Havacılık sanayinde kullanılan takım ve aparatların tasarım sürelerinin makine öğrenmesi yöntemleri ile kestirilmesi.
Özet
Özellikle büyük ölçekli tasarım projelerinde, tasarım eforunun (süresinin) doğru tahmin edilmesi, bir proje planı oluşturmada önemli bir faktördür. Sadece uzman görüşüne dayanan bu tahminler yanlış ya da yetersiz yapıldığında proje planına büyük zararlar verebilmektedir.
Belirtilen problem üzerine, havacılık endüstrisindeki takım tasarım eforunu tahmin edebilen bir makine öğrenmesi modeli geliştirilmesi amaçlanmıştır. Sayısal değerler içermeyen her bir takımın tasarım gereksinimi girdisi kurumsal veri tabanından uygun sorgular ile elde edilmiştir. İlgili verilerin sayısallaştırılabilmesi için girdi üzerinde çeşitli deneyler yapılarak en verimli kodlama yöntemi seçilmiştir. Sayısallaştırılan girdi verisinden, takım tasarım eforunu tahmin edebilmek için yaygın olarak kullanılan karar ağacı, Destek Vektör Makinesi, Doğrusal Regresyon ve Yapay Sinir Ağı makine öğrenmesi yöntemleri üzerinde deneyler yapılmıştır.
Bu çalışmada; takım tasarım eforunun en iyi şekilde kestirimi için ideal makine öğrenme modelini tespit etmek ve en uygun girdi ve parametre setini oluşturmak hedeflenmiştir. Especially in large-scale design projects, the correct estimation of the design effort (time) is an important factor in creating a project plan. These estimates, based only on expert opinion, can cause great damage to the project plan when made incorrectly or insufficiently.
Based on the specified problem, it is aimed to develop a machine learning model that can predict the tool design effort in the aviation industry. The design requirement input of each tool that does not contain numerical values was obtained from the cooperate database with suitable data queries. In order to deflate the relevant data into numerical, the most efficient encoding method was selected by performing various experiments on the input data. Experiments have been carried out on commonly used decision tree, Support Vector Machine, Linear Regression and Artificial Neural Network machine learning methods to predict tool design effort from encoded input data.
In this study; it is aimed to determine the ideal machine learning model for the best estimation of tool design effort and to create the most appropriate input and parameter set.