ANKARA ÜNĠVERSĠTESĠ

FEN BĠLĠMLERĠ ENSTĠTÜSÜ

YÜKSEK LĠSANS TEZĠ

BULANIK MANTIK TABANLI ĠKLĠMLENDĠRME SĠSTEMĠ

Ecehan KANSU ATEġ

BĠLGĠSAYAR MÜHENDĠSLĠĞĠ ANABĠLĠM DALI

ANKARA
2018

Her hakkı saklıdır

 ÖZET

Yüksek Lisans Tezi

BULANIK MANTIK TABANLI ĠKLĠMLENDĠRME SĠSTEMĠ

Ecehan KANSU ATEġ

Ankara Üniversitesi
Fen Bilimleri Enstitüsü
Bilgisayar Mühendisliği Anabilim Dalı

DanıĢman: Prof. Dr. Ġman ASKERBEYLĠ

HVAC (Isıtma, Havalandırma ve Ġklimlendirme) uygulamaları, uygun termal konfor koĢullarını sağlıklı
bir Ģekilde yerine getirmeyi hedefler. Uygulamalarda hedeflenen hava kalitesi; insan sağlığı ve konforunu
en üst seviyede tutmaya doğrudan etki eder. Bu nedenle, HVAC uygulamaları sağlık ve konfor koĢullarını
yerine getirme konusunda çok önemli bir yere sahiptir.

Son yapılan araĢtırmalarda HVAC sistem yönetiminde Bulanık Mantık uygulaması ile olumlu sonuçlar
alındığı belirtilmiĢtir. HVAC sistemlerinde doğrusal olmayan denklemler içeren matematiksel formüller
ile çoklu değiĢkenler ve klasik hesaplama yöntemi kullanımının zor olduğu durumlarda bulanık mantık
kullanmak, çok daha elveriĢlidir. Bulanık mantık yaklaĢımı, sistem değiĢkenlerinin analizi ile bulanık
mantık elemanlarının iliĢkilendirilmesini içerir. Klasik algoritmalardan farklı olarak bulanık mantık
algoritması, insan mantığına benzer bir sezgisel yaklaĢım içerir. Bulanık kümelerle girdilerin kesin
değerlere kıyasla kesin sonuçlar vermesi yerine kesinliğe daha yakın sonuçlar vermesi sağlanabilir.

Matlab yazılım programı ile yapılan bu çalıĢmanın amacı, bir ofiste çalıĢan kiĢilerin, bulanık mantık
tabanlı HVAC sistemi ile termal konfor koĢullarına uygun ve sağlıklı bir Ģekilde çalıĢabilmelerini
sağlamaktır. Ayrıca klasik sistemlerin çalıĢma prensiplerinden farklı olması sebebiyle enerji verimliliği de
sağlanacaktır.

ÇalıĢmada öncelikle bulanık mantık kavramı çeĢitli örneklerle açıklanmıĢ ve bulanık mantığın kontrol
sistemlerinde ne gibi farklılıklar yaratabileceği konusuna değinilmiĢtir. Daha sonra problemin sağlıklı
Ģekilde ortaya konması adına klasik kontrol sistemlerinin dezavantajları ortaya konulmuĢtur. Diğer
yandan Bulanık Mantık tabanlı bir HVAC kontrol sistemlerinin muhtemel avantajları ve dezavantajları
belirlenmiĢtir.

Bulanık mantığın bir HVAC kontrol sistemine adapte edilmesi için gerekli olan parametreler belirlenmiĢ,
bununla ilgili veri setleri elde edilerek MATLAB programı üzerinden bu veriler iĢlenmiĢtir, Sistem
değiĢkenlerinin birbiri ile etkileĢimi sonucu verdiği tepkiler bulanık sisteme entegre edilmiĢtir. Veri
setleri üzerinden oluĢturulan kural tabloları ile üyelik fonksiyonları hazırlanarak bir model
oluĢturulmuĢtur. Daha sonra, oluĢturulan bulanık mantık modeli çalıĢtırılmıĢ, tutarlı sonuçlar verdiği
gözlemlenmiĢtir. Yapılan simülasyon sonucunda elde edilen çıktılar ıĢığında tartıĢmalar yapılarak
„„Bulanık Mantık Tabanlı Ġklimlendirme Kontrolü‟‟ konusunun uygulanabilirliği gözlenmiĢtir.

