Lityum iyon batarya kapasitesinin genetik algoritma destekli yapay sinir ağı yöntemleri ile tahmini
Tez Türü: Doktora
Tezin Yürütüldüğü Kurum: Ondokuz Mayıs Üniversitesi, Lisansüstü Eğitim Enstitüsü, Türkiye
Tez Danışmanı: Serap Karagöl
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Desteklendiği Program: Öğretim Üyesi Yetiştirme Programı (ÖYP)
Özet:
Lityum-iyon bataryaların sundukları kullanım kolaylığı ve maliyet avantajları, bu bataryaların yaygınlaşmasına katkı sağlamış, ancak ömür ve güvenilirlik konusundaki endişeler, doğru kapasite ve sağlık bilgilerine erişimin önemini artırmıştır. Bu çalışma, lityum-iyon bataryaların kapasitesini yüksek doğrulukla tahmin etmek için iki farklı veri seti kullanarak geliştirilen yöntemleri sunmaktadır. İlk olarak, NASA’nın deneysel veri seti kullanılmıştır. Şarj ve deşarj döngüleri sırasında elde edilen akım ve gerilim verileri kullanılarak dört temel özellik çıkarılmıştır. Bu özellikler ile batarya kapasiteleri arasındaki ilişki, Pearson korelasyon katsayısı ile analiz edilmiştir. Korelasyon analizi sonucunda bazı bataryalarda özellik sayısı üçe indirilmiş ve tahmin doğruluğunu artırmak için uygun özellikler seçilmiştir. Genetik Algoritma (GA) kullanılarak Evrişimli Sinir Ağı (CNN), Geriye Yayılım (BP) ve Tekrarlayan Sinir Ağı (RNN) algoritmalarının parametre optimizasyonu gerçekleştirilmiştir. GA, doğal seçilim ve genetik süreçleri kullanarak en iyi performansı sağlayan parametreleri daha kısa sürede belirlemiştir. Bu yöntemin performansı, beş farklı metrik kullanılarak değerlendirilmiştir: Ortalama Kare Hata (MSE), Ortalama Karekök Hata (RMSE), Normalleştirilmiş Ortalama Karekök Hata (NRMSE), Ortalama Mutlak Hata (MAE) ve Kare Korelasyonu (R2). 100 eğitim verisi kullanılarak yapılan tahminlerde, %0.1176 RMSE değeri ile 68 veri tahmini yapılmıştır. Bu sonuç, literatürdeki benzer çalışmalara kıyasla 2.5 katlık bir iyileşme düzeyini temsil etmektedir. İkinci çalışmada ise, Oxford’un deneysel veri seti kullanılarak şarj ve deşarj çevrimlerinden elde edilen gerilim verilerinden üç karakteristik özellik çıkarılmıştır. Bu özellikler ile pil kapasiteleri arasındaki ilişki, Pearson korelasyon katsayısı ile analiz edilmiş ve tüm bataryalar için uygun olduğu görülmüştür. Yine CNN, BP ve RNN algoritmalarının parametre optimizasyonu, %25, %50 ve %75 eğitim verisi kullanılarak GA ile gerçekleştirilmiştir. GA, en iyi performansı sağlayan parametreleri belirlemek için doğal seçilim ve genetik süreçleri kullanmıştır. Bu yöntemin doğruluğu da MSE, RMSE, NRMSE, MAE ve R2 metrikleri ile değerlendirilmiştir. Cell1 için, %0.0068 Ah RMSE değeri ile 60 eğitim verisi kullanılarak 23 veri tahmini yapılmıştır. Bu çalışma, lityum-iyon bataryaların kapasitesini yüksek doğrulukla tahmin etmek için GA ile optimize edilmiş sinir ağı modellerinin kullanımının etkinliğini göstermektedir. NASA ve Oxford veri setleri üzerinde yapılan tahminler, yöntemlerin üstün doğrulukta sonuçlar verdiğini ve pil ömrü ve güvenilirliği konusundaki endişelerin giderilmesine katkıda bulunduğunu ortaya koymaktadır.