Anlatı derlemesi incelemesi
Havacılık mühendisliği, iklim değişikliği ve kısıtlı kaynaklar çerçevesinde çevresel etkiyi azaltma ve sürdürülebilir uçuş hedeflerine ulaşma baskısı altındadır. ACARE Flightpath 2050 hedefleri doğrultusunda emisyonların ve gürültünün ciddi oranlarda azaltılması gerekmektedir.
Havacılık ve uzay mühendisliği, iklim değişikliğiyle mücadele, karbon emisyonlarının azaltılması ve gürültü kirliliğinin engellenmesi gibi küresel sürdürülebilirlik hedefleri doğrultusunda köklü bir teknolojik dönüşüm sürecinden geçmektedir. Uçak tasarımında performans, güvenlik ve çevresel sürdürülebilirliği eşzamanlı olarak optimize etme ihtiyacı, geleneksel deneysel ve yüksek doğruluklu hesaplamalı akışkanlar dinamiği (CFD) yöntemlerinin getirdiği yüksek zaman, sistem karmaşıklığı ve yüksek işlem maliyetleriyle sınırlandırılmaktadır. Bu durum, havacılık sistemlerinde verimliliği artırmak ve geliştirme süreçlerini hızlandırmak amacıyla makine öğrenmesi ve yapay zeka tekniklerinin disiplinler arası bir yaklaşımla entegre edilmesini kritik bir araştırma sorunu haline getirmektedir.
Bu çalışmanın temel amacı, yapay zeka ve makine öğrenmesi yöntemlerinin havacılık mühendisliğinin ana alt disiplinlerindeki mevcut durumunu, sunduğu fırsatları ve teknik zorlukları kapsamlı bir biçimde sentezlemektir. Nitel ve sistematik bir literatür derlemesi niteliği taşıyan çalışmada, yapay sınır ağları, evrişimli sınır ağları, indirgenmiş düzenli modeller (ROM), özözdevinimli kodlayıcılar ve derin pekiştirmeli öğrenme gibi temel yöntemler kategorize edilmiştir. Makalede temel akışkanlar mekaniği, aerodinamik katsayı tahmini ve eniyilemesi, aeroakustik ses yayılımı, yanma kimyası ve yapısal sağlık izleme gibi havacılık ve uzay sektörünün en kritik beş alanı kapsama alınarak incelenmiştir.
İncelenen literatür bulguları, makine öğrenmesi algoritmalarının özellikle CFD benzetimlerini hızlandırma, veri boyutunu düşürme ve karmaşık türbülanslı akışları modelleme konularında dikkate değer bir başarım sergilediğini göstermektedir. Aerodinamik katsayıların ve aeroelastik davranışların tahmininde yapay sınır ağları geleneksel çözücülere kıyasla hesaplama süresini binlerce kat kısaltırken; yanma sistemlerinde boyut indirgeme ve uyarlanabilir kimya modelleri karmaşık reaksiyon mekanizmalarını verimli hale getirmektedir. Yapısal sağlık izleme alanında ise Gaussian süreç regresyonu ve yapay sınır ağları, sensör verilerinden hasar tespiti ve yük tahmini yapılmasına imkân tanıyarak dijital ikiz uygulamalarının ve kaza önleme sistemlerinin altyapısını oluşturmaktadır.
Sonuç olarak çalışma, makine öğrenmesi yöntemlerinin tek başına geleneksel CFD veya deneysel yöntemlerin yerini almayacağını, aksine fizik tabanlı bilgiyle veri odaklı modellerin birleştirildiği hibrit yaklaşımların en yüksek etkiyi yaratacağını ortaya koymaktadır. Literatür taraması açısından bu derleme, havacılık mühendisliğinde farklı alanlarda kullanılan terminolojik karmaşayı gidererek disiplinler arası ortak bir metodolojik çerçeve sunmakta ve gelecekteki araştırmalar için veri füzyonu, açıklanabilir yapay zeka ve gerçek zamanlı denetim alanlarında somut yol haritaları çizmektedir.
