Elektrikli araçlarda bataryanın şarj durumu, sürücünün görebildiği kalan enerji miktarını ve tahmini sürüş menzilini belirleyen temel göstergelerden biridir. Ancak şarj durumu doğrudan ölçülemez; batarya gerilimi, akımı, sıcaklığı ve geçmiş kullanım davranışı gibi ölçülebilir sinyallerden tahmin edilmesi gerekir.

Bu çalışmada araştırmacılar, lityum iyon bataryaların şarj durumunu tahmin etmek için DResCNN–BiGRU–SE adlı birleşik bir derin öğrenme mimarisi önermiştir. Model; farklı zaman ölçeklerindeki örüntüleri yakalayan genişletilmiş evrişim katmanlarını, öğrenmeyi kolaylaştıran artık bağlantıları, zaman içindeki ilişkileri iki yönde işleyen BiGRU katmanını ve yararlı özellik kanallarını öne çıkaran Squeeze-and-Excitation dikkat mekanizmasını bir araya getirmektedir.

Modelin girdileri yalnızca batarya gerilimi, batarya akımı ve batarya sıcaklığıdır. Değerlendirme, üretim tipi bir BMW i3 elektrikli araçtan 70 gerçek sürüş boyunca kaydedilen ve yaklaşık 989.671 ölçüm içeren açık veri setinde gerçekleştirilmiştir. Yolculukların 50’si eğitim, 10’u doğrulama ve 10’u test için ayrılmıştır.

Önerilen model test verilerinde %2,3522 kök ortalama kare hata, %1,7253 ortalama mutlak hata ve 0,9754 R² değeri üretmiştir. Ortalama sonuçlar, tahmin edilen şarj durumunun veri setindeki referans değerlerle güçlü biçimde örtüştüğünü göstermektedir. Bununla birlikte tekil en büyük hata %23,2645’e ulaşmıştır. Modelin çoğu durumda düşük hata üretmesi, bütün anlarda aynı güvenilirliği sağladığı anlamına gelmemektedir.

Sonuçların yorumlanmasını sınırlandıran önemli metodolojik sorunlar bulunmaktadır. Metnin bir bölümünde verilerin örnek bazında %70–%15–%15 oranında bölündüğü yazılırken yöntem bölümünde yolculuk bazında 50–10–10 ayrımı bildirilmektedir. Mimari şema Min–Max normalizasyonunu, ana metin ise RobustScaler yöntemini göstermektedir. Ablasyon grafiğinin son modeli DResCNN–BiGRU–CA adıyla ve yaklaşık %3,96 RMSE ile göstermesi, ana modelin %2,3522 değerinden ayrılmaktadır. Karşılaştırma grafiğindeki bazı model değerleri de makaledeki karşılaştırma tablosuyla uyuşmamaktadır.

Bu nedenle çalışma, derin öğrenmenin gerçek sürüş verilerindeki potansiyelini gösteren umut verici bir ön sonuç olarak değerlendirilmelidir. Modelin farklı araçlarda, farklı batarya kimyalarında, yaşlanmış bataryalarda ve gerçek zamanlı gömülü donanımda bağımsız olarak doğrulanması gerekmektedir.

Bataryanın şarj durumu neyi ifade eder?

Şarj durumu veya İngilizce adıyla State of Charge, bataryada kullanılabilir durumda kalan enerji miktarını yüzde cinsinden ifade eden tahmini bir değişkendir. Yakıtlı bir araçtaki depo göstergesine benzetilebilir; ancak lityum iyon bataryadaki enerji miktarı yalnızca gerilim ölçülerek kesin biçimde belirlenemez.

Bataryanın ölçülen gerilimi ve akımı aşağıdaki etkenlere göre değişebilir:

• Bataryanın anlık şarj veya deşarj akımı,
• Hücrelerin ve batarya paketinin sıcaklığı,
• Hızlanma ve rejeneratif frenleme gibi ani yük değişimleri,
• Bataryanın iç direnci,
• Hücre kimyası ve üretim farklılıkları,
• Yaşlanma ve kapasite kaybı,
• Önceki şarj ve deşarj geçmişi,
• Sensör gürültüsü ve kalibrasyon hataları.

Bu nedenle batarya yönetim sistemi, doğrudan ölçülemeyen şarj durumunu ölçülebilen elektriksel ve termal sinyallerden sürekli olarak hesaplamaya çalışır.

Yanlış şarj durumu tahmini neden önemlidir?

Şarj durumunun olduğundan yüksek tahmin edilmesi, araç sürücüsüne gerçekte bulunmayan bir sürüş menzili gösterebilir. Olduğundan düşük tahmin edilmesi ise kullanılabilir batarya kapasitesinin gereksiz biçimde sınırlandırılmasına neden olabilir.

Doğru bir tahmin şu işlevleri destekler:

• Kalan sürüş menzilinin daha güvenilir hesaplanması,
• Şarj ve deşarj sınırlarının güvenli biçimde yönetilmesi,
• Bataryanın aşırı şarj veya derin deşarjdan korunması,
• Rejeneratif frenleme enerjisinin daha doğru planlanması,
• Güç ve enerji yönetim algoritmalarının iyileştirilmesi,
• Batarya ömrünün uzatılması,
• Sürücünün menzil kaygısının azaltılması.

