binek elektrikli araçlara kıyasla daha karmaşık bir enerji yönetimi problemi ortaya çıkarmaktadır.
Çalışmada kullanılan veri seti, elektrikli bir liman traktöründen elde edilen telemetri kayıtlarından oluşturulmuştur. Farklı operasyonel koşulları temsil eden toplam 45 bağımsız çalışma seansı birleştirilerek yaklaşık 122.450 gözlemden oluşan bütünleşik bir veri seti hazırlanmıştır. Veri setinde batarya gerilimi, batarya akımı, SOC, motor sıcaklığı, motor kontrol ünitesi sıcaklığı, ortam sıcaklığı ve DC-DC dönüştürücü parametreleri gibi operasyonel değişkenler yer almaktadır.
Modelleme öncesinde veri temizleme, eksik veri yönetimi, aykırı değer kontrolü ve zaman serisi doğrulama işlemleri gerçekleştirilmiştir. Ham sensör verilerine ek olarak batarya gücü, kümülatif enerji tüketimi, gerilim-akım etkileşim terimi, kayan ortalama güç, operasyon süresi ve gerilim değişim hızı gibi türetilmiş özellikler oluşturularak veri seti zenginleştirilmiştir.
SOC kestirimi amacıyla Extreme Gradient Boosting (XGBoost), Ridge Regresyon, Destek Vektör Regresyonu (SVR) ve İlişkilendirilmiş Yapay Sinir Ağı (Scaled ANN) modelleri geliştirilmiş ve aynı veri yapısı üzerinde karşılaştırmalı olarak değerlendirilmiştir. Elde edilen sonuçlar, tüm modellerin SOC tahmini açısından başarılı performans gösterdiğini ortaya koymakla birlikte, XGBoost modelinin en yüksek açıklayıcılık katsayısına (R²) ve en düşük tahmin hatalarına ulaşarak diğer yöntemlere kıyasla daha başarılı sonuçlar ürettiğini göstermiştir.
Elde edilen bulgular, veri odaklı makine öğrenmesi yöntemlerinin gerçek saha koşullarında yüksek doğruluklu kısa vadeli SOC kestirimi sağlayabildiğini göstermektedir. Ayrıca çok seanslı operasyonel yapı sayesinde modellerin farklı sürüş karakteristikleri ve yük profilleri altında daha güçlü genellenebilirlik sergilediği, aynı şekilde farklı iklim koşullarında odaklı gelecek tahminlerinin yapılabileceği gözlemlenmiştir. Çalışmanın, elektrikli liman araçlarında enerji yönetimi, kestirimci bakım ve operasyonel verimlilik alanlarına katkı sağlaması hedeflenmektedir.