Bu derleme çalışmasının amacı, havacılık ve uzay mühendisliği disiplinlerinde yapay zeka ve makine öğrenmesi tekniklerinin mevcut durumunu, sağladığı avantajları, karşılaşılan zorlukları ve geleceğe yönelik araştırma fırsatlarını bütüncül bir yaklaşımla ortaya koymaktır(Clainche et al., 2023).
Havacılık ve uzay mühendisliği alanındaki temel disiplinleri kapsayan bu çalışma, makine öğrenmesi yöntemlerinin akışkanlar dinamiği, aerodinamik, yanma ve yapısal sağlık izleme gibi alanlardaki uygulamalarını inceleyen kapsamlı bir derleme niteliğindedir. Çalışma, veri odaklı yaklaşımların geleneksel fizik temelli yöntemlerle nasıl entegre edilebileceğini ve sürdürülebilir havacılık hedefleri doğrultusunda nasıl yeni fırsatlar sunduğunu sistematik bir literatür analiziyle ortaya koymaktadır(Clainche et al., 2023).
Çalışmanın kuramsal çerçevesi, yapay zeka, makine öğrenmesi (denetimli, denetimsiz ve yarı denetimli öğrenme) ile akışkanlar mekaniği, aerodinamik, aeroakustik, yanma kimyası ve katı mekaniğinin temel korunum yasalarının entegrasyonuna dayanmaktadır. Özözdevinimli kodlayıcılar, indirgenmiş düzenli modeller (ROM), yüksek mertebeden dinamik mod ayrışımı (HODMD) ve derin pekiştirmeli öğrenme kuramları temel alınmıştır.
Çalışmada, 1990'lardan günümüze kadar havacılık sektöründe yapay sınır ağları ve veri odaklı modelleme üzerine yapılan kapsamlı literatür incelenmektedir. Akışkanlar mekaniğinde RANS, LES ve duvar modelleme çalışmaları; aerodinamikte katsayı tahmini ve aeroelastisite literatürü; yanma alanında temel bileşenler analizi (PCA) ve kimyasal mekanizma indirgeme yaklaşımları; yapısal sağlık izlemede ise Gaussian süreç regresyonu ve dijital ikiz literatürü ele alınmaktadır.
Makine öğrenmesi teknikleri, hesaplamalı akışkanlar dinamiği süreçlerinde geleneksel çözümleyicileri tamamen ikame etmek yerine türbülans modelleme ve düşük çözünürlüklü simülasyonların doğruluğunu artırarak süreçleri hızlandırmaktadır(Clainche et al., 2023).
İndirgenmiş Dereceli Modeller (ROM) ve vekil modeller, karmaşık akış sistemlerini düşük boyutlu temsillere dönüştürerek aerodinamik tasarım optimizasyonunda CPU maliyetlerini binlerce kat azaltabilmektedir(Clainche et al., 2023).
Özyinelemeli sınır ağı mimarileri, özellikle LSTM ağları, kararsız aerodinamik etkileri ve zamana bağlı gecikmeleri ek bir mertebe seçimi bilgisine ihtiyaç duymadan yakalamada yüksek performans sergilemektedir(Clainche et al., 2023).
Yapısal sağlık takibi alanında K-en yakın komşu ve destek vektör makineleri gibi sınıflandırma algoritmaları, sensör hatalarının tespiti ve hasar teşhisinde geleneksel yöntemlere kıyasla daha yüksek doğruluk sağlamaktadır(Clainche et al., 2023).
Makine öğrenmesinin havacılık disiplinlerindeki temel başarısı, veri üretim maliyeti ile model doğruluğu arasında kurulan dengede yatmaktadır. Yazarlar, bu dengenin özellikle deneysel ve nümerik verilerin kaynaştırıldığı multi-fidelity yaklaşımlarıyla optimize edilebileceğini savunmaktadır. Bu durum, havacılık endüstrisinin yüksek sadakatli simülasyon ihtiyacı ile kısıtlı işlemci gücü arasındaki tarihsel çelişkiyi çözen bir unsur olarak öne çıkmaktadır.