Geleneksel tahmin yöntemlerinin sınırları nelerdir?

Şarj durumu tahmininde kullanılan temel yaklaşımlardan biri Coulomb sayımıdır. Bu yöntemde bataryaya giren ve bataryadan çıkan akım zaman boyunca toplanır. Başlangıçtaki şarj durumu doğru biliniyorsa yöntem yararlı olabilir; ancak akım sensöründeki küçük hatalar zamanla birikerek tahminin kaymasına neden olabilir.

Açık devre gerilimine dayalı yöntemler, batarya bir süre dinlendirildikten sonra ölçülen gerilimi şarj durumuyla ilişkilendirir. Bununla birlikte hareket hâlindeki bir elektrikli araçta bataryayı uzun süre yüksüz bırakmak çoğu zaman mümkün değildir.

Kalman filtresi ve benzeri model tabanlı yöntemler fiziksel batarya modellerini sensör verileriyle birleştirir. Bu yöntemlerin başarısı eşdeğer devre parametrelerinin, iç direncin ve sıcaklık davranışının doğru modellenmesine bağlıdır. Batarya yaşlandıkça model parametreleri değişebilir.

Veri odaklı yöntemler ise gerilim, akım, sıcaklık ve şarj durumu arasındaki ilişkiyi doğrudan veriden öğrenmeye çalışır. Bu yaklaşım karmaşık doğrusal olmayan ilişkileri yakalayabilir; ancak güvenilirliği eğitim verisinin kapsamına, veri ayrımına ve modelin daha önce görmediği koşullarda sınanmasına bağlıdır.

Araştırmanın temel sorusu nedir?

Çalışmanın temel araştırma sorusu şu şekilde özetlenebilir:

Gerilim, akım ve sıcaklıktan oluşan geçmiş ölçüm dizileri kullanılarak, gerçek sürüş koşullarındaki bir elektrikli aracın batarya şarj durumu birleşik bir derin öğrenme modeliyle doğru biçimde tahmin edilebilir mi?

Araştırmacılar bunun için üç farklı öğrenme yeteneğini tek modelde birleştirmiştir:

1. Farklı zaman ölçeklerindeki kısa süreli sinyal örüntülerinin çıkarılması,
2. Uzun süreli zamansal bağımlılıkların öğrenilmesi,
3. Yararlı özellik kanallarının diğerlerinden daha güçlü ağırlıklandırılması.

DResCNN–BiGRU–SE adı ne anlama gelmektedir?

Modelin adı üç temel bileşenden oluşmaktadır:

• DResCNN: Genişletilmiş evrişim kullanan artık bağlantılı bir boyutlu evrişimsel sinir ağıdır.
• BiGRU: Veriyi ileri ve geri yönde işleyen çift yönlü kapılı tekrarlayan birimdir.
• SE: Özellik kanallarına önem ağırlıkları atayan Squeeze-and-Excitation dikkat mekanizmasıdır.

Çalışmanın 4. sayfasındaki Şekil 1, bütün mimariyi yedi aşamada göstermektedir: veri hazırlama, çok ölçekli evrişim, artık bloklar, BiGRU, kanal dikkati, regresyon başlığı ve model eğitimi.

Birinci aşama: Ölçümlerin zaman dizilerine dönüştürülmesi

Her zaman adımındaki giriş vektörü gerilim, akım ve sıcaklıktan oluşmaktadır:

\[ x_t=[V_t,I_t,T_t] \]

• \(V_t\): t anındaki batarya gerilimidir.
• \(I_t\): t anındaki batarya akımıdır.
• \(T_t\): t anındaki batarya sıcaklığıdır.

Modelin tek bir giriş örneği, ardışık ölçümlerden oluşan bir zaman penceresidir:

\[ X=\{x_1,x_2,\ldots,x_L\} \]

Çalışmada pencere uzunluğu \(L=40\) zaman adımı olarak belirlenmiştir. Bu nedenle model yalnızca o andaki üç ölçüme bakmamakta, önceki 40 ölçümden oluşan kısa geçmişi birlikte değerlendirmektedir.

Ölçümlerin hangi örnekleme frekansıyla kaydedildiği ve 40 adımın saniye cinsinden ne kadar geçmişe karşılık geldiği çalışmada açık biçimde belirtilmemiştir. Bu eksiklik, modelin fiziksel zaman ölçeğinin yorumlanmasını güçleştirmektedir.

İkinci aşama: Çok ölçekli evrişimsel özellik çıkarımı

Modelin ilk öğrenme bölümünde aynı giriş dizisine iki paralel bir boyutlu evrişim uygulanmaktadır. Mimari şemada birinci dal için çekirdek büyüklüğü 3 ve genişletme oranı 1, ikinci dal için çekirdek büyüklüğü 5 ve genişletme oranı 2 gösterilmektedir.

Birinci dal daha kısa süreli yerel değişimleri, ikinci dal ise daha geniş bir zaman aralığındaki örüntüleri yakalamayı amaçlamaktadır. İki daldan çıkarılan özellikler daha sonra birleştirilmektedir.

