Kalkış safhasında uçak motorlarından kaynaklanan görsel duman yoğunluğunun yapay sinir ağları ile tahmin edilmesi

Abstract

Uçak motorlarından kaynaklanan emisyonların azaltılması, çevresel sürdürülebilirlik ve hava kalitesinin korunması açısından kritik bir öneme sahiptir. Özellikle kalkış safhasında yayılan Smoke Number ( SN), havaalanı çevresindeki hava kirliliğini artıran önemli bir parametredir. Bu çalışmada, SN değerini tahmin etmek amacıyla yenilikçi bir yapay sinir ağı (YSA) modeli geliştirilmiştir. Modelleme sürecinde, Uluslararası Sivil Havacılık Örgütü’ne (ICAO) ait Aircraft Engine Emissions Databank (EEDB) veri seti kullanılmıştır. En iyi tahmin performansını elde etmek amacıyla üç farklı eğitim algoritması uygulanmıştır: Bayesian Regularization (trainbr), Levenberg-Marquardt (trainlm) ve Scaled Conjugate Gradient (trainscg). Geliştirilen modellerin performansı, ortalama karesel hata (MSE), ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE), korelasyon katsayısı (R) ve determinasyon katsayısı (R²) gibi istatistiksel kriterlerle değerlendirilmiştir. Sonuçlara göre, trainbr algoritmasıyla eğitilen model en yüksek doğruluk oranına ulaşmış ve SN değerini 98% üzerinde doğrulukla (R = 0.98761) tahmin etmiştir. Bu çalışmada geliştirilen model, sürdürülebilir havacılık uygulamalarına katkı sunmakta ve emisyon yönetiminin optimize edilmesi açısından önemli bir potansiyel taşımaktadır.Reducing emissions from aircraft engines is critically important for environmental sustainability and the preservation of air quality In particular, the Smoke Number (SN) emitted during the take-off phase is an important parameter that increases air pollution around airports. In this study, an innovative artificial neural network (ANN) model was developed to predict the SN value. The modeling process utilized the Aircraft Engine Emissions Databank (EEDB) provided by the International Civil Aviation Organization (ICAO). To achieve the best prediction performance, three different training algorithms were applied: Bayesian Regularization (trainbr), Levenberg–Marquardt (trainlm), and Scaled Conjugate Gradient (trainscg). The performance of the developed models was evaluated using statistical criteria such as mean squared error (MSE), mean absolute error (MAE), root mean square error (RMSE), correlation coefficient (R), and coefficient of determination (R²). The results indicated that the model trained with the trainbr algorithm achieved the highest accuracy, predicting the SN value with 98% accuracy (R = 0.98761). The proposed model contributes to sustainable aviation practices and holds significant potential for optimizing emission management.