7 results
Search Results
Now showing 1 - 7 of 7
Doctoral Thesis mmDalga Radar Kullanarak Drone Sürülerinin İSAR Görüntülenmesi(2025) Çoruk, Remziye Büşra; Aydın, Elif; Kara, AliTeknolojide drone ve drone sürülerinin kullanımının artmasıyla birlikte, anti-drone teknolojilerinin kullanımı önemli ölçüde artmıştır. Ancak, sınırlı görüş alanına sahip senaryolarda drone ve drone sürülerinin tespiti literatürde kalıcı bir zorluk olmaya devam etmektedir. Bu tez, milimetre dalga (mmWave) frekans bantlarında yeniden oluşturulan drone sürülerinin Ters Sentetik Açıklıklı Radar (ISAR) görüntülerinin, oluşumlarına, boyutlarına ve yük yapılandırmalarına göre sınıflandırılmasına odaklanmaktadır. Drone sürülerinin ISAR görüntüleri, ANSYS Yüksek Frekanslı Yapısal Simülatör (HFSS) elektromanyetik simülasyon yazılımı kullanılarak üretilmiştir. Sürü yapıları, quadcopter dronlar kullanılarak modellenmiş ve oluşum tipleri, çizgi, çarpı, kare ve üçgen gibi temel geometrik şekillerle tasarlanmıştır. Sürülerdeki dronlar, orta, küçük ve mini olmak üzere üç boyutta kategorize edilmiştir. Ek olarak, yük dronları sürü yapılandırmalarına dahil edilmiştir. Yüksek çözünürlüklü ISAR görüntüleri elde etmek için radar ve simülasyon parametreleri optimize edilmiştir. Veri setini genişletmek için, ISAR görüntüleri çeşitli bakış açılarında (0° ila 350° arasında 10° artışlarla) oluşturulmuştur. ISAR görüntüleri kullanılarak sürü oluşumu tiplerinin belirlenmesi, görüntü tanıma aşamasında bir Evrişimsel Sinir Ağı (CNN) aracılığıyla gerçekleştirildi. Bunu takiben, nesne algılama aşamasında Sadece Bir Kez Bak (YOLO) algoritması kullanılarak drone boyutu ve yük tespiti gerçekleştirildi. Bu tezde elde edilen sonuçlar oldukça ümit vericidir. Genişletilmiş bir veri seti ve tespit algoritması sunarak, bu çalışma literatüre önemli katkıda bulunmaktadır.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Siniflandirmasi için Birden Fazla Aşamali Modüler Bir Yöntem(2025) Maiga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem(2025) Maıga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem(2025) Maıga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Düşük Çözünürlüklü Görüntülerde Araç Tespiti ve Sınıflandırması İçin Birden Fazla Aşamalı Modüler Bir Yöntem(2025) Maiga, Bamoye; Dalveren, YaserAkıllı ulaşım sistemlerinde (ITS) gerçek zamanlı araç tespitinin önemi, şehir trafiğindeki araç sayısındaki sonsuz ve sürekli artışla vurgulanmaktadır. Bununla birlikte, çok çeşitli kamera kaliteleri ve çözünürlükleri, farklı görüş açıları ve zayıf aydınlatma ve olumsuz hava koşulları gibi harici ve kontrol edilemeyen değişkenlerin etkisi, doğru araç tespiti ve sınıflandırmasında birçok zorluk yaratmaktadır. Derin öğrenme tabanlı nesne algılama algoritmalarının çoğu, daha önce bahsedilen bu koşullar düşük görünürlük ve/veya düşük çözünürlüklü görüntülere neden olduğu için bu tür durumlarda zorlanmaktadır. Bu kısıtlamaların üstesinden gelmek için bu çalışma, loş ışık, kötü hava koşulları ve düşük çözünürlük gibi zorlu görüntüleme durumlarına uyarlanmış gerçek zamanlı araç tespiti ve sınıflandırması için yeni, modüler, etkili ve güvenilir bir yaklaşım önermektedir. Önerilen yaklaşım iki özel veri kümesinin oluşturulmasını içermektedir. İlk veri kümesi PASCAL VOC formatında 4.500 düşük çözünürlüklü trafik manzarası görüntüsünden oluşmakta ve transfer öğrenme yoluyla bir nesne tespit modelini eğitmek için kullanılmaktadır. İkinci veri kümesi, iki farklı sınıflandırma modelini eğitmeyi amaçlayan, her biri 100 × 100 piksel boyutlarında ve 96 dpi ve altında çözünürlüğe sahip beş araç türünün 10.000 düşük çözünürlüklü görüntüsünü içerir. Önerilen yaklaşım, son teknoloji ürünü tek aşamalı bir dedektör (SSD) olan