---
type: "Akademik Makale Analizi"
title: "Yapay Zeka ve Makine Öğrenmesi Yöntemleriyle Uçak Performansının İyileştirilmesi: Derleme Çalışması"
description: "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. Geleneksel hesaplamalı"
resource: "https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/yapay-zeka-ve-makine-ogrenmesi-yontemleriyle-ucak-performansinin-iyilestirilmesi-derleme-calismasi"
doi: "10.1016/j.ast.2023.108354"
authors: ["Soledad Le Clainche", "Esteban Ferrer", "Sam Gibson", "Elizabeth J. Cross", "Alessandro Parente", "Ricardo Vinuesa"]
citation: "Clainche, S. L., Ferrer, E., Gibson, S., Cross, E. J., Parente, A., Vinuesa, R. (2023). Improving aircraft performance using machine learning: A review. Aerospace Science and Technology, 138, 108354-108354. https://doi.org/10.1016/j.ast.2023.108354"
publicationType: "narrative-review"
discipline: "Mühendislik ve Teknoloji"
subDiscipline: "Bilgisayar ve Elektrik Mühendisliği"
evidenceCount: 11
tags: ["makine öğrenmesi", "havacılık ve uzay mühendisliği", "akışkanlar mekaniği", "aerodinamik", "aeroakustik", "yanma", "yapısal sağlık izleme"]
timestamp: "2026-10-01T08:02:18.839Z"
---

# Yapay Zeka ve Makine Öğrenmesi Yöntemleriyle Uçak Performansının İyileştirilmesi: Derleme Çalışması

Özgün başlık: Improving aircraft performance using machine learning: A review
DOI: https://doi.org/10.1016/j.ast.2023.108354
Künye (APA 7): Clainche, S. L., Ferrer, E., Gibson, S., Cross, E. J., Parente, A., Vinuesa, R. (2023). Improving aircraft performance using machine learning: A review. Aerospace Science and Technology, 138, 108354-108354. https://doi.org/10.1016/j.ast.2023.108354

Bilim alanı: [Mühendislik ve Teknoloji](/okf/muhendislik-ve-teknoloji/index.md) › Bilgisayar ve Elektrik Mühendisliği

# Alan bağlamı

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. Geleneksel hesaplamalı akışkanlar dinamiği ve deneysel yöntemler yüksek maliyetli ve zaman alıcı olduğundan, akış kontrolü, aerodinamik eniyileme, yanma ve yapısal durum izleme gibi alanlarda makine öğrenmesi tekniklerinin nasıl entegre edilebileceği temel tartışma konusudur.

# Akademik özet

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.

# Araştırmanın amacı

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.

# Yöntem ve tasarım

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.

# Bulgular ve önermeler

1. Makine öğrenmesi teknikleri, hesaplamalı akışkanlar dinamiği süreçlerinde geleneksel çözümleyicileri tamamen ikame etmek yerine türbülans modelleme ve düşük çözünürlüklü simülasyonların doğruluğunu artırarak süreçleri hızlandırmaktadır.
2. İndirgenmiş Dereceli Modeller (ROM) ve vekil modeller, karmaşık akış sistemlerini düşük boyutlu temsillere dönüştürerek aerodinamik tasarım optimizasyonunda CPU maliyetlerini binlerce kat azaltabilmektedir.
3. 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.
4. 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.

# Yazarın tartışması

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.

# Yazarın sonucu

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.

# Literatürdeki işlevi

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.

Önceki çalışmalarla ilişkisi: 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.

Literatür taramasına katkısı: 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.

# Tez ve makale araştırmalarında kullanım

- **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.
- **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.
- **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.