Genişletilmiş evrişim, filtre katsayıları arasına boşluklar yerleştirerek katman sayısını veya filtre büyüklüğünü aşırı artırmadan daha geniş bir alana bakılmasını sağlar. Batarya uygulamasında bu yaklaşım, kısa süreli akım darbeleriyle daha yavaş gerilim ve sıcaklık değişimlerini aynı modelde temsil etmeyi amaçlamaktadır.

Bununla birlikte makalenin ana metninde “Step 2” başlığı bulunmasına rağmen bu aşamanın ayrıntılı açıklaması verilmeden doğrudan üçüncü aşamaya geçilmektedir. Filtre sayıları, evrişim çıktılarının tam boyutları ve bu bölüme karşılık gelmesi beklenen üçüncü denklem de metinde yer almamaktadır.

Üçüncü aşama: Artık bağlantılar

Çok ölçekli özellikler, evrişim, toplu normalizasyon ve ReLU etkinleştirmesi içeren artık bloklara aktarılmaktadır. Artık bağlantının temel ilişkisi şöyledir:

\[ Y=\mathcal{F}(X)+X \]

• \(X\): Bloğun giriş özellikleridir.
• \(\mathcal{F}(X)\): Evrişim katmanları tarafından öğrenilen dönüşümdür.
• \(Y\): Öğrenilen dönüşüm ile girişin toplamıdır.

Bu yapı, derin ağlarda gradyanın daha kolay ilerlemesine yardımcı olabilir. Katmanlar bütün dönüşümü sıfırdan öğrenmek yerine giriş üzerinde yapılması gereken düzeltmeyi öğrenir.

Makaledeki mimari şema artık bloğun \(N\) kez tekrarlandığını göstermektedir; ancak \(N\) değerinin kaç olduğu belirtilmemiştir. Her katmandaki filtre sayıları ve toplam model parametresi de raporlanmamıştır. Bu nedenle mimarinin aynı biçimde yeniden kurulması için gerekli bilgiler eksiktir.

Dördüncü aşama: BiGRU ile zaman ilişkilerinin öğrenilmesi

Evrişimsel katmanlar yerel sinyal örüntülerini çıkarırken, bataryanın şarj durumu daha uzun süreli geçmişten de etkilenebilir. Bu nedenle birleştirilmiş özellikler çift yönlü GRU katmanına verilmektedir.

İleri yöndeki gizli durum şu biçimde gösterilebilir:

\[ \overrightarrow{h_t}=\operatorname{GRU}(x_t,\overrightarrow{h_{t-1}}) \]

Geri yöndeki gizli durum ise şöyledir:

\[ \overleftarrow{h_t}=\operatorname{GRU}(x_t,\overleftarrow{h_{t+1}}) \]

İki yönün çıktısı birleştirilir:

\[ h_t=[\overrightarrow{h_t};\overleftarrow{h_t}] \]

Çift yönlü işlem, 40 adımlık pencerenin başlangıcı ile sonundaki bilgileri birlikte değerlendirmeyi sağlar. Geri yönlü işlem gelecekteki gerçek araç verisine bakmak zorunda değildir; pencere tamamen mevcut ana kadar olan ölçümlerden oluşturuluyorsa aynı geçmiş pencere ters yönde işlenebilir. Ancak çalışmada hedef zamanının pencereye göre tam konumu açık biçimde belirtilmediğinden gerçek zamanlı nedensellik yapısı tamamen doğrulanamamaktadır.

Beşinci aşama: Squeeze-and-Excitation dikkati

Modelin çıkardığı bütün özellik kanalları şarj durumu tahmininde aynı ölçüde yararlı olmayabilir. SE mekanizması, her kanalı özetleyerek kanallara 0 ile 1 arasında öğrenilebilir önem ağırlıkları atar.

Önce her özellik kanalının zaman boyunca ortalaması alınır:

\[ z_c=\frac{1}{T}\sum_{t=1}^{T}X_c(t) \]

• \(z_c\): c kanalının özet değeridir.
• \(T\): zaman dizisinin uzunluğudur.
• \(X_c(t)\): c kanalının t zamanındaki değeridir.

Kanal ağırlıkları iki tam bağlantılı dönüşümle hesaplanır:

\[ A=\sigma(W_2\delta(W_1z)) \]

• \(W_1,W_2\): Öğrenilebilir ağırlık matrisleridir.
• \(\delta\): ReLU etkinleştirmesidir.
• \(\sigma\): Sigmoid etkinleştirmesidir.

Son özellikler kanal ağırlıklarıyla yeniden ölçeklenir:

\[ Y=X\odot A \]

Bu işlem, modelin belirli sürüş koşullarında daha yararlı hâle gelen özellikleri güçlendirmesini ve daha az yararlı özellikleri bastırmasını amaçlamaktadır.

SE bölümünün ara katman genişliği veya azaltma oranı metinde belirtilmemiştir. Bu da yeniden üretilebilirliği sınırlayan başka bir mimari eksikliktir.

Altıncı aşama: Sürekli şarj durumu çıktısı

Dikkat mekanizmasından çıkan özellikler küresel ortalama havuzlama katmanıyla özetlenmekte ve aşağıdaki tam bağlantılı katmanlardan geçirilmektedir:

• 256 nöronlu katman ve 0,30 dropout,
• 128 nöronlu katman ve 0,20 dropout,
• 64 nöronlu katman,
• Tek nöronlu doğrusal çıkış katmanı.

