KaydedilenlerDerginizi ekleyin

Dergiler / Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2026 / Cilt: 14 Sayı: 1

Veriye Dayalı Modelleme Yöntemleri Kullanarak Küçük Ölçekli Rüzgar Türbinlerinin Tork Tahmin Tabanlı Performans Analizi

Torque Prediction Based Performance Analysis of Small-Scale Wind Turbines Using Data Driven Modelling Methods

Muhammed Serdar Kaleli(ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ, ÇAN MESLEK YÜKSEKOKULU)0000-0001-7771-2995
Ali Rıza Kaleli(SAMSUN ÜNİVERSİTESİ)0000-0002-3234-5922
Cahit Yalçıner(ÇANAKKALE ONSEKİZ MART ÜNİVERSİTESİ, ÇAN MESLEK YÜKSEKOKULU)0000-0003-0470-303X
Sayfa
260–269
Yayın Tarihi
2021-03-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Öte yandan, Savonius tipi rüzgar türbininin torkunun dört yapraklı türbinden daha yüksek olduğu gözlemlenmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, rüzgar türbinlerinin rotor torku, tasarlanan küçük ölçekli Savonius ve dört yaprak rotor için toplanan gerçek zamanlı verilere dayanan makine öğrenme yaklaşımı kullanılarak tahmin edilmiştir.
📊
Temel Bulgular & Veri:Uç hız oranı (TSR), makine öğrenimi modelleme tekniğinde doğrusal regresyon (LR), destek vektör makinesi (SVM) regresyonu ve Gauss işlemi (GP) regresyon yöntemlerinde ana giriş parametresi olarak seçilmiştir.
💡
Sonuç & Katkı:Öte yandan, Savonius tipi rüzgar türbininin torkunun dört yapraklı türbinden daha yüksek olduğu gözlemlenmiştir.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Savonius türbini · Dört Yapraklı Türbin · Savonius turbine

Özet

Bu çalışmada, rüzgar türbinlerinin rotor torku, tasarlanan küçük ölçekli Savonius ve dört yaprak rotor için toplanan gerçek zamanlı verilere dayanan makine öğrenme yaklaşımı kullanılarak tahmin edilmiştir. Uç hız oranı (TSR), makine öğrenimi modelleme tekniğinde doğrusal regresyon (LR), destek vektör makinesi (SVM) regresyonu ve Gauss işlemi (GP) regresyon yöntemlerinde ana giriş parametresi olarak seçilmiştir. Bu modellerin hiperparametreleri ızgara arama yöntemi ile tanımlanmıştır. RMSE, R2, MSE ve MAE, modellerin deneysel verilere tahimin performansını değerlendirmek için kullanılmıştır. Rotor tork modelleme sonuçları, rüzgar türbinlerinin verimliliğinin modellerin yüksek tahmin doğruluğu ile en üst düzeye çıkarılabileceğini göstermiştir. Öte yandan, Savonius tipi rüzgar türbininin torkunun dört yapraklı türbinden daha yüksek olduğu gözlemlenmiştir.

Abstract

Bu çalışmada, rüzgar türbinlerinin rotor torku, tasarlanan küçük ölçekli Savonius ve dört yaprak rotor için toplanan gerçek zamanlı verilere dayanan makine öğrenme yaklaşımı kullanılarak tahmin edilmiştir. Uç hız oranı (TSR), makine öğrenimi modelleme tekniğinde doğrusal regresyon (LR), destek vektör makinesi (SVM) regresyonu ve Gauss işlemi (GP) regresyon yöntemlerinde ana giriş parametresi olarak seçilmiştir. Bu modellerin hiperparametreleri ızgara arama yöntemi ile tanımlanmıştır. RMSE, R2, MSE ve MAE, modellerin deneysel verilere tahimin performansını değerlendirmek için kullanılmıştır. Rotor tork modelleme sonuçları, rüzgar türbinlerinin verimliliğinin modellerin yüksek tahmin doğruluğu ile en üst düzeye çıkarılabileceğini göstermiştir. Öte yandan, Savonius tipi rüzgar türbininin torkunun dört yapraklı türbinden daha yüksek olduğu gözlemlenmiştir.

🔖

Bu Makaleye Atıf Yap

Kaleli, M. S., Kaleli, A. R., Yalçıner, C. (2021). Veriye Dayalı Modelleme Yöntemleri Kullanarak Küçük Ölçekli Rüzgar Türbinlerinin Tork Tahmin Tabanlı Performans Analizi. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 14 Sayı: 1, 260–269. https://doi.org/10.18185/erzifbed.758924

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Al-Shamisi, M. H., Assi, A. H., & Hejase, H. A. N. (2013). Artificial neural networks for predicting global solar radiation in Al Ain City - UAE. International Journal of Green Energy, 10(5), 443–456. https://doi.org/10.1080/15435075.2011.641187
  2. Fujisawa, N., & Gotoh, F. (1994). Experimental study on the aerodynamic performance of a Savonius rotor.
  3. Gasch, R., & Twele, J. (2012). Wind power plants: Fundamentals, design, construction and operation, second edition. In Wind Power Plants: Fundamentals, Design, Construction and Operation, Second Edition. https://doi.org/10.1007/978-3-642-22938-1
  4. GWEC (Global Wind Energy Council). (2017). Global Wind Report 2016. In Wind energy technology.
  5. Hafner, M., & Isermann, R. (2003). Multiobjective optimization of feedforward control maps in engine management systems towards low consumption and low emissions. Transactions of the Institute of Measurement and Control, 25(1), 57–74. https://doi.org/10.1191/0142331203tm074oa
  6. Hayashi, T., Li, Y., & Hara, Y. (2005). Wind tunnel tests on a different phase three-stage Savonius rotor. JSME International Journal, Series B: Fluids and Thermal Engineering, 48(1), 9–16. https://doi.org/10.1299/jsmeb.48.9
  7. Kalogirou, S. A. (2000, December 1). Artificial neural networks in renewable energy systems applications: A review. Renewable and Sustainable Energy Reviews, Vol. 5, pp. 373–401. https://doi.org/10.1016/S1364-0321(01)00006-5
  8. Kawamura T., Hayashi T., & Miyashita, K. (2001). Application of the Domain Decomposition Method to the Flow around the Savonius Rotor. Proc. of the 12th International Conference on Domain Decomposition Methods, 393–400.
  9. McWilliam, M., & Johnson, D. A. (2008). Velocity measurement of flow around model vertical axis wind turbines. International Journal of Green Energy, 5(1–2), 55–68. https://doi.org/10.1080/15435070701845691
  10. Russell, S., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach, Global Edition. Pearson Education Limited.
  11. Sargolzaei, J., & Kianifar, A. (2009). Modeling and simulation of wind turbine Savonius rotors using artificial neural networks for estimation of the power ratio and torque. Simulation Modelling Practice and Theory, 17(7), 1290–1298. https://doi.org/10.1016/j.simpat.2009.05.003
  12. Shah, N., Zhao, P., Delvescovo, D., & Ge, H. (2019). Prediction of autoignition and flame properties for multicomponent fuels using machine learning techniques. SAE Technical Papers, 2019-April(April). https://doi.org/10.4271/2019-01-1049
  13. Wenehenubun, F., Saputra, A., & Sutanto, H. (2015). An experimental study on the performance of Savonius wind turbines related with the number of blades. Energy Procedia, 68, 297–304. https://doi.org/10.1016/j.egypro.2015.03.259