# Türetilebilir araştırma soruları

- **PINN tabanlı bir türbülans modelleme yaklaşımı, standart RANS modellerine göre akış ayrılma bölgelerinde ne kadar doğruluk artışı sağlamaktadır?**
  - Desen: Evren, karmaşık geometri içeren türbülanslı akış alanlarıdır. Örneklem, yüksek sadakatli DNS verileri ile desteklenen farklı Reynolds sayılarındaki akış senaryolarıdır. Güç analizi ile belirlenen örneklem boyutu kullanılarak, model hata değerleri klasik modellerle kıyaslanır.
  - Gerekçe: Makalenin 3.1 bölümündeki RANS modellerinin closure problemi ve fiziksel kısıtların modele entegrasyonu çağrısından hareketle tasarlanmıştır.
- **DMD tabanlı bir ROM, transonik akış koşullarında gerçek zamanlı yük tahmininde geleneksel yöntemlere göre nasıl bir performans sergilemektedir?**
  - Desen: Hava aracı kanat kesitleri üzerinde transonik akış simülasyonları kullanılır. Veri toplama, çeşitli hücum açıları ve Mach sayılarında gerçekleştirilen simülasyonlarla sağlanır. Model başarısı, veri doygunluğuna ulaşan örneklem setlerinde hesaplama süresi ve tahmin hatası (MSE) üzerinden ölçülür.
  - Gerekçe: Makalenin 4.1 ve 4.2 bölümlerinde belirtilen aerodinamik katsayı tahmini ve aeroelastik analiz süreçlerinde CPU maliyetlerini düşürme ihtiyacından türetilmiştir.
- **Kablosuz sensör ağlarından elde edilen gürültülü veriler, sınıflandırma algoritmaları kullanılarak yapısal hasar tespiti için ne kadar güvenilir bir veri kaynağıdır?**
  - Desen: Laboratuvar ortamındaki havacılık kompozit panelleri üzerinde yapay hasar setleri oluşturulur. Kablosuz sensör ağlarından gelen veriler, K-en yakın komşu ve destek vektör makineleri ile analiz edilir. Nitel örneklemde veri doygunluğu kriterine göre sensör yerleşimleri optimize edilir.
  - Gerekçe: Makalenin 7. bölümünde vurgulanan kablosuz sensör ağlarının kullanım zorlukları ve sensör hatalarının tespiti konusundaki önermelerden türetilmiştir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | 1 Introduction | 4 | — | This review provides a state-of-the-art of AI and ML applications in the aerospace engineering field. The basic concepts and most relevant strategies for ML and AI are brought toge |
| ev-o-1-2 | 1 Introduction | 4 | — | This article intends to explore the possibilities of ML, an emerging field for the aerospace industry, identifying new research lines of potential interest and bringing new ideas t |
| ev-s-1 | Abstract | 1 | — | revealing that ML is improving aircraft performance and that these techniques will have a large impact in the near future. |
| ev-s-1-2 | 8 Conclusions | 31 | — | The development of models that are generalizable within the different applications, would suppose and advance in the field, reducing in this way the complex process of calibration  |
| ev-s-2 | 3.1 Computational fluid dynamics | 15 | — | It is important to note that ML methods will not constitute a replacement for traditional CFD methods [46, 118], which are based on discretizing the gov- erning equations and integ |
| ev-s-2-2 | 3.1 Computational fluid dynamics | 15 | — | It is important to note that ML methods will not constitute a replacement for traditional CFD methods [46, 118], which are based on discretizing the gov- erning equations and integ |
| ev-s-3-2 | 4.2 Aeroelasticity | 22 | — | LSTM architectures are perfect to capture the time-delayed effects of unsteady aerodynamics without the need of including any additional information about the orders selection (in  |
| ev-s-4 | 4.1 Aerodynamic coefficients estimation | 21 | — | The computational time to estimate the aerodynamic coefficients was 4000 times smaller than the time required by the CFD solver. |
| ev-s-4-2 | 4.1 Aerodynamic coefficients estimation | 21 | — | The NN-based model used data from about 100.000 cases calculated with CFD numerical simulations and the flight condition, airfoil geometry and wing planform were used as an input.  |
| ev-s-5-2 | 7 Structural assessment | 30 | — | And wiring reliability can be considered to be one of the ‘weak-links’ of an effective SHM system, particularly in the harsh environments aerospace structures are subjected to, and |
| ev-s-6 | 1 Introduction | 4 | — | The authors reveals the possibilities of ML to process data in light computations increasing the production rate, based on the idea of the use of ML techniques that are measurable, |

# İlgili kavramlar

- [Yüzey Kodu Eşiğinin Altında Kuantum Hata Düzeltme: Süperiletken İşlemcilerde Üstel Hata Bastırma ve Gerçek Zamanlı Kod Çözme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/yuzey-kodu-esiginin-altinda-kuantum-hata-duzeltme-superiletken-islemcilerde-ustel-hata-bastirma-ve-gercek-zamanli-kod-cozme.md)
- [Kuantum Yineleyiciler: Kuantum Ağlarından Kuantum İnternetine Kapsamlı Bir İnceleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-yineleyiciler-kuantum-aglarindan-kuantum-internetine-kapsamli-bir-inceleme.md)
- [Uzaktan Algılama Yöntemleri ile İmar Planları ve Kentsel Gelişim Arasındaki İlişkinin Belirlenmesi: Ankara Örneği](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/uzaktan-algilama-yontemleri-ile-imar-planlari-ve-kentsel-gelisim-arasindaki-iliskinin-belirlenmesi-ankara-ornegi.md)
- [Türkiye'nin Tarımsal Kredi Performansının K-ortalamalar Kümeleme Algoritması ile Analizi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/turkiyenin-tarimsal-kredi-performansinin-k-ortalamalar-kumeleme-algoritmasi-ile-analizi.md)
- [Lineament Analizine Dayalı Olarak Almalyk-Angren Sanayi Bölgesinin Sismik Aktivitesinin İncelenmesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/lineament-analizine-dayali-olarak-almalyk-angren-sanayi-bolgesinin-sismik-aktivitesinin-incelenmesi.md)
- [Yazılım Geliştirmede Üretken Yapay Zeka Modellerinin Performans ve Güvenilirliği: C# Tabanlı Bir Analiz](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/yazilim-gelistirmede-uretken-yapay-zeka-modellerinin-performans-ve-guvenilirligi-c-tabanli-bir-analiz.md)
- [Dinamik Hareket Uyumlaması İçin İnsan İlhamlı Duyumotor Denetleyici: Mafsallı Robot Kolları Üzerine Bir İnceleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dinamik-hareket-uyumlamasi-icin-insan-ilhamli-duyumotor-denetleyici-mafsalli-robot-kollari-uzerine-bir-inceleme.md)
- [Twitch Platformundaki Nefret Baskınları: Canlı Yayın Topluluklarında Gerçek Zamanlı İnsan-Bot Koordineli Saldırıların Anlaşılması](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/twitch-platformundaki-nefret-baskinlari-canli-yayin-topluluklarinda-gercek-zamanli-insan-bot-koordineli-saldirilarin-anlasilmasi.md)

# Şeffaflık

- Analiz tarihi: 2026-10-01T08:02:18.839Z
- Kanıt sayısı: 11
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/yapay-zeka-ve-makine-ogrenmesi-yontemleriyle-ucak-performansinin-iyilestirilmesi-derleme-calismasi