Doğrusal çıkış, şarj durumunun kesintisiz bir yüzde değeri olarak tahmin edilmesini sağlar:

\[ SOC_{tahmin}=f(g) \]

Burada \(g\), havuzlama sonrasında oluşan özet özellik vektörünü; \(f\) ise tam bağlantılı katmanların öğrendiği dönüşümü temsil etmektedir.

Yedinci aşama: Modelin eğitilmesi

Model Adam eniyileyicisiyle eğitilmiş ve başlangıç öğrenme oranı 0,0003 olarak belirlenmiştir. Gradyan normu 1,0 ile sınırlandırılmış, toplu işlem büyüklüğü 128 ve azami eğitim süresi 100 epoch olarak seçilmiştir.

Eğitim kaybı olarak Huber kaybı kullanılmıştır:

\[ L_\delta(y,\hat{y})= \begin{cases} \frac{1}{2}(y-\hat{y})^2, & |y-\hat{y}|\leq\delta \\ \delta|y-\hat{y}|-\frac{1}{2}\delta^2, & |y-\hat{y}|>\delta \end{cases} \]

• \(y\): Referans şarj durumudur.
• \(\hat{y}\): Model tahminidir.
• \(\delta\): Karesel ve doğrusal hata bölgelerini ayıran eşiktir.

Huber kaybı küçük hatalarda kareli hata gibi davranırken büyük hatalarda doğrusal büyür. Böylece model küçük farklara duyarlı kalırken az sayıdaki büyük sapmanın eğitimi aşırı etkilemesi azaltılabilir.

Çalışmada erken durdurma ve uyarlanabilir öğrenme oranı planlaması kullanıldığı belirtilmektedir. Ancak erken durdurma sabrı, öğrenme oranı azaltma koşulu ve seçilen en iyi epoch gibi ayrıntılar verilmemiştir.

BMW i3 veri seti ne içermektedir?

Model, üretim tipi BMW i3 elektrikli araçtan gerçek kullanım sırasında kaydedilen açık veri setiyle değerlendirilmiştir. Araçta 60 Ah kapasiteli lityum iyon batarya paketi bulunmaktadır.

Veri setinde batarya gerilimi, akımı ve sıcaklığının yanında ortam sıcaklığı, araç hızı, yolculuk mesafesi ve süre gibi başka değişkenler de bulunmaktadır. Önerilen model bunlardan yalnızca gerilim, akım ve batarya sıcaklığını kullanmıştır.

Çalışmanın 9. sayfasındaki Şekil 2, yolculukların mesafe ve süre bakımından önemli ölçüde değiştiğini göstermektedir. Yolculukların çoğu yaklaşık 10–20 kilometre aralığında toplanırken 50–60 kilometreye yaklaşan az sayıda daha uzun sürüş de bulunmaktadır.

Gerilim, akım ve sıcaklık şarj durumuyla nasıl ilişkilidir?

Çalışmanın 11. sayfasındaki korelasyon matrisi, şarj durumuyla en güçlü doğrusal ilişkinin batarya geriliminde bulunduğunu göstermektedir:

Akımın SOC ile anlık doğrusal korelasyonunun 0,03 olması, akımın yararsız olduğu anlamına gelmez. Akımın etkisi çoğunlukla zaman boyunca birikerek ortaya çıkar. Aynı akım değeri, bataryanın önceki yük geçmişine göre farklı anlam taşıyabilir. Bu nedenle zaman dizisi modeli yalnızca tekil korelasyondan daha karmaşık ilişkileri öğrenmeye çalışmaktadır.

Batarya sıcaklığı ile ortam sıcaklığı arasındaki korelasyon 0,87’dir. Model yalnızca batarya sıcaklığını kullandığı için ortam koşullarına ilişkin bilgilerin bir bölümü batarya sıcaklığı üzerinden dolaylı olarak modele girebilir.

Veriler nasıl ölçeklenmiştir?

Ana metne göre giriş değişkenleri ve hedef SOC değerleri RobustScaler ile ölçeklenmiştir:

\[ x_{ölçekli}=\frac{x-\operatorname{Median}(x)}{Q_3-Q_1} \]

• \(\operatorname{Median}(x)\): Değişkenin ortanca değeridir.
• \(Q_1\): Birinci çeyrektir.
• \(Q_3\): Üçüncü çeyrektir.
• \(Q_3-Q_1\): Çeyrekler arası aralıktır.

Bu ölçekleme uç değerlerden, ortalama ve standart sapmaya dayalı yöntemlere göre daha az etkilenebilir.

Ancak Şekil 1’de ön işleme adımı “Min–Max Normalization” olarak gösterilmektedir. Min–Max normalizasyonu ile RobustScaler aynı yöntem değildir. Metin boyunca RobustScaler daha ayrıntılı biçimde anlatıldığı için ana yöntem olarak bu yaklaşım kabul edilse de şekil ile yöntem anlatımı arasında açık bir tutarsızlık bulunmaktadır.

