Akademik Veri Yönetim Sistemi
Ekici Y. E. (Yürütücü), Yetiş Günay H.
Diğer Resmi Kurumlarca Desteklenen Proje, 2025 - 2025
Elektrikli
otobüsler, sürdürülebilir ulaşım sistemlerinin temel bileşenlerinden biri
olarak, enerji verimliliği, çevresel sürdürülebilirlik ve işletme
maliyetlerinin azaltılması açısından önemli avantajlar sunmaktadır. Ancak bu
araçların performansı; sürücü davranışı, rota profili, trafik yoğunluğu ve
batarya yönetimi gibi dinamik parametrelerden önemli ölçüde etkilenmektedir. Bu
proje, “Elektrikli Otobüsler için Yapay Zekâ Tabanlı WUTP (Water Uptake and
Transport in Plants) Algoritması Kullanılarak Rejeneratif Frenleme Gücünün
Optimize Edilmesi ve Enerji Verimliliğinin Analizi” başlığı altında,
rejeneratif frenleme sürecinin yapay zekâ tabanlı bir yaklaşımla optimize
edilmesini ve böylece enerji geri kazanım oranının artırılmasını
hedeflemektedir.
Projenin
özgünlüğü, literatürdeki klasik enerji optimizasyon algoritmalarının ötesine
geçerek, biyolojik esinli ve çok parametreli öğrenme mekanizmasına sahip WUTP
algoritmasının ilk kez elektrikli otobüslerin rejeneratif frenleme sistemlerine
uygulanmasında yatmaktadır. WUTP algoritması, sürüş koşullarını gerçek zamanlı
olarak analiz edip, enerji kaybına neden olan ani hızlanma, gereksiz frenleme
ve yetersiz rejeneratif enerji dönüşümü gibi durumları minimize edecek şekilde
kendi ağırlık katsayılarını dinamik olarak güncelleyebilmektedir. Bu sayede hem
batarya ömrü uzatılmakta hem de enerji verimliliği geleneksel kontrol
yöntemlerine göre %10–15 oranında artırılabilmektedir. Proje, aynı zamanda,
veri odaklı sürücü performans optimizasyonu ile yapay zekâ tabanlı enerji
yönetimini bütünleştirerek, kent içi elektrikli otobüs filolarının enerji
tüketim modellemesine yenilikçi bir bakış açısı kazandırmaktadır.
Proje
kapsamında, Türkiye’de aktif olarak kullanılan bir elektrikli otobüs filosundan
elde edilecek büyük veri seti (big data) kullanılarak, sürücü davranışı, yol
eğimi, hız profili, ortam sıcaklığı, batarya durumu, enerji tüketimi ve
rejeneratif frenleme parametreleri analiz edilecektir. Bu veriler, öncelikle
veri temizleme ve özellik seçimi aşamalarından geçirilerek, WUTP algoritmasının
eğitim sürecinde kullanılacak nitelikli veri kümesine dönüştürülecektir.
Algoritma, yapay sinir ağları (YSA), bulanık mantık ve evrimsel optimizasyon
yaklaşımlarının birleşiminden oluşan hibrit bir yapay zekâ mimarisi üzerine
inşa edilecektir.
Gerçek
zamanlı simülasyon ortamı MATLAB/Simulink ve Python tabanlı bir modelleme
arayüzü ile oluşturulacak, algoritmanın çıktıları hem simülasyon ortamında hem
de saha testlerinde doğrulanacaktır. Test senaryolarında, rejeneratif frenleme
performansı, enerji tüketim oranı, batarya sıcaklık yönetimi ve menzil
değişimleri ölçülerek karşılaştırmalı analizler yapılacaktır.