Çalışmada vurgulanan bir diğer kritik nokta, saf veri odaklı modellerden fizik temelli makine öğrenmesine (PINN) geçişin gerekliliğidir. Geleneksel yaklaşımların aksine, fiziksel yasaların sınır ağı eğitimine kısıt olarak eklenmesi, modellerin sadece mevcut veriyi taklit eden kara kutular olmasını engellemekte ve onlara fiziksel bir yorumlanabilirlik kazandırmaktadır. Bu, özellikle güvenlik odaklı havacılık sertifikasyon süreçleri için vazgeçilmez bir adımdır.
Makale, makine öğrenmesini ACARE Flightpath 2050 hedefleriyle ilişkilendirerek çevresel sürdürülebilirlik bağlamında değerlendirmektedir. Yazarların analizine göre, emisyon ve gürültü azaltımı gibi zorlu hedefler, ancak akış kontrolü ve yanma optimizasyonunda makine öğrenmesi destekli radikal tasarım değişiklikleriyle mümkündür. Bu perspektif, yapay zekayı sadece bir hızlandırıcı değil, stratejik bir çevresel çözüm aracı olarak konumlandırmaktadır.
Tartışma bölümünde, modellerin genellenebilirliği ve farklı uçuş koşullarına uyarlanabilirliği konusundaki zorluklar literatürdeki diğer çalışmalarla kıyaslanarak ele alınmaktadır. Mevcut modellerin çoğunun tek bir veri kaynağına bağımlı kalması önemli bir sınırlılık olarak tanımlanırken, gelecekteki araştırmaların hibrit mimariler ve otonom sistem yönetimi üzerine yoğunlaşması gerektiği, böylece sürdürülebilir havacılık ekosisteminin tam kapasiteyle inşa edilebileceği sonuçuna varılmaktadır.
Yazarlar, Brunton ve arkadaşlarının makine öğrenmesinin havacılık tasarımı ve üretimi üzerindeki dönüştürücü etkisine dair görüşlerini desteklemekte, özellikle yorumlanabilir ve certifiable modellerin gerekliliğini vurgulamaktadır(Clainche et al., 2023).
Makale, Vinuesa ve Brunton tarafından tanımlanan makine öğrenmesinin CFD'yi hızlandırma ve türbülans modellerini iyileştirme potansiyeline ilişkin güncel yaklaşımları teknik detaylarla derinleştirmektedir(Clainche et al., 2023).
Makine öğrenmesi yöntemleri, havacılık ve uzay mühendisliği disiplinlerinde sadece bir veri işleme aracı değil, aynı zamanda fiziksel ilkelerle harmanlandığında sürdürülebilir havacılık hedeflerine ulaşmayı sağlayacak radikal teknolojik gelişmeleri tetikleyen temel bir bileşendir. Gelecekteki çalışmaların, modellerin genellenebilirliği ve fiziksel tutarlılığı üzerine odaklanması, endüstriyel ölçekteki uygulamaların başarısı için hayati önem taşımaktadır(Clainche et al., 2023).
Bu makale, havacılık ve uzay mühendisliği disiplinlerinde makine öğrenmesi uygulamalarının güncel durumunu özetleyen bir derleme çalışması işlevi görmektedir. Yayın, akışkanlar mekaniği, aerodinamik, yanma, aeroakustik ve yapısal sağlık takibi gibi temel havacılık alanlarında yapay zeka tekniklerinin sağladığı iyileştirmeleri sistematik bir şekilde haritalandırmaktadır. Akademik literatürdeki boşluğu, disiplinler arası yöntemlerin ortak noktalarını ve farklı havacılık alt dallarında aynı temel stratejilerin nasıl farklılaştığını veya örtüştüğünü açıklayarak doldurmaktadır.