Ağustos 2018 53 sayfa

Anahtar Kelimeler: Termal Konfor, Ġklimlendirme, Isıtma, Soğutma, Havalandırma, Bulanık Mantık,
ANFIS, Enerji Verimliliği, HVAC

ii
 ABSTRACT

Master Thesis

FUZZY LOGIC BASED CONTROL OF HVAC SYSTEMS

Ecehan KANSU ATEġ

University of Ankara
Graduate School of Natural and Applied Science
Department of Computer Engineering

Supervisor: Prof. Dr. Iman ASKERBEYLĠ

HVAC (Heating, Ventilating and Air Conditioning) applications aim to fulfill the appropriate thermal
conditions in a healthy manner. Targeted air quality in applications, directly affects human health and
comfort at the top level. For this reason, HVAC systems have a significant role in implementing health
and comfort conditions

Recent researches have shown that positive feedback is obtained by using fuzzy logic method in the
management of these systems. In HVAC systems; the use of fuzzy fogic applications is more convenient
when it is very difficult to use conventional calculation methods such as mathematical texts with
nonlinear equations and areas with multiple management variables. The fuzzy logic approach involves
analysis of system variables, the combination and transformation of fuzzy logic elements and variable
units. Contrary to standard algorithms, fuzzy logic solutions involve a heuristic approach similar to that of
human perception. Instead of giving certain results with certain ideas, fuzzy sets can give susceptible
results.

The aim of this study which is created by Matlab programme, is to create a fuzzy logic based HVAC
system allows people who are in the same office area to work in suitable and healthy way with thermal
comfort conditions. In addition, energy efficiency will be provided because classical systems are different
from the working principles.

In the study, first of all, the concept of fuzzy logic is explained with various examples and it is mentioned
how differences can be created in fuzzy logic control systems. The disadvantages of conventional control
systems have been demonstrated in order to put the problem in a healthy state. On the other hand, the
possible advantages and disadvantages of a „„Fuzzy Logic Based HVAC Control System‟‟ have been
identified.

The parameters required for adapting the Fuzzy logic to a HVAC control system are determined, the data
sets related to this are obtained and the data is processed through the MATLAB program. The responses
of the system variables are integrated into the fuzzy system. A model has been created by preparing
membership tables and rule tables created through data sets. Later, it is observed that the generated Fuzzy
Logic model is executed, giving consistent results. The feasibility of "Fuzzy Logic Based Air
Conditioning Control" has been observed by discussing the output light obtained as a result of the
simulation.

August 2018 53 Pages

KeyWords: Thermal Comfort, Air Conditioning, Heating, Cooling, Ventilation, Fuzzy Logic, ANFIS,
Energy Efficiency, HVAC

iii
 ÖNSÖZ ve TEġEKKÜR

Kontrol sistemlerinin hızlı ve hassas karar verme süreçlerinde yeniden ele alınması ile
ortaya çıkan Bulanık Mantık tabanlı sistemlerin günlük hayatta pratik kullanıma
kazandırılabilmesi için birçok çalıĢma yapılmaktadır. Bulanık Mantık tabanlı bir kontrol
sistemi kullanılarak iklimlendirme sistemlerinin verimliliğinin arttırılabileceği
düĢüncesi ile hazırlamıĢ olduğum bu tez çalıĢmasında gerekli literatür taraması ile
birlikte problemin açık Ģekilde ortaya konarak çözüm geliĢtirme metotlarının
irdelenmesi ve elveriĢli bir sistem modellemesi ortaya konmuĢtur.

Bu çalıĢmada bana desteğini esirgemeyen, bilgi ve deneyimleri ile sürekli teĢvik eden
Sayın Prof. Dr. Ġman ASKERBEYLĠ‟ ye (Ankara Üniversitesi Bilgisayar Mühendisliği
Anabilim Dalı) teĢekkürlerimi borç bilirim.

Ecehan KANSU ATEġ

Ankara, Ağustos 2018

iv
 ĠÇĠNDEKĠLER

TEZ ONAYI SAYFASI

ETĠK .................................................................................................................................. i
ÖZET................................................................................................................................ii
ABSTRACT ....................................................................................................................iii
ÖNSÖZ ve TEġEKKÜR ................................................................................................ iv
SĠMGELER DĠZĠNĠ ....................................................................................................viii
ġEKĠLLER DĠZĠNĠ ....................................................................................................... ix
ÇĠZELGELER DĠZĠNĠ .................................................................................................. x
1. GĠRĠġ ........................................................................................................................... 1
2. KURAMSAL TEMELLER ve KAYNAK ÖZETLERĠ .......................................... 2
2.1 Bulanık Mantığın Tarihçesi ..................................................................................... 2
2.2 Literatür Taraması ................................................................................................... 3
3. MATERYAL VE METOT ......................................................................................... 6
3.1 Ġklimlendirme Sistemleri .......................................................................................... 6
3.2 Ġklimlendirme Termal Konforu ............................................................................... 8
3.3 Kontrol Yöntemleri .................................................................................................. 9
3.3.1 Konvansiyonel kontrol yöntemleri ....................................................................... 9
3.3.1.1 PID kontrol .......................................................................................................... 9
3.3.1.2 Adaptif kontrol .................................................................................................... 9
3.3.2 GeliĢmiĢ kontrol algoritmaları ............................................................................ 10
3.3.2.1 Yapay sinir ağları, YSA .................................................................................... 10
3.3.2.2 Genetik algoritmalar, GA ................................................................................. 10
3.3.2.3 Bulanık mantık .................................................................................................. 11
3.4 Bulanık Mantık Teorisi .......................................................................................... 12
3.5 Bulanık Mantık Modelleme ve Üyelik Fonksiyonları .......................................... 14
3.5.1 Mamdani bulanık modelleme ............................................................................. 14
3.5.2 Sugeno bulanık modelleme .................................................................................. 16
3.5.3 Temel bulanık model kurallarının geliĢtirilmesi ............................................... 18
3.5.4 Bulanık model tasarımının asıl değerlerle kıyaslanarak tutarlılığının
ölçülmesi ............................................................................................................... 19

