A novel approach for observation of modification`s impact on vehicles for fuel consumption through machine learning

Abstract

Araçlar günümüzde toplumun vazgeçilmez bir parçası haline geldi. Her ne kadar hayatımıza büyük kolaylıklar sağlasalar da ciddi sorunları da beraberinde getirmektedirler. Özellikle yüksek yakıt tüketimine ve düşük verimliliğe sahip araçlar hem içinde yaşadığımız dünyayı hem de kullanıcısını birçok yönden olumsuz etkilemektedirler. Araçların yakıtı yakarak dumanlarını doğaya salıyor olmaları atmosferi ve ozon tabakasını etkilemekte ve yoğun hava kirliliğine sebep olmaktadır. Kullanıcı açısından baktığımızda ise aracın yakıt tüketiminin yüksek olması ve petrol fiyatlarının giderek yükselmesi kullanıcısını maddi açıdan olumsuz etkilemektedir.Araç üreticileri yakıt tüketimini düşürmek ve verimliliği arttırmak için yatırımlar yapmaya devam etmektedirler ancak araç üzerinde yapılan bir modifikasyonun etkisini gözlemlemek için aracı uzun ve masraflı test süreçlerine tabi tutmaları gerekmektedir. Bu çalışmanın en büyük amacı bu süreci minimuma indirerek araç üzerinde yapılan bir modifikasyonun, aracın bir önceki yakıt tüketim değerleri ile kolayca karşılaştırılabilir olmasını sağlamaktır. Bu çalışmada literatür araştırması ile araç üzerinden toplanabilecek sensor verileri belirlenmiş ve yakıt tüketimine etkisi olan veriler tespit edilmiştir. Aracın yakıt tüketimi, çeşitli makine öğrenmesi yöntemleri aracılığıyla çevresel etkenler de göz önünde bulundurularak araç üzerindeki sensor verileri ile formülüze edilmiştir. Modeller Artificial Neural Network, Gradient Boosted Trees ve XGBoost algoritmaları kullanılarak eğitilip, sonuçları karşılaştırılmıştır. Her ne kadar tüm sonuçlar birbirine yakın olsa da, XGboost algoritması en iyi sonucu veren algoritma olmuştur. En efektif model elde edildikten sonra, araç üzerinde yapılan modifikasyonların yakıt tüketimine olan etkisi, aracın bir önceki durumu ile karşılaştırılmıştır. Böylece modifikasyonların yakıt tüketimine olan etkisi uzun mesafeli ve uzun sureli testlere gerek olmadan tespit edilebilmiştir.

Vehicles have become indispensable in modern societies. Although they provide great convenience, they also come with a lot of serious problems. Especially, vehicles with high fuel consumption and low efficiency have negative impacts on the world and vehicle users. Vehicles exhaust harmful gases by burning fuel, which affects the environment by causing air pollution. High fuel consumption also affects the driver's financial situations in a negative manner.Vehicle producers continue to investigate, and research means for decreasing fuel consumption and increasing efficiency of internal combustion engines but observing effects of any recent modifications on a vehicle requires expensive and long-term test processes. The main aim of this study is decreasing the required duration to a minimum and providing an easy comparison with the state of the vehicle before modifications.In this thesis, we investigate various sensor data from vehicles and identified those, which have an effect on fuel consumption. The fuel consumption model of a vehicle is formulized via the data collected from vehicle sensors by taking environmental factors into consideration using various machine learning algorithms. Artificial Neural Network, Gradient Boosted Trees and XGBoost algorithms are utilized and their results are compared. According to the results, even the performances are observed to be close to each other, XGBoost algorithm provided the best results. After an appropriate model is obtained, impacts on the fuel consumption of modifications are observed compared to the previous state of the vehicle.