Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: SEMA NUR İPEK
Asıl Danışman (Eş Danışmanlı Tezler İçin): Kamuran Nur Bekiroğlu
Eş Danışman: Engin Ayçiçek
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Elektrik makinesi tasarım optimizasyonu, birbirleriyle aynı doğrultuda iyileşme göstermeyebilecek hedefler ve parametreler arasında var olabilecek doğrusal olmayan ilişkiler nedeniyle oldukça karmaşık bir problem alanı oluşturmaktadır. Literatürde yer alan geleneksel optimizasyon yöntemlerinin bir kısmı, veri sayısındaki azlık nedeniyle genelleştirilebilirlikten uzaklaşmakta ya da kullanılan algoritmanın doğası gereği yüksek hesaplama maliyetleri gerektirmektedir. Bunların yanı sıra, bazı çalışmalarda makine tasarım parametrelerinin deneysel olarak elde edilmesi zahmetli süreçler gerektirmektedir. Ayrıca, üreticiye özgü verilere erişimin kısıtlı olduğu durumlar da tasarım ya da optimizasyon süreçleri için önemli bir engel teşkil etmektedir. Bu tez kapsamında, düşük gerilimli sincap kafes asenkron motorların tasarım optimizasyonu için Yapay Sinir Ağı ve Yılan Optimizasyonu Algoritmasının entegre edildiği özgün bir hibrit metodoloji geliştirilmiştir. Önerilen iki aşamalı yaklaşımda, ilk aşamada 4-900 kW güç aralığındaki 1164 motor verisinden öğrenen Yapay Sinir Ağı modelleri (elektriksel parametreler için Çok Katmanlı Algılayıcı (MLP), mekanik parametreler için Tekrarlayan Sinir Ağı (RNN)) ile başlangıç tasarım parametreleri tahmin edilmekte; ikinci aşamada ise bu tahminler, Yılan Optimizasyonu Algoritmasının başlangıç vektörü olarak kullanılmakta ve uygulanan adaptif sınırlama stratejisiyle verim hedefi doğrultusunda optimize edilmektedir. Elektrik makinesi tasarımına özgü uyarlanan Yılan Optimizasyonu Algoritması ve uygulanan adaptif sınırlama stratejisi ile hem hızlı yakınsama sağlanmış hem de mühendislik açısından uygulanabilir çözümler elde edilmiştir. Geliştirilen hibrit yapı, makine öğrenmesinin hızlı tahmin kabiliyeti ile meta-sezgisel optimizasyonun global arama yeteneğini bir araya getirerek hem hesaplama verimliliği hem de yüksek çözüm kalitesi sunmakta ve optimal tasarım parametrelerine etkin bir şekilde ulaşılmasını mümkün kılmaktadır. Geliştirilen metodoloji, özellikle kritik tasarım verilerine erişimin kısıtlı olduğu durumlarda, tasarımcılara güvenilir bir başlangıç noktası sunarak tasarım sürecini önemli ölçüde kolaylaştırmakta ve endüstriyel uygulamalara katkı sağlamaktadır.