v
3.6 Kullanılan Yöntem .................................................................................................. 19
3.6.1 Kullanılan materyal ............................................................................................. 20
3.6.2 Bulanık mantık yöntemi kullanımının sağladığı avantaj ve
dezavantajlar ........................................................................................................ 21
3.7 Bulanık Modelleme Adımları ................................................................................. 23
3.7.1 GiriĢ ve çıkıĢ değerlerinin belirlenmesi .............................................................. 23
3.7.2 BulanıklaĢtırma .................................................................................................... 23
3.7.2.1 Kuralların çıkarılması ...................................................................................... 23
3.7.3 DurulaĢtırma ........................................................................................................ 23
3.7.3.1 DurulaĢtırma yöntemleri .................................................................................. 24
3.7.3.1.1 Ağırlık merkezi yöntemi ................................................................................ 24
3.7.3.1.2 Alan açıortayı yöntemi ................................................................................... 24
3.7.3.1.3 En büyük üyelik dereceli elemanların orta noktası .................................... 25
3.7.3.1.4 En büyük dereceli elemanlardan küçük olanı yöntemi .............................. 25
3.7.3.1.5 En büyük dereceli elemanlardan büyük olanı yöntemi .............................. 25
3.7.3.1.6 Diğer durulaĢtırma yöntemleri ..................................................................... 25
3.8 Matlab- Simulink .................................................................................................... 26
4. ARAġTIRMA ve BULGULAR ................................................................................ 28
4.1 Problemin Ortaya Koyulması ve Tezin Hedefi .................................................... 28
4.1.1 ÇalıĢma aĢamaları ................................................................................................ 29
4.2 HVAC (Ġklimlendirme) Sistemi Elemanları ve Etki Eden Parametreler .......... 30
4.3 Ġklimlendirme Sürecinde Parametrelerinin Belirlenerek Modelin
OluĢturulması ve Kontrolü ................................................................................... 32
4.3.1 Bulanık sistem tasarımı ....................................................................................... 32
4.4 Bulanık Sistem Yapısının OluĢturulması .............................................................. 32
4.5 Ġklimlendirme Tasarım Değerleri .......................................................................... 33
4.6 Veriler ile Modelin OluĢturulması ......................................................................... 34
4.6.1 Kural tablosu ........................................................................................................ 34
4.7 Bulanık Mantık Tabanlı Sistem Modelinin ÇalıĢtırılması .................................. 35
4.8 Bulanık Mantık Kurgusu ....................................................................................... 36
4.9 Üyelik Fonksiyonları ile Kural ĠliĢkilendirilmesi ................................................. 40
4.10 ANFIS Eğitim Sonucu Üyelik Fonksiyon DeğiĢimleri ....................................... 44

vi
4.11 Model Sonuç Çıktılarının Bulunması .................................................................. 45
5. TARTIġMA ............................................................................................................... 48
6. SONUÇLAR .............................................................................................................. 50
KAYNAKLAR .............................................................................................................. 51
ÖZGEÇMĠġ ................................................................................................................... 53

vii
 SĠMGELER DĠZĠNĠ

μ Mü (mu)

∑ Toplam Sembolü (Sigma)

Kısaltmalar

ASHRAE AMERICAN SOCIETY OF HEATING, REFRIGERATION, AND

AIR CONDITIONING ENGINEERS

GA GENETĠC ALGORĠTHMS

(GENETĠK ALGORĠTMALAR)

HVAC HEATING VENTILATING AND AIR-CONDITIONING

(ISITMA, HAVALANDIRMA, ĠKLĠMLENDĠRME)

PID PROPORTIONAL, INTEGRAL, DERIVATIVE

(ORANSAL-ĠNTEGRAL-TÜREVSEL)

YSA YAPAY SĠNĠR AĞLA

viii
 ġEKĠLLER DĠZĠNĠ

ġekil 3.1 Bulanıklık Ģeması ............................................................................................. 12