EFFICIENTDET1'i hafif bir özel evrişimli sinir ağı (CNN) sınıflandırıcısı ve bir XGBoost sınıflandırıcısı ile entegre etmektedir. Bu kombinasyon, hem makine hem de derin öğrenme algoritmalarının güçlü yönlerinden faydalanarak tespit performansını ve sınıflandırma doğruluğunu artırır. Önerilen yaklaşımın etkinliği deneysel değerlendirme ile gösterilmiştir. Önerilen yaklaşım, 0,9323 ortalama ortalama hassasiyet (mAP) ile aynı veri kümesi üzerinde karşılaştırılabilir koşullarda geleneksel ve son teknoloji nesne algılama modellerinden belirgin şekilde daha iyi performans göstermektedir. Ayrıca, çoklu işlemin uygulandığı önerilen yaklaşım, kare başına 26 milisaniyelik bir çıkarım hızına ulaşmaktadır. Bu, son teknoloji ürünü nesne yöntemlerine kıyasla hem doğruluk hem de çıkarım hızında önemli bir gelişmeye işaret etmektedir. Önerilen yaklaşımın modüler, uyarlanabilir ve ölçeklenebilir yapısı, onu ITS'deki uygulamalar için ideal kılmaktadır. Önerilen yaklaşımın yüksek doğruluğunun yanı sıra çıkarım hızı, düşük görüntü kalitesi veya olumsuz çevresel faktörler gibi koşullar altında gerçek zamanlı uygulamalar için etkili ve operasyonel bir seçenek haline getirmektedir. Sonuç olarak, önerilen yaklaşım, zorlu durumlarda daha güvenli ve daha etkili ulaşım yönetimi sağlayabileceğinden, derin öğrenme tabanlı araç algılama alanında büyük bir potansiyele sahiptir. Bu bulgular, verimli bir nesne algılama modelinin çok işlemli bir mimaride özel sınıflandırıcılarla birleştirilmesinin, gerçek zamanlı araç algılamada gelecekteki araştırmalar için umut verici bir yönü temsil ettiğini göstermektedir.Doctoral Thesis Yüksek Tork Yoğunluklu Endüksiyon Motoru Tasarımı(2025) Sıddıque, Muhammad Salık; Ertan, Hulusi BülentBu tez, Türkiye'de Ankara metro trenleri için üretilen 125 kW'lık bir indüksiyon prototip motorunun tasarımını geliştirerek indüksiyon motorları (IM) ile daimi mıknatıslı senkron motorlar (PMSM) arasındaki performans farkını kapatmaya odaklanmaktadır. Yüksek verimleri sayesinde daimi mıknatıslı motorlar elektrikli araçlarda yaygın kullanım ve popülerlik kazanmış olsa da, nadir toprak elementlerine olan bağımlılıkları, tüm hız aralığında yüksek verimi koruyan, nadir toprak elementlerinden bağımsız, maliyet-etkin alternatiflerin araştırılmasını gerektirmektedir. Sunulan araştırma, prototipin uluslararası standartlara göre test edilmesiyle başlamaktadır. Bu prototip motorun 2D modeli geliştirilmiş ve performansı ANSYS Maxwell yazılımında sonlu elemanlar analizi (FEA) kullanılarak benzetimle tahmin edilmiştir. Model, tahmin sonuçları ile test sonuçlarının karşılaştırılmasıyla geliştirilmiştir. Bu şekilde, motor momentini, akımı, kayıpları ve genel verimi %1 doğruluk içinde tahmin edebilen hassas bir model elde edilmiştir. Bu model, prototip motorun kayıp dağılımını incelemek için kullanılmıştır. Önemli kayıp bileşenleri bu yöntemle daha ayrıntılı dağıtılabilmiş ve harmonik kayıplar sonlu elemanlar yöntemi yardımıyla ayrıştırılmıştır. Motorun verimini artırmak için bu analiz esastır. Kayıp dağılımı belirlendikten sonra kayıpları ortadan kaldırma yolları aranabilir ve motorun verimi artırılabilir. Verimin artırılması, ya motor çıkışının modifikasyon öncesi kayıp seviyesine ulaşana kadar yükseltilmesini ya da motorun daha soğuk çalışmasını sağlar. Geliştirilen model kullanılarak, ilk olarak manyetik yükleme değiştirilerek ve iletken kesit alanı artırılarak stator tarafındaki bakır kayıplarının azaltılması araştırılmıştır. Bu, prototip motora kıyasla bakır kayıplarını azaltmasına rağmen, manyetik yüklemenin artırılmasının doyum seviyesini (çekirdek kayıpları %13 artmıştır) ve manyetize edici akımı yükselttiği, bu nedenle stator akımının yaklaşık %15 arttığı ve güç faktörünün