Çalışma, havacılıkta yapay zeka ve makine öğrenmesi üzerine yapılmış önceki sınırlı kapsamlı incelemelerle karşılaştırmalı bir ilişki kurmaktadır. Özellikle Brunton ve diğerlerinin çalışmaları ile Kou ve Zhang'ın aerodinamik modelleme odaklı incelemelerini temel alarak, bu yaklaşımların ötesine geçmekte ve saha genelindeki (yanma, akustik, yapısal izleme dahil) çok disiplinli entegrasyonu incelemektedir. Önceki çalışmaların aksine, sadece modelleme yöntemlerine değil, bu modellerin fiziksel ilkelerle (physics-informed) uyumuna ve endüstriyel sertifikasyon gereksinimlerine vurgu yapmaktadır.
Makale, havacılık mühendisliği araştırmacılarının makine öğrenmesi tekniklerini seçerken kullanabileceği bir referans çerçevesi sunarak literatür taramasına yapısal bir katkı sağlamaktadır. Veri füzyonu, multi-fidelity modelleme ve düşük mertebeden modellerin (ROM) kullanımına dair tartışmaları, saha uygulamalarıyla birleştirerek araştırmacılara stratejik bir yol haritası sunmaktadır. Özellikle endüstriyel ölçekli problemlerin çözümünde makine öğrenmesinin, verimlilik ve maliyet düşürme bağlamında nasıl bir araç haline geldiğini teorik ve uygulamalı örneklerle sentezlemektedir.
Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.
Tez veya makalede kullanım · literatüre-review
Makine öğrenmesi, geleneksel CFD yöntemlerini ikame etmek yerine türbülans modellemesinde doğruluk artırıcı bir rol üstlenmektedir.
Geleneksel ve veri odaklı modellerin hibrit kullanımının neden daha verimli olduğunu kanıtlamak için referans verilir(Clainche et al., 2023).
Makaleyle bağlantısı: Makalenin 3.1 bölümündeki RANS modellerinin closure problemi ve fiziksel kısıtların modele entegrasyonu çağrısından hareketle tasarlanmıştır(Clainche et al., 2023).
Tez veya makalede kullanım · Kavramsal çerçeve
İndirgenmiş Dereceli Modeller (ROM), aerodinamik optimizasyonda hesaplama maliyetini binlerce kat azaltabilmektedir.
Karmaşık akış problemlerinin çözümünde neden ROM ve vekil modellerin tercih edilmesi gerektiğini teorik olarak destekler(Clainche et al., 2023).
Makaleyle bağlantısı: Makalenin 4.1 ve 4.2 bölümlerinde belirtilen aerodinamik katsayı tahmini ve aeroelastik analiz süreçlerinde CPU maliyetlerini düşürme ihtiyacından türetilmiştir(Clainche et al., 2023).
Tez veya makalede kullanım · Tartışma
Veri odaklı modellerin fiziksel kısıtlar (PINN) ile eğitilmesi, kara kutu etkisini kırarak sertifikasyon süreçlerinde yorumlanabilirlik sağlar.
Yapay zeka modellerinin havacılık endüstrisindeki güvenilirlik sorunsalına karşı geliştirilen çözümleri tartışmak için kullanılır(Clainche et al., 2023).
Makaleyle bağlantısı: Makalenin 7. bölümünde vurgulanan kablosuz sensör ağlarının kullanım zorlukları ve sensör hatalarının tespiti konusundaki önermelerden türetilmiştir(Clainche et al., 2023).
Modern ağ güvenlik altyapılarında makine öğrenmesi tabanlı saldırı tespit sistemleri, karmaşık siber tehditlerin ve daha önce karşılaşılmamış anormal trafik desenlerinin yakalanmasında kritik bir rol oynamaktadır. Buna karşın derin…
Kuantum makine öğrenmesi (QML), kuantum verilerinin ve klasik verilerin yüksek boyutlu Hilbert uzaylarında işlenmesi amacıyla parametrelendirilmiş kuantum devrelerinin varyasyonel olarak eğitilmesini temel alan hızla gelişen bir…
Kronik hastalıkların yaygınlaşmasıyla birlikte uzaktan hasta izleme ve e-sağlık sistemlerinin önemi her geçen gün artmaktadır. Nesnelerin Tıbbi İnterneti (IoMT), giyilebilir sensörler ve bulut bilişim teknolojileri sağlık verilerinin…