Bataryaların kalan faydalı ömrünün yapay zeka yöntemleri kullanılarak incelenmesi

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, HAVACILIK ELEKTRİK VE ELEKTRONİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: ABDULHALUK KULOĞLU

Danışman: Mehmet Konar

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Şarj edilebilir bataryalar, modern teknolojik sistemlerin temel güç kaynakları olarak kritik bir rol oynamaktadır. Ancak bu bataryaların sınırlı bir çevrim ömrüne sahip olması, kullanım ömürleri dolduğunda değiştirilmelerini gerektirir. Bu bağlamda Lityum-iyon bataryalar, yüksek enerji yoğunluğu, hızlı şarj özelliği ve hafiflik gibi avantajları nedeniyle birçok uygulama için ideal bir seçenek olsa da, ısıl bozunma ve yaşlanma gibi önemli dezavantajlar da bulunmaktadır. Bataryaların kullanım ömrünü en üst düzeye çıkarmak için ideal şarj ve saklama koşulları gerekse de, bu koşulların pratikte her zaman optimum düzeyde sağlanamaması, bataryaların Kalan Faydalı Ömrünün (RUL) ve Sağlık Durumunun (SoH) tahmin edilmesini zorunlu kılmaktadır. Bu tür öngörüsel tahminler, sistem güvenliğini artırarak olası kazaların ve öngörülemeyen operasyonel problemlerin önlenmesinde hayati bir öneme sahiptir. Bu çalışmanın temel amacı, Li-ion bataryaların sağlık durumunu yüksek doğrulukla tahmin etmeye yönelik olarak yedi farklı makine öğrenmesi ve derin öğrenme modelinin performansını karşılaştırmalı olarak analiz etmektir. Bu kapsamda, NASA Ames Prognostik Mükemmeliyet Merkezi (Prognostics Center of Excellence, PCOE) tarafından yayımlanan batarya veri seti kullanılmıştır. Çalışmada, RWKV, LSTM, k-NN, GBT, SVM, LR, EL makine öğrenmesi ve derin öğrenme yöntemlerinin SoH ve RUL tahmin yetenekleri incelenmiştir. Elde edilen bulgulara gore, GBT modeli SoH tahmininde en düşük hatayı (RMSE:0.0047) verirken, RWKV modeli RUL tahmininde en kararlı sonuçları (0.96 çevrim sayısı) sunmuştur.