ESTIMATING THE DEGREE OF ICING RISK ON AIRCRAFT BY ARTIFICIAL INTELLIGENCE

Öz

Icing on aircraft is one of the serious problems in aviation from past to present. Icing reduces aircraft performance and can cause aircraft to lose control and fall, resulting in death and injury. Many accidents have occurred in the literature due to icing on the aircraft, and they still occur today. Anti-icing and de-icing systems have been proposed to prevent icing problems in aircraft. It is important that anti-icing and de-icing systems are activated and de-iced at the right time. At the same time, it does not leave the decision to the pilot according to the presence of icing for the operation and shutdown of the anti-icing and de-icing systems, thus preventing human-induced errors. In this study, the icing risk degree was estimated using decision trees algorithm. The decision tree algorithm is established for hold-out, k-fold cross-validation and leave-one-out cross-validation models. Different validation data rates were used for the hold-out method, and different k-fold values were used for the k-fold cross-validation model. Results were determined using the performance evaluation metrics accuracy, sensitivity, precision and F-score.

Anahtar Kelimeler

• Aircraft Icing
• Decision Trees
• Hold-Out
• K-Fold Cross-Validation
• Leave-One-Out Cross-Validation

HAVA ARAÇLARINDA BUZLANMA RİSK DERECESİNİN YAPAY ZEKA İLE TAHMİN EDİLMESİ

Öz

Hava araçlarında buzlanma geçmişten günümüze havacılık alanında ciddi problemlerden biridir. Buzlanma hava araçlarının performansını düşürür ve hava aracının hakimiyetinin kaybedilip düşmesine, bunun sonucu olarak ise ölüm ve yaralanmalara sebep olabilir. Literatürde hava aracı üzerinde oluşan buzlanmadan ötürü pek çok kaza meydana gelmiştir ve günümüzde de halen meydana gelmektedir. Hava araçlarında buzlanma probleminin önüne geçebilmek için buz önleme ve buz giderme sistemleri önerilmiştir. Buz önleme ve giderme sistemlerinin doğru zamanda devreye alınıp çıkarılması önem arz eder. Aynı zamanda buz önleme ve giderme sistemlerinin çalıştırılıp kapatılması için buzlanmanın varlığına göre kararı pilota bırakmamakta insan kaynaklı hataların önüne geçmeyi sağlar. Bu çalışmada buzlanma risk derecesinin karar ağaçları algoritması kullanarak tahmin edilmesi gerçekleştirilmiştir. Karar ağacı algoritması hold-out, k kat çapraz doğrulama ve biri dışarda çapraz doğrulama modelleri için kurulmuştur. Hold-out yöntemi için farklı doğrulama verisi oranları kullanılmış, k kat çapraz doğrulama modeli için ise farklı k kat değerleri kullanılmıştır. Sonuçlar performans değerlendirme metriklerinden doğruluk, duyarlılık, kesinlik ve F-ölçütü kullanılarak belirlenmiştir.

Anahtar Kelimeler

• Hava Araçlarında Buzlanma
• Karar Ağaçları
• Hold-Out
• K Kat Çapraz Doğrulama
• Biri Dışarda Çapraz Doğrulama.

Kaynakça

1. 1. Aksoy, B., Selbaş, R., “Estimation of Wind Turbine Energy Production Value by Using Machine Learning Algorithms and Development of Implementation Program”, Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, Vol. 43, Issue 6, Pages 692–704, 2021.
2. 2. Turgut, A., Temir, A., Aksoy, B., Özsoy, K., “Yapay Zekâ Yöntemleri İle Hava Sıcaklığı Tahmini İçin Sistem Tasarımı Ve Uygulaması”, Internatıonal Journal Of 3D Prıntıng Technologıes And Dıgıtal Industry, Cilt 3, Sayı 3, Sayfa 244–253, 2019.
3. 3. Gültepe, Y. “Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme”, Avrupa Bilim ve Teknoloji Dergisi, Cilt, Sayı 16, Sayfa 8-15, 2019.
4. 4. Duran, F., Teke, M., “Akıllı Yol Durum Sensörü Tasarımı”, Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, Cilt 11, Sayı 1, Sayfa 396-401, 2019.
5. 5. Göktaş, M. E., Yağanoğlu, M., “Veri Bilimi Uygulamalarının Hastalık Teşhisinde Kullanılması: Kalp Krizi Örneği”, Journal of Information Systems and Management Research, Cilt 2, Sayı 2, Sayfa 26-32, 2020. 6. Şenel, F. A., “Makine Öğrenmesi Algoritmaları Kullanılarak Kayısı İç Çekirdeklerinin Sınıflandırılması”, Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, Cilt 9, Sayı 2, Sayfa 807-815, 2020.
6. 7. Aviation Safety Network, “ASN Aviation Safety Database”, https://aviation-safety.net/database/ , Nisan 1, 2021.
7. 8. Palacios, J. L., Smith, E. C., Gao, H., Rose, J. L., "Ultrasonic shear wave anti-icing system for helicopter rotor blades”, In Annual Forum Proceedings-American Helicopter Society, Vol. 62, Issue 3,Pages 1492-1502, 2006.
8. 9. Boduroğlu, K., “Uçaklarda Aerodinamik Yapısal ve Sistemsel Problemlere Yol Açan Donma Probleminin İrdelenmesi”, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi, İstanbul, 2014.

