Result: Makine öğrenimi tabanlı kanat profili üzerindeki aerodinamik kuvvetlerin tahmini ve şekil optimizasyonu modelinin geliştirilmesi

Aerodinamik katsayıların doğru tahmini, hava aracı tasarım süreçlerinde kritik bir rol oynamaktadır. Geleneksel Hesaplamalı Akışkanlar Dinamiği (HAD) yöntemleri yüksek doğruluk sağlamasına rağmen, yüksek hesaplama maliyetleri ve uzun simülasyon süreleri nedeniyle hızlı tasarım döngüleri için sınırlamalar oluşturmaktadır. Bu çalışmada, kanat profillerinin aerodinamik katsayılarını tahmin etmek amacıyla makine öğrenimi ve derin öğrenme tabanlı modeller geliştirilmiş ve performansları karşılaştırılmıştır. Veri seti, XFOIL yazılımı kullanılarak farklı Mach sayıları (0.3≤Mach≤0.7) ve hücum açıları (4°≤α≤14°) için elde edilen aerodinamik katsayılar ile oluşturulmuştur. Eğitim ve test veri setleri oluşturulurken, farklı kanat profillerinin genelleme başarısını değerlendirmek amacıyla veri seti, kanat profili NACA numaralarına göre ayrılmıştır. Eğitim veri setinde yer alan hiçbir kanat profili, test veri setinde yer almamakta; aynı şekilde test veri setinde bulunan profiller de eğitim sırasında kullanılmamaktadır. Bu yöntem, modelin bilinmeyen kanat profilleri için tahmin yapabilme yeteneğini değerlendirmeyi amaçlamaktadır. Tez kapsamında, Destek Vektör Makineleri (SVM), XGBoost, AdaBoost, Rassal Orman (Random Forest), Karar Ağacı (Decision Tree), Yapay Sinir Ağları (YSA) ve Evrişimsel Sinir Ağları (CNN) ile farklı makine öğrenimi modelleri test edilmiş; en yüksek doğruluk CNN ve YSA tarafından sağlanmıştır. Bununla birlikte XGBoost ve Rassal Orman, bazı aerodinamik katsayıların tahmininde derin öğrenme modellerine yakın performans göstermiş ve hızlı eğitim süreleri sayesinde alternatif bir yöntem olarak değerlendirilmiştir. Çalışmanın özgün katkılarından biri, en ideal kanat profili seçiminde yalnızca taşıma katsayısı/sürükleme katsayısı (CL/CD) oranına değil, aynı zamanda moment katsayısına (𝐶M) dayalı çok kriterli bir değerlendirme yaklaşımının önerilmesidir. Sunulan yöntem, aerodinamik verimlilik ve uçuş stabilitesini aynı anda değerlendiren bir optimizasyon metriği kullanmaktadır. Sonuçlar, modelin farklı Mach sayıları ve hücum açıları için eğitildiğinde, bilinmeyen kanat profillerinde başarılı tahminler yaptığını göstermektedir. Böylece, makine öğrenimi tabanlı modellerin hava aracı tasarım süreçlerinde alternatif ve hızlı bir tahmin yöntemi olarak kullanılabileceği ortaya konmuştur. Bu tez çalışması, makine öğrenimi ve derin öğrenme yaklaşımlarının aerodinamik analizlerde nasıl daha etkili kullanılabileceğini ortaya koyarak, veri odaklı tasarım süreçlerine katkı sağlamaktadır.