ġekil 3.2 Mamdani bulanık model tasarım Ģeması.......................................................... 15
ġekil 3.3 Sugeno bulanık model tasarım Ģeması ............................................................. 19
ġekil 3.4 Klasik ve bulanık küme örneği ........................................................................ 22
ġekil 4.1 ÇalıĢma aĢamaları ............................................................................................ 30
ġekil 4.2 Sıcaklık, nem, hava akımı – fan hızı bulanık modeli....................................... 33
ġekil 4.3 Bulanık mantık kurgusu ................................................................................... 36
ġekil 4.5 Nem için giriĢ üyelik fonksiyonları model grafiği ........................................... 37
ġekil 4.6 Hava Akımı için giriĢ üyelik fonksiyonları model grafiği ............................... 37
ġekil 4.7 Mamdani sıcaklık-hava akımı-fan hızı iliĢkili 3 boyutlu sistem
simülasyonu ..................................................................................................... 38
ġekil 4.9 Mamdani sıcaklık–nem-fan hızı iliĢkili 3 boyutlu sistem
simülasyonu ..................................................................................................... 39
ġekil 4.11 Mamdani nem-hava akımı-fan hızı iliĢkili 3 boyutlu sistem
simülasyonu................................................................................................... 40
ġekil 4.12 Sugeno nem- hava akımı-fan hızı iliĢkili 3 boyutlu sistem
simülasyonu................................................................................................... 40
ġekil 4.13 GiriĢ ve ÇıkıĢ değerlerinin, üyelik fonksiyonlarının kurallar ile
bağlantısına göre iliĢkilendirilmesi ............................................................... 41
ġekil 4.14 ANFIS eğitim sonrası hata azalma durumu ................................................... 42

ġekil 4.16 ANFIS kontrol verisi sonucu ......................................................................... 43

ġekil 4.17 ANFIS tüm eğitim verisi ile test sonucu ........................................................ 44
ġekil 4.18 Sıcaklık üyelik değerleri ................................................................................ 45
ġekil 4.19 Nem üyelik değerleri...................................................................................... 45
ġekil 4.20 Hava akımı üyelik değerleri ........................................................................... 45
ġekil 4.21 Modelde tanımlı kurallara göre sonuç çıkarımı ............................................. 47

ix
 ÇĠZELGELER DĠZĠNĠ

Çizelge 3.1 Örnek iklimlendirme sıcaklık bulanık değer aralıkları .......................... 8

Çizelge 3.2 Klasik ifade örneği ............................................................................... 12
Çizelge 3.3 Bulanık ifade örneği ............................................................................ 13
Çizelge 3.4 Mamdani örnek Ģema ........................................................................... 15
Çizelge 3.5 Sugeno örnek Ģema .............................................................................. 19
Çizelge 4.1 Modeller arası karĢılaĢtırma sonucu .................................................... 46

x
1. GĠRĠġ

Yaygın olarak kullanılan iklimlendirme sistemlerinin hedeflenen ortam koĢullarını

sağlaması için klasik algoritma mantığına göre çalıĢan kontrol birimleri tasarlanmıĢtır.
Konfor noktasını yakalamakta yetersiz kalan bu yöntemler yerine, iklimlendirme
sistemlerinin daha efektif çalıĢabilmesi için bulanık mantık tabanlı kontrol uygulamaları
konusunda araĢtırmalar ve geliĢtirmeler yapılmaktadır. Bulanık mantık tabanlı kontrol
sistemlerinde klasik algoritmanın dezavantajı olan kesin ve hatalı olabilecek sonuçlar
yerine sezgisel fakat hassas bir kontrol yapısı sağlanabilmektedir.

Ġklimlendirme sistemlerinin verimliliği ile konfor koĢullarının oluĢturulması her ne

kadar termodinamik hesaplar sonucu makinaların verimliliği ile ilgili olsa da bu
sistemlerinin insan doğasına aykırı, rahatsız edici birer yapay atmosfer oluĢturan
sistemler olmasının önüne geçmek ancak HVAC sistemlerinin kontrolündeki
geliĢmelerle mümkündür. Bu çalıĢmada iklimlendirme sistemlerinin ideal koĢullara en
yakın konforlu sistemler haline gelebilmesi için bulanık mantık tabanlı kontrol
sistemleri oluĢturulmuĢ ve iklimlendirme sisteminin bulanık mantık ile kontrolü
sağlanmıĢtır.

ġayet iklimlendirme sistemine ait girdi ve çıktı parametrelerinin davranıĢları bir Ģekilde
kontrolöre öğretilebilirse oluĢturulan bu yapı, değiĢen parametrelerin ne Ģekilde
reaksiyon vereceğini sezgisel Ģekilde tahmin edebilir. Bu parametreler böylelikle
hatasız Ģekilde kontrol edilebilir. Bulanık mantık teorisinin üstünlüğü, bu noktada
devreye girer ve bu teoriye göre karar verebilmek için tüm ihtimallerin bilinmesine
gerek yoktur.

