Havacılığın Sürdürülebilir Dönüşümü
Havacılık sektörü, karbon nötr hedeflerine ulaşmak için yalnızca yeni yakıt teknolojilerine değil, aynı zamanda mevcut motorların emisyonlarını anlık olarak izleyebilen akıllı sistemlere de ihtiyaç duymaktadır. Gaz türbinli motorların kalbinde gerçekleşen yanma süreci; karbondioksit (CO₂) ve azot oksit (NO₂) gibi emisyonların ana kaynağıdır. Geleneksel yöntemlerle bu emisyonları ölçmek, motorun egzoz çıkışındaki ekstrem termal koşullar nedeniyle hem teknik olarak zor hem de maliyetlidir.
Vizyoner Bir Rehberlik ve Akademik Altyapı
Fırat Üniversitesi Sivil Havacılık Yüksekokulu’nun akademik gücüyle harmanlanan bu projenin temelinde disiplinler arası bir çalışma disiplini yatmaktadır. Değerli danışmanımız Doç. Dr. Hakan Aygün’ün bilimsel rehberliği, projemizin yalnızca teorik bir çalışma olarak kalmamasını, endüstriyel bir vizyon kazanmasını sağlamıştır. Hocamızın liderliğinde, motor mekaniği ile veri bilimini birleştiren yenilikçi bir metodoloji geliştirdik.
Deneysel Mikro Turbojet Motorda Emisyon Parametrelerinin Ölçülmesi ve Derin Öğrenme Metoduyla Tahminlenmesi
Mikro Turbojetten Turbofana Ölçeklenebilirlik
Çalışmamız her ne kadar deneysel bir mikro turbojet motor (JetCat P80) üzerinde kurgulanmış olsa da, geliştirdiğimiz modelin en heyecan verici yönü ölçeklenebilirliğidir. Mikro turbojet motorlar, modern havacılıkta kullanılan devasa turbofan motorların termodinamik birer kopyası niteliğindedir. Proje kapsamında elde ettiğimiz veriler ve “Sanal Sensör” mimarisi, günümüz yolcu uçaklarında kullanılan CFM56 veya GE90 gibi yüksek bypasslı turbofan motorlara doğrudan uyarlanabilir. Bu adaptasyon, büyük ölçekli motorlarda emisyon sensörlerinin bakım maliyetlerini düşürürken, uçuş emniyetinden ödün vermeden çevresel verimlilik sağlar.
Deneysel Süreç ve Operasyonel İş Birliği
Projenin en kritik aşaması olan veri toplama ve sistem tasarımı süreçlerini ekip arkadaşım Mehmet Hanifi Topal ile birlikte koordine ettik. Mehmet Hanifi ile kurduğumuz operasyonel sinerji; Raspberry Pi Pico tabanlı veri toplama sisteminin entegrasyonundan egzoz gazı soğutma hattının (eşanjör) tasarımına kadar her noktada başarının anahtarı oldu. Motorun 35.000 ile 125.000 RPM arasındaki çalışma spektrumunda, binlerce satırlık hassas veri setini hata payını minimize ederek oluşturduk.
Teknik Sonuçlar: LSTM Modeli ile %97,44 Başarı
Analizlerimizde kullandığımız LSTM (Uzun Kısa Süreli Bellek) derin öğrenme algoritması, zaman serisi verilerini işleme konusundaki üstünlüğünü kanıtlamıştır. Yapılan testlerde, CO₂ emisyonlarını tahmin etme noktasında %97,44 gibi yüksek bir doğruluk oranına ulaşılmıştır. Bu sonuçlar, derin öğrenme metodolojisinin havacılık motorlarında fiziksel sensörlerin yerini alabilecek bir “Sanal Sensör” olarak kullanılabilmesi için güçlü bir temel oluşturmaktadır.
Eyüp Tetik Kimdir?
Havacılığa olan tutkum, akademik ve profesyonel hayatımdaki disiplinle birleşmiştir. Eğitim hayatım boyunca teorik bilgiyi sahadaki pratikle harmanlamaya odaklandım:
Eğitim: İskenderun Teknik Üniversitesi İHA Teknolojisi ve Operatörlüğü programını birincilikle bitirerek temelimi attım. Ardından Fırat Üniversitesi Sivil Havacılık Yüksekokulu Uçak Bakım ve Onarım bölümünden başarıyla mezun olarak lisans eğitimimi tamamladım.
Teşekkür
Bu zorlu ama bir o kadar öğretici süreçte bizlerden desteğini esirgemeyen danışmanımız Doç. Dr. Hakan Aygün’e; projemize sağladığı değerli katkılarından dolayı Doç. Dr. Ümit Çelik’e; her an omuz omuza çalıştığımız ekip arkadaşım Mehmet Hanifi Topal’a; çalışmamıza dergi sayfalarında yer vererek bizleri onurlandıran ve sesimizi havacılık camiasına duyuran UTED (Uçak Teknisyenleri Derneği)’ne; bu vizyonu destekleyen TÜBİTAK ve Fırat Üniversitesi’ne teşekkürü borç biliriz.
Bu çalışma TÜBİTAK BİDEB 2209-A programı kapsamında desteklenmiştir.