Ayrıca ölçekleyicinin yalnızca eğitim yolculukları üzerinde öğrenilip doğrulama ve test yolculuklarına daha sonra uygulanıp uygulanmadığı açıklanmamıştır. Ölçekleme parametreleri bütün veri setinden hesaplandıysa test dağılımı hakkında sınırlı da olsa bilgi sızıntısı oluşabilir. Çalışmanın verdiği bilgiler bu olasılığın değerlendirilmesi için yeterli değildir.

Veriler eğitim, doğrulama ve test için nasıl ayrılmıştır?

Yöntem bölümünde yolculuk bazında şu ayrım bildirilmektedir:

Yolculuk bazında ayırma, aynı yolculuktan üretilen örtüşen zaman pencerelerinin hem eğitim hem test kümesine girmesini önlemek açısından önemlidir.

Buna karşılık çalışmanın 3. sayfasındaki karşılaştırma tablosu bu çalışmanın veri ayrımını “örneklerin %70’i eğitim, %15’i doğrulama ve %15’i test” şeklinde tanımlamaktadır. Yolculuk bazlı ayrım ile örnek bazlı ayrım aynı değildir. Metodoloji bölümündeki ayrıntılı 50–10–10 açıklaması daha güvenilir görünse de iki ifade arasındaki uyuşmazlık giderilmemiştir.

Hangi 10 yolculuğun doğrulama ve hangi 10 yolculuğun test için kullanıldığı da listelenmemiştir. Tek bir rastgele tohum değeri 42 olarak verilmiştir; farklı bölmeler veya farklı tohumlarla tekrarlanan deneyler raporlanmamıştır.

Eğitim ve doğrulama eğrileri ne göstermektedir?

Çalışmanın 14. ve 15. sayfalarındaki grafiklerde eğitim ve doğrulama kayıpları ilk epochlarda hızlı biçimde düşmekte, daha sonra daha yavaş iyileşmektedir. Eğitim eğrisi düzenli olarak azalmaya devam ederken doğrulama eğrisi yaklaşık 17–18. epoch sonrasında dalgalanmakta ve küçük bir yükselme göstermektedir.

Araştırmacılar eğitim ile doğrulama eğrileri arasında ciddi bir ayrışma bulunmadığını ve modelin belirgin aşırı öğrenme göstermediğini ifade etmektedir. Grafikler kontrolsüz bir sapma göstermese de eğitimin sonunda eğitim kaybı ile doğrulama kaybı arasında görünür bir fark bulunmaktadır. Bu durum hafif düzeyde aşırı öğrenme olasılığının tamamen dışlanamayacağını göstermektedir.

Modelin ana test sonuçları nelerdir?

%1,7253 MAE, ortalama örnekte tahmin ile referans arasında yaklaşık 1,73 yüzde puan fark bulunduğunu göstermektedir. Örneğin referans değer %60 ise ortalama hata büyüklüğü yaklaşık 1,73 puan düzeyindedir; ancak bu, her tahminin bu sınır içinde olduğu anlamına gelmez.

%23,2645 düzeyindeki en büyük hata özellikle önemlidir. Ortalama performans güçlü görünse de belirli bir geçiş anında tahmin ile referans arasında 23 yüzde puanı aşan fark oluşmuştur. Güvenlik açısından kritik bir batarya yönetim uygulamasında yalnızca ortalama hata değil, en kötü durum davranışı da değerlendirilmelidir.

Gerçek ve tahmin edilen SOC eğrileri ne göstermektedir?

Çalışmanın 16. sayfasındaki Şekil 7 ve Şekil 8’de tahmin eğrileri çoğu noktada referans değerlere yakın ilerlemektedir. Yakınlaştırılmış bölümde özellikle orta ve yüksek SOC aralıklarında güçlü örtüşme görülmektedir. Keskin düşüşlerde tahmin eğrisinin bazı tepe ve çukurları yumuşattığı veya kaçırdığı noktalar bulunmaktadır.

Grafikte ardışık örnekler arasında SOC değerinin sık sık %80 düzeyinden %30–40 aralığına düşüp yeniden yükseldiği görülmektedir. Tek bir fiziksel yolculukta bataryanın bu kadar hızlı şarj olup boşalması beklenmeyeceği için grafik büyük olasılıkla farklı test pencerelerini veya farklı yolculukları birleştirmektedir. Ancak örneklerin sıralama yöntemi açıklanmadığından grafik gerçek zamanlı kesintisiz bir sürüş profili olarak yorumlanmamalıdır.

Test sonuçları her yolculuk için ayrı ayrı verilmemiştir. Bu nedenle modelin bütün test yolculuklarında benzer başarı gösterip göstermediği, belirli sıcaklık veya mesafe koşullarında hatanın artıp artmadığı görülememektedir.

Hata dağılımı gerçekten tarafsız mıdır?

Çalışmanın 18. sayfasındaki Şekil 9 artık grafiği, histogram, kutu grafiği ve keman grafiğini birlikte göstermektedir. Hataların büyük bölümü sıfıra yakın bölgede toplanmaktadır. Bununla birlikte kutu grafiğinde hem negatif hem pozitif yönde çok sayıda uç değer bulunmaktadır.

