NRF ve TÜBİTAK Destekli · 2027–2028

KTBIX
Batarya Zekası
eXchange

Lityum iyon batarya Sağlık Durumu (SOH) tahmini için Fizik Bilgili Varyasyonel Bilgi Darboğazı (PI-VIB-ResNet) üzerine Kore–Türkiye ortak araştırması. Elektrokimyasal Empedans Spektroskopisi (EIS) tabanlı.

⚡ KTBIX Hakkında

PI-VIB-ResNet İşlem Hattı

📡

Ham EIS Verisi

T-EV ve TOGG EV'lerden Nyquist spektrumları

▼

🌊

Dalgacık Gürültü Giderme

Çok seviyeli gürültü baskılama

▼

⚖️

Özellik Ölçekleme

Normalizasyon ve empedans haritalama

▼

🧠

VIB Gizli Çıkarım

Fizik bilgili bilgi darboğazı

▼

🔗

ResNet-BPNN

Artık derin sinir ağı regresyonu

▼

🔋

SOH Tahmini

RMSE ≤%1,2 — BMS çıkışı

Ülke

Üniversite

İş Paketi

≥2

Q1 Makale

≤1.2%

Hedef RMSE

≥15%

SOH İyileşme

Proje Hakkında

Yapay Zeka ve Fizik ile Batarya Tanılamayı İlerleten

KTBIX (Kore–Türkiye Batarya Zekası eXchange), NRF Kore ve TÜBİTAK Türkiye tarafından desteklenen 24 aylık ikili mobilite projesidir. Sejong Üniversitesi (Seul) ve İstanbul Teknik Üniversitesi (İstanbul), yeni nesil elektrikli mobilite için kritik bir sorunu ele almak üzere iş birliği yapmaktadır: gerçek saha koşullarında doğru ve gürbüz batarya SOH tahmini.

"Yayımlanmış AE-BPNN referans modelimizden (Scientific Reports, 2025) Fizik Bilgili Varyasyonel Bilgi Darboğazı mimarisine geçerek, saf veri odaklı EIS modellerindeki gürültü dolanıklığı ve genelleştirme sınırlamalarını doğrudan ele alıyoruz."

Proje, Türk T-EV platformları ve TOGG araçlarından gerçek EV saha verilerini (WP1) kullanmakta; Sejong Üniversitesi AINTLab'da geliştirilen yeni PI-VIB-ResNet modeli ile (WP2) birleştirmekte ve uluslararası alanda tanınan Oxford ve NASA batarya veri setleri üzerinde (WP3) doğrulamaktadır.

Referans Makale (2025)

Nyquist Grafiği — EIS İmzası

~1.8%

Referans RMSE

AE-BPNN (2025)

≤1.2%

Hedef RMSE

PI-VIB-ResNet

Veri Seti

Oxford, NASA, T-EV

Kimya Türü

NMC, LFP vd.

Araştırma Öne Çıkanları

KTBIX'in 6 Temel Direği

Fizik kısıtlı derin öğrenmeden açık sanayi veri setlerine kadar — KTBIX, batarya SOH tahmin yığınının her katmanını ilerletiyor.

🔬

Temel Yenilik

Fizik Bilgili VIB

Varyasyonel Bilgi Darboğazı, ölçüm gürültüsünü yapısal EIS özelliklerinden ayırırken Loss_Physics terimi Randles devre kısıtlamaları aracılığıyla elektrokimyasal tutarlılığı sağlar.

🏗️

Mimari

ResNet-BPNN Mimarisi

Artık atlama bağlantıları, derin BPNN katmanlarında gradyan kaybını önleyerek çeşitli batarya kimyası ve yaşlanma durumlarında karmaşık empedans-SOH eşlemesi için 15+ katman derinliğini mümkün kılar.

🗃️

WP1 — İTÜ

Sanayi Saha Verisi

Yalnızca laboratuvar veri setlerinin aksine KTBIX, gerçek Türk EV filosundan (T-EV platformu) ve TOGG araçlarından çeşitli sürüş döngüleri ve iklim koşullarını kapsayan EIS ölçümleri alır.

🧩

WP3 — Ortak

Açıklanabilir YZ (XAI)

SHAP atıfları ve gradyan belirginlik haritaları, BMS mühendisleri ve düzenleyici doğrulama için hangi empedans özelliklerinin (R_ct, W, CPE) SOH tahminlerini yönlendirdiğini ortaya koyar.

⚡

WP3 — Ortak

Kıyaslama Doğrulaması

SVR, LSTM, Transformer-SOH ve Oxford/NASA veri setlerindeki geleneksel EIS eşdeğer devre uydurmayı içeren 5'ten fazla son teknoloji referansla titiz karşılaştırma.

🌐

WP4 — Ortak

İkili Bilgi Transferi

İki uluslararası çalıştay (İstanbul 2027; Seul 2028), araştırmacı değişim ziyaretleri, ortak doktora eş danışmanlığı ve GitHub ile Zenodo üzerinden açık kaynak kodu ile veri seti yayımı.

Proje Yapısı

İş Paketleri

Ölçülebilir kilometre taşları, çift kurum liderliği ve somut değişim çıktılarıyla 24 ay boyunca koordineli dört iş paketi.

