Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Ticaret Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2020
Tezin Dili: Türkçe
Öğrenci: BÜŞRA TURAL
Danışman: TURAN METİN
Özet:ÖZET Bu çalışmada, Metro İstanbul araçlarından zaman planı uyarlanarak maksimum enerji kazanımının optimize edilmesine yönelik araştırma sonuçları paylaşılmıştır. Yeniden enerji kazanımı (rejeneratif enerji), elektromanyetik frenleme yapan trenlerin ürettiği enerjiyi hatta hareket etmeye hazır durumunda bulunan diğer trenlere aktarması prensibine dayanmaktadır. Trenleri ivmelendiren enerji, kinetik ve potansiyel enerji olarak depolanır. Frenleme esnasında kinetik enerji elektrik enerjisine dönüştürülür, bu enerji geri iletilerek katenere verilir. Alıcı durumunda bulunan trenin de bu enerjiyi kullanmasıyla enerjinin geri kazanımı gerçekleştirilmiş olur. Yeniden enerji kazanımı elde etmenin en etkili yollarından birisi, trenlerin istasyonlarda bekleme sürelerinde düzenleme yaparak zaman-planı en iyileştirmesinin gerçekleştirilmesidir. Bunu sağlayacak bekleme sürelerini bulmak için genetik algoritma kullanılmıştır. Genetik algoritmalar, evrimsel sürece benzer şekilde çalışan arama ve en iyileştirme yöntemidir. Bu yöntem çok boyutlu ve karmaşık uzayda en iyinin hayatta kalması ilkesine göre en iyi çözümü aramaya dayanır. Her tekrar sonunda en iyi birkaç elit birey bir sonraki nesle aktarılmıştır. Her tekrarda toplam birey sayısı sabit tutulmuş, diğer bireyler ise elit bireylerin çaprazlanması sonucu veya rastgele üretilmesiyle oluşturulmuştur. Agresif mutasyon işlemi, istasyon bekleme sürelerindeki değişimin sıfıra eşit olmadığı durumlarda uygulanmıştır. Yapılan simülasyon sonucunda, referans çalışmaya göre (%60 rejeneratif kazanım) %30 civarında daha iyi sonuç elde edilmiştir (%78 rejeneratif kazanım) Anahtar Kelimeler: Genetik algoritma, metro zaman-planı, optimizasyon, yeniden enerji kazanımı. ABSTRACT In this study, the research results for optimizing the maximum energy gain are shared by adapting the time plan of Metro Istanbul vehicles. Regenerative energy recovery is based on the principle that energy produced by the trains which make electromagnetic brake is transferred to the other trains that are ready to move. One of the ways to re-energize is to arrange the waiting times of the trains at the stations and to realize the time-plan optimization. Genetic algorithm was used to find station dwell times. Genetic algorithms are search and optimization methods that work similarly to the evolutionary process. This method is based on seeking the best solution according to the principle of survival of the best in multi-dimensional and complex space. At the end of each repetition, several of the best elite individuals were transferred to the next generation In each repetition, the number of society individuals has been kept constant, while other individuals have been formed by crossing elite individuals or producing them randomly. Aggressive mutation was applied in cases where the change in station waiting times was not equal to zero. Result in of the simulation, around 26% better result compared to the reference study (60% regenerative energy recovery) was obtained (78% regenerative energy recovery). Keywords: Genetic algorithm, metro time-table, optimization, regain of energy. İÇİNDEKİLER İÇİNDEKİLER . i ÖZET…………………. . ii ABSTRACT……………………………………………………………………………………………………iii TEŞEKKÜR . iv ŞEKİLLER ……………. . v ÇİZELGELER. vi SİMGELER VE KISALTMALAR . vii 1 GİRİŞ ……………………………………………………………………………………………………… 1 2 LİTERATÜR ÖZETİ . 3 3 İLGİLİ KAVRAMLAR . 9 3. 1 Raylı Sistem Araçlarında Enerji Tüketimi . 9 3. 2 Rejeneratif Frenleme ve Enerjinin Geri Kazanılması . 10 3. 3 Zaman Çizelgesi . 10 3. 4 Optimizasyon . 11 3. 4. 1 Optimizasyonun aşamaları . 12 3. 4. 2 Optimizasyonun kullanım alanları . 13 3. 5 Genetik Algoritma . 13 3. 5. 1 Genetik algoritma terimleri . 14 3. 5. 2 Genetik algoritmada kodlama türleri . 15 3. 5. 3 Genetik algoritmada şeçilim işlemi . 17 3. 5. 4 Genetik algoritma operatörleri . 18 3. 5. 5 Genetik algoritmanın işleyişi . 22 3. 5. 6 Genetik algoritmada parametre seçimi . 24 3. 5. 7 Genetik algoritmanın uygulama alanları . 25 4 ARAŞTIRMA BULGULARI VE TARTIŞMA . 26 4. 1 Uygulama Bilgileri . 26 4. 1. 1 Kavramlar . 26 4. 1. 2 Parametreler . 27 4. 2 Uygulamanın çalışma prensibi . 28 4. 3 İlk Popülasyonun Belirlenmesi . 32 4. 4 İyilik Fonksiyonunun Oluşturulması . 33 4. 5 Popülasyonun Diğer Bireylerinin Belirlenmesi . 33 4. 5. 1 Elit bireyin belirlenmesi ve bir sonraki nesile aktarılması. 34 4. 5. 2 Çaprazlama operatörünün uygulanması . 35 4. 6 Mutasyon Operatörünün Uygulanması İle Yeni Bireylerin Oluşturulması 38 4. 7 Genetik Algoritmanın Sonlandırılması. 39 4. 7. 1 Geliştirilen ilk model sonucu . 39 4. 7. 2 Geliştirilen ikinci model sonucu . 39 5 SONUÇ VE ÖNERİLER . 41 KAYNAKLAR . 42 EKLER …………………………………. . 46 EK A. Uygulama Kodarı . 47 EK B. Uygulama Ekran Görüntüleri . 66 ÖZGEÇMİŞ . ………………………………………………………………………………………………. 69