1
2. KURAMSAL TEMELLER ve KAYNAK ÖZETLERĠ

2.1 Bulanık Mantığın Tarihçesi

Bulanık mantık düĢüncesi ilk olarak 1920‟li yıllarda Polonyalı Jan Lukasiewicz
tarafından, önermelerin “çok değerli” mantık ilkeleri ile tanımlanmıĢtır. Daha sonra
1937 yılında Max Black, belirli bir sayıda objeden oluĢan kümelere “çok değerli
mantık” uygulamıĢ ve ilk defa bulanık küme fonksiyonlarını göstermiĢtir. Bu
çalıĢmadan sonra Lotfi A. Zadeh 1965 yılındaki “Bulanık Kümeler” adlı çalıĢmasında,
kümenin tüm üyelerine Lukasiewicz mantığını kullanan bir hesaplama metodu
geliĢtirmiĢtir. Bununla birlikte bulanık kümelerin en önemli atılımı ve geniĢ kullanım
alanına geçmesi ise 1970‟li yıllarda Ebrahim H. Mamdani‟nin bulanık mantık temelli
çalıĢan bir buhar makinası kontrolörü çalıĢması ile olmuĢtur. Bu çalıĢmadan sonra,
bulanık mantık deyimi ile bulanık kümelerle herhangi bir sezgisel sonuç verebilen
matematik ve bilgisayar sistem çözümleri ifade edilmiĢtir.

Bulanık mantık kavramının ilk önem arz eden endüstriyel uygulaması çimento
sanayisinde gerçekleĢmiĢtir. Çimento sanayisinde değirmen içine giren oksijen ve
sıcaklık oranı çıkan ürün kalitesi açısından oldukça önemlidir. DeğiĢken ısı ve
karbondioksit gibi parametrelerle sisteme uygun bir çalıĢma modeli oluĢturmak zor
olup, insan tecrübesinin geliĢmesi de çok uzun bir zaman almaktadır. Bununla birlikte iĢ
sürecini idare eden operatörlerin tecrübeleri arasında büyük farklar olabileceğinden,
sonuç olarak ortaya çıkan üründe de kalite olarak büyük farklar görülebilir. Bu durumda
standart kalitede bir üretimin yapılması çok zorlaĢtırmaktadır. Bu sebeplerden dolayı
Danimarka menĢeili bir çimento firması, sabit değiĢkenler içeren bir model kullanmak
yerine bulanık mantık kuralları ile bir denetleyici düzenlemiĢ ve olumlu veriler elde
etmiĢtir. Bulanık mantık tabanlı bu veya buna yakın sistemler hala Amerika ve
Japonya‟da dâhil olmak üzere birçok geliĢmiĢ ülkede tercih edilmektedir.

Bulanık mantık ile çalıĢılan ilk sistemlerden bir diğeri de Japon Hitachi firmasının
Sendai Metro denetimini otomatize etme çalıĢmasıdır. Firma yaklaĢık 10 yıl boyunca
yaptığı testler sonucunda bulanık mantık düzenleyici ile çalıĢan sistemin, mevcut

2
sisteme göre avantajlara sahip olduğunu görmüĢ ve 1987 yılından itibaren bu modelin
uygulanmasına baĢlamıĢtır.

Bu olumlu örneklerden sonra bulanık mantık kontrolü kullanan uygulamalar konusunda

artıĢ yaĢanmıĢ ve bu konuda yeni çalıĢmaların yapılabilmesine olanak sağlanmıĢtır. Bu
araĢtırmaların birbirleriyle iyi haberleĢebilmesi için Laboratory for International Fuzzy
Engineering (LIFE) adlı bir grup tahsis edilmiĢtir (Abduljabar 2011). Bu grupta yapılan
çalıĢmalara birçok Japon ve Amerikan firması katılmıĢtır.

2.2 Literatür Taraması

HVAC sistemlerinin analiz ve geliĢtirme sürecinde benzetim teknikleri ve

modellemenin yer alması ile süre ve maliyette birtakım azalmalar görülmüĢtür
(Soyguder, Karakose, Alli 2008). Bu olumlu sebepler nedeniyle modelleme teknikleri
kullanan HVAC sistem araĢtırmalarının arttığı izlenmektedir. HVAC sistemleri
birbiriyle iliĢkili ve büyük zaman değerleri içeren birçok alt birimden oluĢmaktadır. Bu
alt birimlerin doğrusal ve sabit olmayan karakteristikleri nedeniyle, sistemin
matematiksel modelinin çıkarılması zor bir süreçtir (Mendes 2003).

Uygulanabilir bir HVAC modelinin çıkarılmasıyla ilgili literatür, tarafında birçok

çalıĢma yapılmıĢtır. Clark, Hurley ve Hill, HVAC sistem birimlerinin dinamik modelleri
üzerinde çalıĢmıĢtır (Clark, Hurley, Hill 1985). Zaheer-Uddein ve Zheng, HVAC
sistem alt birimleriyle ilgilenmiĢ ve kontrol sistemi yapısında kullanılmak üzere
dinamik modeller oluĢturmuĢtur (Zaheer-Uddein, Zheng 1994). Tashtoush, Molhim ve
Al-Rousan da HVAC‟ da bulunan ısıtma ve soğutma sistemlerini ayrı ayrı incelemiĢ ve
bunlarla ilgili modeller oluĢturmuĢtur. Yaptığı bu çalıĢmada, bulunduğu ortamdaki her
bir iklimlendirme biriminin ısıl kapasite ve depolama özelliklerini içeren soğutma -
ısıtma değerlerini bulmak yerine, ortamlar arası ısı alıĢveriĢini gerçek zamanlı olarak
hesaplama iĢlemlerini kullanmıĢtır (Tashtoush, Molhim, Al-Rousan 2005).