WP1İTÜ — İstanbul Teknik Üniversitesi

Saha EIS Verisi Toplama

Türk T-EV platformlarına ve TOGG elektrikli araçlarına empedans analizörleri yerleştirin. Çeşitli sıcaklık aralıkları ve yaşlanma durumları boyunca EIS spektrumlarını kaydedin. Düzenlenmiş açık veri seti sunun.

⏱ M1 – M8

WP2SJU — Sejong Üniversitesi · AINTLab

PI-VIB-ResNet Model Tasarımı

Fizik Bilgili Varyasyonel Bilgi Darboğazı kodlayıcısını derin ResNet-BPNN regresörü ile eşleştirilmiş şekilde tasarlayın ve eğitin. Ablasyon çalışmaları ve hiperparametre optimizasyonu gerçekleştirin.

⏱ M4 – M14

WP3Ortak — İTÜ + SJU

Kıyaslama Doğrulaması ve XAI

PI-VIB-ResNet'i Oxford, NASA ve T-EV veri setleri üzerinde çapraz doğrulayın. 5'ten fazla referansla karşılaştırın. Açıklanabilirlik için SHAP ve gradyan belirginliği uygulayın. ≥2 Q1 makale yayımlayın.

⏱ M10 – M22

WP4Ortak — İTÜ + SJU

Bilgi Transferi

Araştırmacı değişim ziyaretleri (İTÜ↔SJU, her yönde min. 2 hafta), iki uluslararası çalıştay (İstanbul M10, Seul M22), doktora eş danışmanlığı, açık kaynak kod yayımları.

⏱ M1 – M24

Araştırma Ekibi

Sorumlu Araştırmacılar

Bir önceki değişim ziyaretine (Sejong Üniversitesi desteğiyle Prof. Syafrudin'in Türkiye ziyareti) ve 2025 ortak yayınına dayanan kıtalararası ortaklık.

🇰🇷

Principal Investigator · Korea

Prof. Muhammad Syafrudin

Sejong University (SJU) · AINTLab · Seoul, Korea

Deep LearningApplied IntelligenceeXplainable AI (XAI)Battery AI

SJU Profile ↗

🇹🇷

Principal Investigator · Türkiye

Prof. Muhammet Tahir Güneşer

Istanbul Technical University (ITU) · Istanbul, Türkiye

Electrical EngineeringElectric VehiclesEnergy StorageSignal Processing

ITU Profile ↗

📄

Temel Yayın (2025)

"AE-BPNN: lityum iyon batarya sağlık durumu tahmini için otokodlayıcı ve geri yayılım sinir ağı tabanlı model." — Scientific Reports, Nature Publishing Group.

Makaleyi Oku →

Bilgi Transferi

Uluslararası Çalıştaylar

Küresel batarya araştırma topluluğuna açık iki ana çalıştay — iş birliğinin her iki tarafında birer tane düzenleniyor. *Kesin tarih daha sonra güncellenecektir.

2027

İstanbul, Türkiye · M10

Sanayi Saha Verisinin Batarya Yönetim Sistemlerine Entegrasyonu

Ev Sahibi: Prof. Muhammet Tahir Güneşer · İTÜ

📍İstanbul Teknik Üniversitesi (İTÜ), İstanbul

🗓️Ekim 2027 (Projenin 10. ayı)*

👥Uluslararası katılımcılar — Kore, Türkiye, AB ortakları

📢ktbix.org üzerinden açık kayıt

2028

Seul, Kore · M22

İkinci Ömür Batarya Tahmini için Açıklanabilir YZ (XAI)

Ev Sahibi: Prof. Muhammad Syafrudin · Sejong Üniversitesi / AINTLab

📍Sejong Üniversitesi (SJU), Seul, Kore

🗓️Ekim 2028 (Projenin 22. ayı)*

👥Uluslararası katılımcılar — Kore, Türkiye, ASEAN ortakları

📢ktbix.org üzerinden açık kayıt

Proje Takvimi

24 Aylık Yol Haritası

Veriden keşfe, keşiften yaygınlaştırmaya bağlanan üç stratejik aşama.

Aşama I · 2027 İlk Yarı

Veri Toplama ve Model Temelleri

T-EV/TOGG platformlarına EIS donanımı yerleştirme. Referans ölçümleri toplama. PI-VIB kodlayıcı tasarımına başlama. Değişim ziyareti: İTÜ araştırmacılarının SJU'ya ziyareti (min. 2 hafta). M3: WP1 Protokol Raporu.

Aşama II · 2027 İkinci Yarı–2028 İlk Yarı

Model Eğitimi, Doğrulama ve İstanbul Çalıştayı

T-EV verisiyle tam PI-VIB-ResNet eğitimi. Oxford ve NASA veri setleri üzerinde çapraz doğrulama. SHAP açıklanabilirliği. İstanbul Çalıştayı (M10). Değişim ziyareti: SJU araştırmacılarının İTÜ'ye ziyareti. İlk Q1 makale gönderimi.

Aşama III · 2028 İkinci Yarı

Yaygınlaştırma, Seul Çalıştayı ve 2. Aşama Teklifi

Son kıyaslama karşılaştırması (5'ten fazla referans). Seul Çalıştayı (M22). BMS donanım entegrasyon demosu. GitHub ve Zenodo'da açık kaynak yayımı. İkinci Q1 makale gönderimi. 2. Aşama hibe teklifi hazırlığı.

Ortaklar ve Destekleyiciler