Yeni nesil elektrikli taşıtlarda enerji verimli sürüş analizleri

Abstract

Elektrikli taşıtların geleneksel araçlara göre sessiz, yüksek performanslı ve çevreci oluşları kişisel kullanımdan toplu ulaşım araçlarına kadar geniş yelpazede benimsenmelerini sağlamaktadır. Düşük enerji tüketimli olmaları daha uzun sürüş menzili sağlayıp sürücülerin menzil kaygısının azaltılmasını sağlar. Bu tez çalışmasında bir batarya elektrikli araç ile çok sürücülü gerçek-dünya sürüş verileri elde edilip sürücü davranışları istatistiksel veri analizi yöntemleri ile incelenmiştir. Yol yüzey koşulunun sürüşe ve enerji tüketimine etkisinin incelenmesi için test aracı ile aynı sürüş davranışlarıyla asfalt, beton, engebeli ve toprak yollarda sürüş verisi elde edilmiştir. Elde edilen veriler RF, SVM, ANN, LSTM, GRU olmak üzere beş farklı makine öğrenmesi algoritmasının eğitim sürecinde kullanılıp yol koşulunun ek sensör ihtiyacı olmadan standart CANbus verileriyle tespit edilmesi sağlanmıştır ve yöntem performans kıyaslaması gerçekleştirilmiştir. Aynı zamanda farklı yol koşullarında yapılan sürüşlerdeki enerji tüketimleri kıyaslanmıştır. Diğer yandan araç çekiş kontrol sistemine bulanık mantık destekli güç yönetim sistemi kurgulanıp gerçek-dünya sürüşleriyle etkinliği belirlenmiştir. Tez çalışmasının bulgularında sürücülerin enerji tüketimi odaklı sürüşlerinin değerlendirilme teknikleri belirlenmiştir. Yol yüzey koşulunun pedal oranı ile araç ivmesi arasındaki doğrusal ilişkiyi bozduğu görülmüştür. Beş farklı makine öğrenmesi yöntemi arasında SVM yöntemi en kısa eğitim süresiyle en yüksek tahmin doğruluğuna ulaşmıştır. Araç enerji tüketiminin en yüksek engebeli yolda, en düşük enerji tüketimi ise beton zeminde elde edilmiştir. Enerji tüketimi azaltma amaçlı kurgulanan bulanık mantık destekli güç yönetim sistemi kabul edilebilir dinamik sürüş performans kaybına karşılık toplam enerji tüketimi %9,16 azaltılmıştır. Elde edilen çıktılar enerji verimliliği odaklı elektrikli taşıt analizlerine yol gösterici nitelik taşımaktadır.Electric vehicles are quiet, efficient, and environmentally friendly alternatives to traditional vehicles, supporting widespread adoption from personal to public transportation. Their low energy consumption extends driving range and alleviates range anxiety. In this thesis, real-world driving data from multiple drivers were collected using a battery electric vehicle to analyze driver behavior using statistical methods. To evaluate the effect of road surface conditions on vehicle dynamics and energy usage, data were gathered under consistent driving behavior on asphalt, concrete, bumpy, and gravel roads. This dataset was then used to train five machine learning models (RF, SVM, ANN, LSTM, GRU) to classify road conditions using only standard CANbus data, eliminating the need for additional sensors. The comparative analysis revealed that the SVM method provided the highest prediction accuracy with the shortest training time. Additionally, energy consumption varied significantly with road type, being highest on bumpy roads and lowest on concrete surfaces. A fuzzy logic-based power management strategy was also developed for the traction control system and validated through real-world driving scenarios. This approach reduced total energy consumption by 9.16% with minimal compromise in dynamic driving performance. Overall, the study identifies key relationships between road surface quality, driver behavior, and energy efficiency. The proposed machine learning framework and energy management strategy offer practical insights for improving electric vehicle performance and enabling smarter, energy-aware mobility solutions in real-world applications.