3
Mevcut iklimlendirme sistemleri verimlilik ve ihtiyacı karĢılama konusunda yetersiz
kalmakta, bu da daha elveriĢli HVAC sistemleri tasarlamak için akademisyen ve
mühendisleri araĢtırma yapmaya zorlamaktadır. Hem bu ihtiyacın giderilmesi hem de
bulanık mantık sistemlerinin birçok alan (sanayi, ulaĢım, yaĢam alanları…vb. ) üzerinde
baĢarılı bir Ģekilde uygulanmaya baĢlaması, HVAC sistemi için de bulanık mantık ile
baĢarılı sonuçlar alınabileceğini düĢündürmüĢtür.

HVAC sistemlerinin bulanık mantık kontrollerini bilgisayar alt yapısı ile modelleme
çalıĢmaları sonucu performans ve kullanılabilirlik açısından incelenmesiyle ilgili
literatürde yapılmıĢ çalıĢmalar vardır. Sousa, Babuska ve Verbruggen çalıĢmasında,
HVAC sistemlerinde kullanılan lineer değerli yapıya sahip olmayan sistemler için
bulanık mantık modellemesinin olumlu sonuçlar verdiğini göstermiĢtir (Sousa,
Babuska, Verbruggen 1997). Huang ve Nelson ise bir HVAC bulanık mantık alt yapısı
kullanan sistemde, kontrol kurallarının oluĢturulması ve gerçek bir problem üzerinde
test edilmesi konusunda çalıĢmalar yapmıĢtır. (Huang, Nelson 1994). Alcalá ve Benítez
çalıĢmasında, genetik algoritmaları bulanık mantık kontrolünün iyileĢtirmesinde
kullanmıĢtır (Alcalá, Benítez 2003).

Ghiaus, bulanık mantık düzenleyicisi ile PID kontrollerde karĢılaĢılan tekrar ayarlama
sürecine gerek kalmadan iĢin yapılabileceğini göstermiĢtir (Ghiaus 2001). Soygüder,
Karakose ve Alli araĢtırmasında, nem değerlerini çalıĢmasına dâhil etmeden üç farklı
ortam üzerinde, normal PID, bulanık mantık altyapısını kullanan bir PD ve en son kendi
kendini besleyen bulanık mantık temelli bir PD kontrolünün karĢılaĢtırmasını yapmıĢtır
(Soyguder, Karakose, Alli 2008). Wang, An ve Lou ise çalıĢmasında bulanık mantık ve
klasik PID düzenleyici yapısını birleĢtiren bir düzenleyici oluĢturmuĢtur. Bu çalıĢmada
Çin‟de bulunan bir televizyon binası için üç farklı düzenleyicinin (klasik PID, bulanık
mantık düzenleyici ve hibrid bulanık mantık- PID düzenleyici) verimlilik konusunda
karĢılaĢtırılması yapılmıĢtır (Wang, An, Lou 2006).

Bulanık mantık tabanlı HVAC sistemi ve kontrolü ile ilgili literatür incelemesinden de
görüldüğü gibi çok sayıda çalıĢma mevcuttur. Bu çalıĢmaların bazılarında gerçek
hayatta çalıĢan iklimlendirme sistemlerinin devamlı değiĢen yükler altında olmasından

4
dolayı bu değerlerden farklı olarak sabit değerler kullanan çalıĢma ortamı sunulmuĢtur.
Örnek olarak nem ve dıĢ hava sıcaklık değerlerini değiĢken almayan araĢtırmalar vardır.
Bu araĢtırmaların bazılarında ise sadece sıcaklık gibi tek parametreli düzenleyici
kullanılarak iĢlem yapılmıĢtır.