Artık grafiği tamamen rastgele bir bulut görünümünde değildir. Tahmin edilen SOC düşükken artıkların daha çok negatif bölgede, daha yüksek SOC değerlerinde ise sıfırın çevresinde veya pozitif bölgede yoğunlaşması SOC düzeyine bağlı sistematik bir örüntü olabileceğini düşündürmektedir.

Bu nedenle “modelin belirgin biçimde fazla veya düşük tahmin eğilimi yoktur” sonucu genel ortalama bakımından makul olsa da bütün SOC aralıklarında eşit biçimde tarafsız olduğu kesin olarak gösterilmiş değildir.

R² değeri neyi gösterir, neyi göstermez?

0,9754 düzeyindeki R², test verisindeki referans SOC değişkenliğinin yaklaşık %97,5’inin model tahminleriyle istatistiksel olarak açıklanabildiğini göstermektedir.

Bu değer aşağıdakileri tek başına kanıtlamaz:

• Her tahmin anında hatanın düşük olduğunu,
• Modelin farklı araçlarda aynı sonucu vereceğini,
• Referans SOC değerlerinin hatasız olduğunu,
• Batarya yaşlandığında performansın korunacağını,
• Modelin gerçek zamanlı bir kontrol ünitesinde çalışabileceğini,
• En kötü durum hatalarının güvenlik sınırları içinde olduğunu.

Önceki çalışmalarla karşılaştırma ne kadar güvenilirdir?

Makaledeki ana karşılaştırma tablosuna göre önerilen model, aynı BMW i3 veri setini kullanan önceki çalışmalardan daha düşük RMSE ve MAE üretmiştir:

Bu karşılaştırmaların veri bölmeleri, ön işleme adımları, test yolculukları ve uygulama ayrıntıları aynı değildir. Bir modelin farklı bir test kümesindeki düşük hatası, diğer modelden kesin olarak üstün olduğunu kanıtlamaz. Gerçek bir doğrudan karşılaştırma için bütün modellerin aynı eğitim, doğrulama ve test yolculuklarında yeniden çalıştırılması gerekir.

Çalışmanın 20. sayfasındaki Şekil 11 de karşılaştırma tablosuyla uyuşmamaktadır. Grafikte FFNN için yaklaşık 7,20, LSTM için 6,10, GRU için 5,80, BiLSTM için 5,50, ResCNN–BiGRU için 4,80 ve DResCNN–BiGRU–CA için yaklaşık 3,96 RMSE gösterilmektedir. Bu adlar ve değerler ana karşılaştırma tablosundaki modellerle aynı değildir; önerilen SE modelinin 2,3522 RMSE değeri grafikte gösterilmemektedir.

Ablasyon çalışması mimari bileşenleri doğruluyor mu?

Ablasyon çalışmasının amacı, mimarinin bileşenleri tek tek eklendiğinde hatanın nasıl değiştiğini göstermektir. Şekil 12’de CNN’den başlayarak BiGRU, artık bağlantı, genişletilmiş evrişim ve dikkat mekanizması eklenirken RMSE’nin kademeli biçimde azaldığı görülmektedir.

Ancak bu bölümde ciddi raporlama sorunları bulunmaktadır:

• Metin sonuçların “Tablo V”te verildiğini söylemesine rağmen sayısal ablasyon tablosu bulunmamaktadır.
• Tablo V daha önce ana performans ölçütleri için kullanılmıştır.
• Grafikte son modelin adı DResCNN–BiGRU–CA’dır; ana model ise DResCNN–BiGRU–SE olarak adlandırılmaktadır.
• Grafikte son noktanın RMSE değeri yaklaşık 3,96 görünmektedir; ana test sonucu 2,3522’dir.
• Ablasyon modellerinin aynı test kümesi, aynı rastgele başlangıç ve aynı eğitim ayarlarıyla çalıştırılıp çalıştırılmadığı belirtilmemiştir.
• Sonuçlar birden fazla eğitim tekrarı ve standart sapmayla raporlanmamıştır.

Bu nedenle grafik mimari geliştikçe performansın iyileştiği yönünde nitel bir örüntü sunsa da her bileşenin katkısını güvenilir ve sayısal biçimde doğrulayan tamamlanmış bir ablasyon deneyi olarak kabul edilemez.

Çalışmanın en önemli güçlü yönleri

• Kontrollü laboratuvar çevrimleri yerine gerçek sürüşlerden oluşan açık veri seti kullanılmıştır.
• Yaklaşık bir milyon ölçüm modele geniş bir örnek tabanı sağlamıştır.
• Girdi olarak çoğu batarya yönetim sisteminde bulunan gerilim, akım ve sıcaklık seçilmiştir.
• Yerel örüntü, uzun süreli zaman ilişkisi ve kanal dikkati tek mimaride birleştirilmiştir.
• Doğrulama ve test için ayrı yolculuklar kullanıldığı belirtilmiştir.
• RMSE ve MAE dışında R², MAPE, en büyük hata ve hata standart sapması raporlanmıştır.
• Hata dağılımı birden fazla grafikle incelenmiştir.
• Çalışma kendi sınırlılıklarını ve gömülü sistem doğrulaması gereksinimini kabul etmektedir.