benzer oranda azaldığı bulunmuştur. Motor performansını iyileştirmek için diğer bir önemli strateji motor iç çapını artırmak ve böylece, kalkış ve maksimum moment dahil stator ve rotor oluk alanlarını artırabilmektir. stator iç çapının yeniden boyutlandırılmasıyla iyileştirmektir. İç çap, rotor ve stator diş genişlikleri korunacak şekilde artırılmış ve stator arka çekirdeğinde hedeflenen akı yoğunluğu (1.85 T tepe) sağlanmıştır. İç çapın artırılması, manyetik yüklemeyi azaltmaktadır. Bu çalışmada iç çapın artirilması verimi %93.7'den %93.9'a çıkarmıştır. Kayıplar azalmış olsa da, prototip motora kıyasla manyetik yükleme çalışmasında olduğu gibi sınırlı artış, optimal stator iç çapının araştırılması gerektiğini göstermektedir. Artırılan iç çap, rotor arka çekirdeğinde daha fazla alan oluşturduğu için rotor bakır çubuğunun yüksekliğinin artırılmasına da imkân vermektedir. Optimal iç çap ve daha derin rotor çubukları kullanılarak motor verimi %93.9'dan %94.5'e ulaşmıştır (optimal iç çap = 280 mm, artırılmış iç çap = 284 mm). Azaltılmış manyetik yükleme ile çekirdek neredeyse hiç doymamakta ve stator akımı prototip motor seviyesinde kalmaktadır. Kayıp dağılımının incelenmesi ayrıca stator oluklardan kaynaklanan yüksek harmonik kayıplara işaret etmektedir. Tezin ikinci odak noktası, toplam kaybın %13'ünü oluşturan harmonik çekirdek ve bakır kayıplarının azaltılmasıdır. Harmonik kaybı azaltmak için yarı kapalı stator olukları kullanılmıştır. Hava aralığındaki harmonik akı bileşenlerinin büyüklüğünün azalması, prototip motora kıyasla rotor yüzey çekirdek kaybını ve bakır kaybını %55 azaltmıştır. Ancak, yarı kapalı oluklar önceden sarılmış stator sargıları için tercih edilmemektedir. Bu sorunu çözmek için, yarı kapalı oluklara alternatif olarak stator açık olukları üzerine kılıf (sleeve) adı verilen ince bir silisli saç tabaka yerleştirilmiştir. Bu çözüm de prototip motora kıyasla harmonik kayıpları en fazla %55 azaltmaktadır. Benzetim çalışmalarında, kalan harmonik kaybın %40'ının rotor çubuklarında gerçekleştiği gözlemlenmiştir. Rotor çubuklarındaki kayıp dağılımının incelenmesi, bu kayıpların çoğunluğunun, belirli bir derinliğe kadar bara içine nüfuz eden temel harmoniklerden kaynaklandığını göstermektedir. Dolayısıyla, rotor çubuklarının harmonik nüfuz derinliğinden daha derine yerleştirilmesiyle harmonik kayıpların daha da azaltılması mümkündür. Bu tezde, rotor çubuklarının temel harmoniklerin ulaştığı derinliğin ötesine yerleştirilmesiyle, harmonik rotor bakır kaybını azaltmayı amaçlayan, yeni rotor oluk tasarımları önerilmektedir. Eğimli oluk dudakları (tapered slot lips) ve boş üst oluk yapıları (empty-top slot) gibi tasarımlar temel harmoniklerden kaçınmaya yardımcı olmaktadır. Önerildiği şekilde çubuklar yerleştirildiğinde, harmonik rotor bakır kaybında %80'e kadar (0.73 kW'tan 0.15 kW'a) azalma sağlanabileceği bulunmuştur. Optimal iç çap, eğimli dudaklı rotor oluğu ve stator açık oluklar üzerine yerleştirilen kılıfın birleşimiyle oluşturulan yeni tasarım %95 verim sağlamaktadır. Yeni tasarımın güç faktörü hafifçe azalmış, ancak prototip motora kıyasla %2 içinde kalmıştır (0.87'ye karşı 0.88) ve kalkış momenti %3 artmıştır. Kılıf ve demir çerçeve bazı ek çekirdek kayıpları getirse de, toplam kayıplar prototip motora kıyasla 8.44 kW'tan 6.6 kW'a önemli ölçüde azalmıştır. Özellikle stator bakır kayıpları %12, rotor bakır kayıpları %47 ve rotor çekirdek kayıpları %75 azalmıştır. Lütfen dikkat ediniz ki yeni tasarımda harmonik kayıpların %80'i (rotor diş kaybı ve harmonik rotor bakır kaybı) prototip motora kıyasla ortadan kaldırılmıştır (1 kW'tan 0.19 kW'a). Örneğin, prototip motor bir PMSM olsaydı, verimi %96.1 olurdu (rotor bakır kaybı ve manyetize