5
3. MATERYAL VE METOT

3.1 Ġklimlendirme Sistemleri

Kapalı alanlarda havanın termal konfor (sıcaklık, nem, hava akımı) koĢullarının
oluĢturulması, havanın bir dizi makine vasıtasıyla çeĢitli termodinamik ve dinamik
süreçlerden geçirilerek verilmesiyle gerçekleĢmektedir. Genellikle uygulanan
sistemlerde havanın sıcaklığının arttırılmasını veya azaltılmasını sağlayan
iklimlendirme özelliğine sahip cihazlar kullanılmaktadır. Aynı zamanda nem
kontrolünün sağlanması da gerek iklimlendirme sistemleri gerekse nem alma/nem
verme cihazları ile sağlanmakta, çeĢitli filtrasyon iĢlemlerinden geçen havadaki partikül
oranı minimum seviyeye indirilmektedir. Aynı zamanda ekonomik olarak verimli
çalıĢması istenen sistemler sürekli dıĢarıdan temiz hava alıp iĢlemek yerine kısmen
temiz hava alıp kalan kısmını da içeride mevcut bulunan havanın tekrar iĢlemden
geçirilmesi usulüne göre çalıĢırlar. Ayrıca bu çalıĢma, dıĢarıdan alınacak temiz havanın
iklimlendirme maliyetinin, içerideki havayı iklimlendirme maliyetine göre daha yüksek
olduğu için gerçekleĢtirilmektedir. Burada dikkat edilmesi gereken husus ise içeriye
alınacak temiz havanın, dolayısıyla oksijen miktarının belli bir seviyede tutulması için
hassas bir dengeleme yapılması gerekliliğidir.

HVAC sistemleri genellikle sabit veya değiĢken debili sistemler olarak ikiye
ayrılmaktadır. Yatırım maliyetleri göz önüne alınacak olursa değiĢken debili sistemler
daha maliyetli olarak görülmektedir. Bununla birlikte hangi uygulama sistemlerinin
seçileceği konusunda yapılan araĢtırmalarda ilk maliyet oranı yüksek olsa bile enerji
verimliliği ve kullanımı açısından değiĢken debili sistemlerin daha avantajlı olduğu
görülmüĢ olduğundan değiĢken özellikli sistemler genel olarak daha fazla kullanım
alanı bulmuĢtur. Bu yaygınlaĢmada, 1970 yılında yaĢanan enerji darboğazının da etkisi
vardır.

Kontrol iĢlemi HVAC sistemleri için çok önemli bir bileĢendir. Hava değiĢimi yapılan
alanların uygun değerlere gelmesi kontrol sistemleri vasıtasıyla gerçekleĢir. Bununla
birlikte iyi bir uygulama sisteminde enerjinin tüketiminin de uygun aralıkta olması

6
hedeflenir. HVAC sistemlerinde uygun koĢullara ulaĢılması zor bir süreçtir. Öncelikle
nem, sıcaklık gibi her bir parametre diğerleriyle bağlantılıdır. Bu sebeple, değerlerde
oluĢan değiĢiklik diğer parametrenin değiĢmesine sebep olacaktır. Bununla birlikte
içerde ölçülen bu parametrelere dıĢ hava, sıcaklık ve nem değerleri de etki edeceğinden
soğutma yük hesaplarını değiĢtirecektir. Bu süreç devamlı dinamik olarak kontrol
edilerek ayarlanmaktadır.

Genellikle HVAC sistemleri, basit kontrol yapıları kullanmakta, sadece sıcaklık

parametresine göre sistemi dengede tutmaya çalıĢmakta ve diğer parametreleri
kullanmamaktadırlar. Bu da hem termal konfor hem de sistemlerin enerji kullanımı
konusunda düĢük verimli çalıĢmasına sebep olmaktadır. Amerika Ulusal Bina Kontrol
Sistemleri Bilgilendirme biriminin yaptığı bir araĢtırmada iklimlendirmeyi kontrol eden
sistemlerin yarısının sistemi yetersiz bir Ģekilde kontrol ettiği ortaya çıkmıĢtır. Bu
yetersiz uygulama sistemlerine yapılan iyileĢtirmelerle enerji verimliliğinin %20 arttığı
görülmüĢtür.

HVAC sistemlerine bulanık mantık kontrolünün uygulanmasının iyi sonuçlar gösterdiği

belirlenmiĢtir. Bunun sebebi, iklimlendirme sistemlerinin birbiriyle iliĢkili birden çok
değiĢkene sahip olması ve iĢlemin matematiksel modelinin olmadığı ya da matematiksel
modelin doğrusal olmayan denklemler içermesinden kaynaklanmaktadır. Bulanık
mantık kontrolünde klasik kontrol ile yapılamayan bu gibi zor durumlar çok daha rahat
kullanılabilir olmaktadır.

Bulanık mantık modeli, klasik mantık gibi net sonuçlar üzerinden çalıĢmaz; sezgisel bir
karar verme modeli içerir. Bulanık mantık kümesinde insanların iĢle ilgili tecrübelerine
ve izlenimlerine göre sonuçlar geliĢtirilir. GeliĢtirilen kural dizileri sistemin durumlarını
bulanıklaĢtırmak için kullanılır. Ġklimlendirme modellerinde, standart PID kontrolü,
bulanık mantık kontrolü kullanan modellerle beraber hem PID hem de bulanık mantık
kontrolünün birlikte çalıĢtığı uygulamalarda yapılmaktadır. Bu tez içerisinde, bir
çalıĢma ofis alanının iklimlendirme sisteminin değiĢken parametrelere göre bulanık
mantık kuralları ile denetiminin yapılması amaçlanmıĢtır.