9. 10. Johansen, T. A., Sorensen, K.L. “Flight test results for autonomous icing protection solution for small unmanned aircraft”, In 2017 International Conference on Unmanned Aircraft Systems (ICUAS), Pages 971-980, IEEE, 2017.
10. 11. Vertuccio, L., De Santis, F., Pantani, R., Lafdi, K., Guadagno, L., “Effective de-icing skin using graphene-based flexible heater”, Composites Part B: Engineering, Vol. 162, Pages 600-610, 2019.
11. 12. Hann, R., “Atmospheric Ice Accretions, Aerodynamic Icing Penalties, and Ice Protection Systems on Unmanned Aerial Vehicles”, Doctoral Thesis, Norweigian University of Science and Technology, Trondheim, 2020.
12. 13. Akbal, Ö., “Uçaklarda Buzlanmanın Nümerik Olarak İncelenmesi ve Uçuş Profili Boyunca Hava Tahmin Modeli Uygulaması”, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, İstanbul, 2019.
13. 14. Aykan, R., Hacıyev, Ç., Çalışkan, F., “EKF ve yapay sinir ağları ile uçak kanat buzlanmalarının tespiti ve yeniden şekillendirilebilir kontrol”, İtüdergisi/d, Cilt 5, Sayı 2, Sayfa 122-132 2011.
14. 15. Gliwa, W., Grzesik, N., Kuźma, K., “Fuzzy logic controller design for the anti-icing system in the DA42 diamond aircraft”, In AIP Conference Proceedings, Sayfa 020017(1-8). AIP Publishing LLC, 2018.
15. 16. Fenar, S., “Uçaklarda Uçuş Esnasında Meydana Gelebilecek Buzlanma Risk Derecesinin YSA Kullanılarak Tahmin Edilmesi”, Yüksek Lisans Tezi, Erciyes Üniversitesi, Kayseri, 2016.
16. 17. Çoban, R., “Havacılık Sektöründe Buzlanma Riski Üzerine Bir Uçak Kazası Araştırması”, Havacılık Emniyeti Yönetimi Sistemi Sempozyumu, Sayfa 261-287, Ankara, 2018.
17. 18. Ünlü, D, Hilmioğlu, N., “Uçaklarda Buzlanma Ve Buzlanmayı Önleyecek Yöntemler”, Sürdürülebilir Havacılık Araştırmaları Dergisi, Cilt 2, Sayı 2, Sayfa 75-80, 2017.
18. 19. Wikipedia, “Icing conditions”. https://en.wikipedia.org/wiki/Icing_conditions, Nisan 2, 2021.
19. 20. Mingione, G., Barocco, M., Denti, E., Bindi, F. G., French, D., “Flight in icing conditions”, Direction gnrale de l’aviation civile, DGAC, Tech. Rep., 1997.
20. 21. Genç, M. S., Özışık, G., Kahraman, N., “Düz flaplı NACA0012 kanat profilinin aerodinamik performansının incelenmesi”, Isı Bilimi ve Tekniği Dergisi, Cilt 28, Sayı 1, Sayfa 1-8, 2008.
21. 22. U.S. Department of Transportation Federal Aviation Administration “Advisory Circular”, https://www.faa.gov/documentLibrary/media/Advisory_Circular/AC_91-74B.pdf, Mayıs 27, 2021.
22. 23. Parachivoiu, I., and Saeed, F., “Aircraft Icing”, Pages 1-24, Wiley, New York, 2004.
23. 24. Johansen, T. A., Sorensen, K.L., “Flight test results for autonomous icing protection solution for small unmanned aircraft”, In 2017 International Conference on Unmanned Aircraft Systems (ICUAS), Pages 971-980, IEEE, 2017.
24. 25. Başarslan, M. S., “Telekomünikasyon Sektöründe Müşteri Kayıp Analizi”, Yüksek Lisans Tezi, Düzce Üniversitesi, Düzce, 2017.
25. 26. Akça, M.F., “Karar Ağaçları (Makine Öğrenmesi Serisi-3)”, https://medium.com/deep-learning-turkiye/karar-a%C4%9Fa%C3%A7lar%C4%B1-makine-%C3%B6%C4%9Frenmesi-serisi-3-a03f3ff00ba5, Haziran 24, 2021.
26. 27. Barrow, D. K., Crone, S. F., “Crogging (cross-validation aggregation) for forecasting—A novel algorithm of neural network ensembles on time series subsamples”, In The 2013 İnternational Joint Conference On Neural Networks (IJCNN), Pages 1-8, IEEE, 2013.
27. 28. Soekarno, I., Hadihardaja, I. K., Cahyono, M. “A study of hold-out and k-fold cross validation for accuracy of groundwater modeling in tidal lowland reclamation using extreme learning machine”, In 2014 2nd International Conference on Technology, Informatics, Management, Engineering & Environment, Pages 228-233, IEEE, 2014.
28. 29. Yadav, S., Shukla, S. “Analysis of k-fold cross-validation over hold-out validation on colossal datasets for quality classification”, In 2016 IEEE 6th International conference on advanced computing (IACC), Pages 78-83, IEEE, 2016.
29. 30. Pedrosa, T. Í., Vasconcelos, F. F., Medeiros, L., Silva, L. D. “Machine learning application to quantify the tremor level for parkinson’s disease patients”, Procedia computer science, Vol. 138, Pages 215-220, 2018.
30. 31. Veri Bilimcisi “Çapraz Doğrulama (Cross Validation)”, https://veribilimcisi.com/2017/07/13/capraz-dogrulama-cross-validation-nedir/, Haziran 24, 2021.
31. 32. Yavanoğlu, Ö., “Stilistik Özellikler Kullanılarak Yazar Tanıma İşinde Yapay Sinir Ağlarının Başarımının Değerlendirilmesi: Türkçe Köşe Yazıları”, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Ankara, 2017.