Dizel Motorlarda Silindir İçi Basınç Tahmini için Veri Odaklı Makine Öğrenimi Modellerinin Performans Analizi

Bu çalışma, dizel motorlarda silindir içi basınç tahmini için veri odaklı makine öğrenimi yaklaşımlarının performansını karşılaştırmayı amaçlamaktadır. Krank açısı ve yük değişkenlerine dayalı bir veri seti kullanılarak, Random Forest, Karar Ağacı ve XGBoost algoritmaları değerlendirilmiştir. Modellerin doğruluk oranları, işlem süreleri ve hata metrikleri detaylı bir şekilde analiz edilmiştir. Sonuçlar, Random Forest modelinin genelleme başarısı ve düşük hata oranları ile en iyi performansı sergilediğini göstermiştir. XGBoost modeli hızlı tahmin yeteneği ile dikkat çekerken, hafif doğruluk kayıpları sergilemiştir. Karar Ağacı modeli yüksek doğruluk sunmasına rağmen, genelleme yeteneği sınırlı kalmıştır. Bu modeller, emisyon kontrolü ve motor verimliliğini artırmaya yönelik çalışmalarda kullanılabilir güçlü tahmin araçları sunmaktadır. Elde edilen bulgular, veri odaklı yaklaşımların, dizel motorların performans ve emisyon analizinde güvenilir ve etkili bir alternatif sunduğunu ortaya koymaktadır.