edici akım olmadığı varsayıldığında). Bu değer, %95 verime ulaşan geliştirilmiş yeni tasarım motora oldukça yakındır. Prototip motorun kayıp dağılım analizi, kayıpların %30'unun çekirdek kaybı olduğunu göstermektedir. Daha iyi bir çekirdek malzemesi arayışı yapılmıştır. JFE süper çelik 10JNEX900 malzemesi çekirdek laminasyonlarında kullanıldığında, yeni tasarımın veriminin %93.7 verimli prototip motora kıyasla %96.2'ye çıkarılabileceği bulunmuştur. Ayrıca farklı rotor çubuğu malzemeleri de araştırılmıştır. Bakır alüminyum oksit CuAl2O3 bu amaç için uygun bulunmuştur. FE analizleri, yeni çubuk malzemesiyle rotor bakır kaybında (120 W) ve verimde (%0.1) minimal bir iyileşme olduğunu göstermiştir. Bunun nedeni, prototip rotor çubuğu malzemesinin zaten yüksek iletkenliğe sahip olmasıdır. Özetle, bu tez, çekiş uygulamalarında indüksiyon motoru performansını artırmaya yönelik etkili bir tasarım yaklaşımı geliştirmektedir.Doctoral Thesis Ticari Radar Platformlarıyla Tahribatsız Muayene için Sar Görüntüleme(2024) Yalçınkaya, Bengisu; Aydın, Elif; Kara, AliTicari olarak temin edilebilen frekans modülasyonlu sürekli dalga (FMSD) milimetre dalga (mmDalga) radarları, mmDalga teknolojisindeki son gelişmelerle beraber radar görüntüleme uygulamalarında giderek daha popüler hale gelmiştir. mmDalga sensörlerinin derin penetrasyon ve yüksek çözünürlük yetenekleri sayesinde, mmDalga sensörlerini benimseyen sentetik açıklıklı radar (SAR) görüntüleme uygulamaları, tahribatsız muayenede (TM) kusur tespiti için büyük bir vaat taşımaktadır. Bununla birlikte, yüksek çözünürlüklü görüntüleme elde etmek için önerilen algoritmik, yapısal ve deneysel çözümler genellikle yüksek maliyet ve karmaşıklık sorunlarıyla sonuçlanmaktadır. Dahası, verimli işleme açısından optimize edilmiş sistem parametreleriyle düşük yansıtıcı malzemelerdeki asgari kusurları tespit etmek ve kusurlu nesnelerin otomatik tespiti yeterince ele alınmamaktadır. Bu tez, SAR görüntülerinden derin öğrenmeye dayalı otomatik kusur tespiti uygulamasını ve TM uygulamalarında kullanım için özel olarak optimize edilmiş sistem parametrelerine sahip yüksek çözünürlüklü ve uygun maliyetli iki boyutlu (2B) mmDalga SAR görüntüleme sistemini tanıtmaktadır. 77 ile 81 GHz arasında çalışan ticari olarak satılan (TOS) bir FMSD radar sensörüyle entegre edilmiş iki eksenli otonom bir tarayıcı inşa etmekteyiz. Deneysel ölçümler, radar sensörünün tek bir alıcı-verici çiftini kullanan bir laboratuvar ortamında gerçekleştirilmektedir. FMSD radar sinyal özellikleri, mekansal örnekleme aralıkları ve tarama açıklıkları dahil olmak üzere yeniden oluşturulan görüntü kalitesini etkileyen sistem parametreleri, yüksek çözünürlük ve düşük hesaplama karmaşıklığı elde etmek için optimize edilmiştir. Düşük yansıtıcı ve hasarlı olanlar dahil olmak üzere farklı tür ve boyutlardaki nesnelerin SAR görüntüleri elde edilmiş ve sistem parametrelerinin görüntü kalitesi üzerindeki etkisi araştırılmıştır. Hedef malzemenin bileşiminin SAR görüntüleme üzerindeki etkisiyle birlikte, hedefte görsel olarak tespit edilemeyen kusurların SAR görüntüleme yoluyla tespit edilebilme potansiyeli irdelenmiştir. Ayrıca, derin öğrenme uygulamaları aracılığıyla arızalı nesnelerin otomatik tespiti için eşleştirilmiş filtre tabanlı bir SAR görüntü veri kümesi oluşturma yöntemi önerilmiştir. Bu sayede gerçek SAR ölçümlerinden elde edilen geniş ve çeşitli SAR görüntüleri içeren bir veri seti oluşturulmuş ve derin öğrenme şemalarının TM uygulamalarına uyarlanması sağlanmıştır. Bulgular, önerilen sistemin düşük maliyetli, yüksek çözünürlüklü 2B SAR görüntüleme için ve düşük radar yansıtıcılığına sahip minyatür malzemelerdeki minimal kusurların tespiti için önemini göstermektedir.