Çalışmanın temel sınırlılıkları

• Model yalnızca tek araç modeli ve tek batarya paketi üzerinde değerlendirilmiştir.
• Farklı hücre kimyaları ve batarya kapasiteleri sınanmamıştır.
• Batarya yaşlanmasının etkisi değerlendirilmemiştir.
• Referans SOC, bağımsız laboratuvar ölçümü değil araç üreticisinin sağladığı değerdir.
• Ölçekleyicinin yalnızca eğitim verisinde öğrenilip öğrenilmediği açıklanmamıştır.
• Veri ayrımı örnek bazlı ve yolculuk bazlı olarak iki farklı biçimde tanımlanmıştır.
• Şema Min–Max, metin RobustScaler normalizasyonunu bildirmektedir.
• Evrişim filtre sayıları ve artık blok sayısı belirtilmemiştir.
• SE azaltma oranı ve toplam model parametre sayısı verilmemiştir.
• Çalıştırma süresi, çıkarım gecikmesi, bellek gereksinimi ve enerji tüketimi ölçülmemiştir.
• Test sonuçları yolculuk bazında ayrı ayrı raporlanmamıştır.
• Farklı rastgele tohumlarla tekrarlanmış deney ve güven aralığı bulunmamaktadır.
• Karşılaştırma grafiği ana karşılaştırma tablosuyla uyuşmamaktadır.
• Ablasyon grafiğinin model adı ve sonucu ana model sonucuyla tutarlı değildir.
• Kaynak kodu, eğitimde kullanılan yolculuk kimlikleri ve tam yeniden üretim paketi verilmemiştir.

Çalışma neyi desteklemektedir?

• Gerilim, akım ve sıcaklık dizilerinin SOC tahmini için yüksek bilgi içerebildiğini,
• Evrişimsel ve tekrarlayan katmanların birlikte kullanılmasının gerçek sürüş verilerinde umut verici olduğunu,
• Kanal dikkatinin öğrenilen özellikleri seçici biçimde yeniden ağırlıklandırmak için kullanılabileceğini,
• Belirtilen test kümesinde düşük ortalama hata elde edildiğini,
• Yolculuk bazlı veri ayırmanın uygulanabilir bir değerlendirme yaklaşımı olduğunu desteklemektedir.

Çalışma neyi kanıtlamamaktadır?

• Modelin bütün elektrikli araçlarda %2,35 RMSE üreteceğini kanıtlamamaktadır.
• Önerilen mimarinin bütün önceki yöntemlerden kesin olarak üstün olduğunu göstermemektedir.
• Modelin yaşlanmış bataryalarda aynı doğruluğu koruyacağını göstermemektedir.
• En büyük %23,26 hatanın güvenlik açısından kabul edilebilir olduğunu kanıtlamamaktadır.
• Modelin otomotiv sınıfı bir batarya yönetim ünitesinde gerçek zamanlı çalışabileceğini göstermemektedir.
• Tahminlerin farklı sıcaklık, iklim ve sürüş kültürlerinde aynı başarıyı göstereceğini kanıtlamamaktadır.
• Referans SOC değerlerinin fiziksel gerçek SOC ile hatasız biçimde eşleştiğini göstermemektedir.
• Ablasyon grafiğindeki iyileşmelerin istatistiksel olarak anlamlı olduğunu kanıtlamamaktadır.

Türkiye’deki elektrikli araç ekosistemi açısından ne ifade etmektedir?

Türkiye’de elektrikli araç kullanımı, şarj altyapısı ve yerli araç teknolojileri geliştikçe batarya yönetim yazılımlarının önemi de artmaktadır. Şarj durumu tahmini yalnızca gösterge panelindeki yüzde değeri değil; menzil planlaması, hızlı şarj yönetimi, batarya garantisi ve ikinci el batarya değerlendirmesi gibi alanları da etkileyebilir.

Çalışmanın yaklaşımı Türkiye’de geliştirilecek batarya yönetim sistemleri için şu araştırma yönlerini desteklemektedir:

• Türkiye’nin farklı iklim bölgelerinde gerçek sürüş verilerinin toplanması,
• Yaz sıcaklığı ve kış soğuğunun SOC tahminine etkisinin incelenmesi,
• Farklı araç ve batarya kimyalarının ortak veri tabanında sınanması,
• Yeni ve yaşlanmış bataryaların birlikte değerlendirilmesi,
• Modelin otomotiv sınıfı mikrodenetleyicilerde gecikme ve enerji tüketiminin ölçülmesi,
• En kötü durum hatalarının güvenlik sınırlarıyla birlikte raporlanması,
• Fiziksel batarya modelleriyle derin öğrenmenin birleştirilmesi.

Ancak çalışmadaki sayısal sonuçlar Türkiye’deki araçlara doğrudan aktarılamaz. Yerel kullanım koşulları, araç donanımı, batarya kimyası, sensör kalitesi ve sıcaklık aralığı farklı olabilir. Gerçek uygulama için Türkiye’de toplanmış bağımsız verilerle yeniden eğitim ve doğrulama gereklidir.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem özeti

Ana performans bulguları

Mimari bileşenlerin amaçları

Metin içindeki kritik tutarsızlıklar

Sonuçların güvenilirliğini artıracak ek deneyler

• Aynı test yolculuklarında bütün karşılaştırma modellerinin yeniden eğitilmesi,
• Her test yolculuğu için ayrı RMSE, MAE ve en büyük hata verilmesi,
• Farklı rastgele tohumlarla en az birkaç bağımsız eğitim tekrarı yapılması,
• Ortalama sonuçlarla birlikte standart sapma veya güven aralığı raporlanması,
• Farklı BMW i3 sürüş alt kümelerinde çapraz yolculuk doğrulaması yapılması,
• Başka araç modelleri ve batarya kimyalarıyla dış doğrulama yapılması,
• Yeni ve yaşlanmış bataryaların ayrı değerlendirilmesi,
• Ölçekleyicinin yalnızca eğitim kümesine uyarlanması ve bunun açıkça belirtilmesi,
• Mimari parametrelerin ve kaynak kodunun yayımlanması,
• Gömülü donanımda gecikme, bellek ve enerji tüketiminin ölçülmesi,
• En büyük hatanın oluştuğu sürüş koşullarının ayrı olarak analiz edilmesi,
• SOC tahminlerine belirsizlik aralığı eklenmesi.

Kaynak ve Yöntem Notu

• Çalışmanın özgün adı: DResCNN–BiGRU–SE: A Deep Learning Framework for Accurate State-of-Charge Estimation of Lithium-Ion Batteries in Electric Vehicles
• Yazarlar: Sushil Kumar; Yaduvir Singh
• Yazar sıralaması: Sushil Kumar birinci, Yaduvir Singh ikinci yazardır.
• Yazar bilgisi uyarısı: Yüklenen çalışma metninin ilk sayfasında yazar ve kurum satırı bulunmamaktadır. Yazarlar SSRN resmî kayıt bilgisinden doğrulanmıştır.
• Eş birinci yazar: Eş katkı veya eş birinci yazarlık beyanı bulunmamaktadır.
• İletişim yazarı: SSRN kaydında Sushil Kumar iletişim yazarı olarak gösterilmektedir.
• Kurum: Harcourt Butler Technical University, Kanpur, Hindistan
• Yaduvir Singh’in bölümü: Üniversitenin resmî kaydında Department of Electrical Engineering
• Sushil Kumar’ın bölüm bilgisi: İncelenen çalışmanın başlık sayfasında ve erişilebilen SSRN özet bilgisinde bölüm adı açıkça gösterilmemektedir.
• Çalışma yılı: 2026
• Tam gün ve ay: Yüklenen metinde açıkça belirtilmemiştir; bu nedenle kesin tarih verilmemiştir.
• Kaynak türü: Hakem değerlendirmesinden geçmemiş preprint araştırma metni
• Yayın platformu: SSRN
• Platform işletmecisi: Elsevier
• Preprint DOI: 10.2139/ssrn.7196249
• Resmî kayıt:SSRN resmî çalışma sayfası
• Kalıcı DOI bağlantısı:10.2139/ssrn.7196249
• Dergi: Hakemli bir dergide yayımlandığı doğrulanamamıştır.
• Hakemlik durumu: Yüklenen metnin her sayfasında çalışmanın hakem değerlendirmesinden geçmediği belirtilmektedir.
• Veri kaynağı: BMW i3 Battery and Heating Data in Real Driving Cycles, IEEE DataPort
• Veri seti DOI: 10.21227/6JR9-5235
• Çıkar çatışması: İncelenen metinde ayrı bir çıkar çatışması beyanı bulunmamaktadır.
• Finansman: İncelenen metinde finansman bilgisi bulunmamaktadır.
• Kod ve model ağırlıkları: Açık kaynak bağlantısı verilmemiştir.

Bu Verianla makalesinin bilimsel içeriği yalnızca yüklenen çalışmanın metni, denklemleri, tabloları, mimari şeması, performans grafikleri ve hata analizleri incelenerek hazırlanmıştır. Dış kaynaklar yalnızca yazarların kimliği, kurum bağlantısı, DOI, platform ve hakemlik durumunun bibliyografik olarak doğrulanması için kullanılmıştır. Dış kaynaklardan yeni bilimsel sonuç eklenmemiştir.

Çalışmanın ana sonucu olan %2,3522 RMSE, %1,7253 MAE ve 0,9754 R² değerleri araştırmacıların bildirdiği test sonuçlarıdır. Ham test tahminleri, kaynak kodu ve eğitim kayıtları paylaşılmadığından bu değerler bağımsız olarak yeniden hesaplanmamıştır.

Metinde veri ayrımı, normalizasyon yöntemi, model karşılaştırma grafiği ve ablasyon sonucu arasında önemli tutarsızlıklar bulunmaktadır. Bu tutarsızlıklar sessizce düzeltilmemiş; sonuçların bilimsel ağırlığı değerlendirilirken açık biçimde belirtilmiştir.

Çalışma hakem değerlendirmesinden geçmemiştir. Sonuçlar tek araç platformu ve tek batarya yapılandırmasıyla sınırlıdır. Model, otomotiv sınıfı gömülü bir batarya yönetim sisteminde gerçek zamanlı olarak sınanmamış ve farklı batarya kimyalarıyla dış doğrulamadan geçirilmemiştir.