7
Çizelge 3.1 Örnek iklimlendirme sıcaklık bulanık değer aralıkları

3.2 Ġklimlendirme Termal Konforu

Ġnsanlar için yaĢam kalitesini gösteren en önemli detaylardan biri olan hava kalitesi,
günümüz Ģehirlerinde açık atmosferde bile yeterli değilken verimsiz tasarlanmıĢ
iklimlendirme sistemlerinin yerleĢik olduğu ofisler, alıĢveriĢ merkezleri, tiyatro
salonları, spor salonları gibi mekânlarda insan sağlığını ciddi ölçüde tehdit etmektedir.
Hem konfor koĢullarından uzak yapay atmosferin rahatsız edici etkileri hem de
hissedilmeyen fakat insan sağlığını orta ve uzun vadede tehdit eden hava kalitesinin
yetersizliği probleminin sadece ekipmanlarla çözülemeyeceği, aynı zamanda bu
ekipmanların doğru Ģekilde kontrol edilebilmesi gereklidir.

Klasik iklimlendirme sistemine sahip kapalı çalıĢma alanlarında sıklıkla meydana gelen
solunum rahatsızlıklarının sebebi olarak hava kalitesinin yetersizliği gösterilmektedir.
(Arima, Hara, Katzberg 1995). Solunan havadaki oksijen, nem, partikül oranları ve
sıcaklık ile rüzgâr hızı parametrelerinin bir iklimlendirme sisteminde hassas olarak
kontrol edilebilmesi klasik algoritma ile tasarlanmıĢ kontrol sistemleri ile mümkün
olmamakla birlikte, bulanık mantığın elverdiği Ģekilde adaptif olarak tasarlanmıĢ bir
akıllı kontrol sistemi ile mümkün olabilecektir.

8
3.3 Kontrol Yöntemleri

Sistem kontrol yöntemleri; „„Konvansiyonel (PID Kontrol, Adaptif Kontrol,) ve

GeliĢmiĢ Yöntemler (Yapay Sinir Ağları, Genetik Algoritmalar, Bulanık Mantık)‟‟
olmak üzere gruplandırılarak iki ana baĢlık altında incelenecektir.

3.3.1 Konvansiyonel kontrol yöntemleri

GeliĢmiĢ sistem kontrollerinden uzak genellikle maliyeti düĢük ve basit sistemlerle

kontrol yöntemidir. Ġklimlendirme sistemlerinde kullanılan konvansiyonel kontrol
yöntem çeĢitleri aĢağıda açıklanmıĢtır.

3.3.1.1 PID Kontrol

Yaygın kullanılan bir iklimlendirme sisteminde gerçekleĢmesi gereken sıcaklık, nem

alma/verme, hava akımı kontrolü, temiz/kirli hava karıĢımı gibi iĢlemler için PID
kontrolü uygulanır.

ÇeĢitli sensörlerden aldığı geri dönüĢ bilgileri ve sürekli kendini iyileĢtirme modu ile
çalıĢtıran PID kontrollü otomatik iklimlendirme sistemleri, termodinamik sistemlerdeki
modellemenin zor olması sebebiyle birtakım dezavantajlar barındırmaktadır. Ayrıca
genellikle tasarım sebebiyle sistem sonuçlarında meydana gelecek hatalar sonucu
oluĢabilen kalıcı problemler ile PID kontrolün, iklimlendirme sisteminden bekleneni
yeterince veremediğini gösterebilmektedir.

3.3.1.2 Adaptif kontrol

Uyarlanabilir adaptif sistemler, kontrol edilen uygulamalardaki değiĢim eğilimlerine

göre parametrelerini direkt olarak değiĢtiren otomatik sistemler olarak tanımlanırlar.
Adaptif kontrol yapıları adaptasyon mekanizmayla beraber, tercih edilen davranıĢ

9
ölçütüne ve ayarladıkları parametrelere göre sınıflandırılmaktadırlar (MRAS,MIT,L
yapunov vs.)

3.3.2 GeliĢmiĢ kontrol algoritmaları

Bilgisayar sistemlerinin yaygınlaĢması ile kontrol sistemlerinin daha önce kullandığı

metotlarda değiĢiklikler meydana gelmiĢtir. Önceden düzenleyici sistemlerde belirgin
matematiksel sabitler kullanılıyorken, Ģimdi genetik algoritmalar, bulanık mantık, yapay
sinir ağları veya bu bahsedilen teknolojilerin beraber kullanıldığı özel kontrol
sistemleriyle ilgili araĢtırmalar vardır. Ġklimlendirme sistemlerinde parametrelerin sabit
bir matematiksel değere sahip olmaması ve daha sezgisel bir yaklaĢım gerektirmesi
nedeniyle aĢağıda bu teknolojilerden kısaca bahsedilecektir.

3.3.2.1 Yapay sinir ağları, YSA (Artifical Neural Networks)

Bu metot insan beyni çalıĢma mantığının, bilgi sistemlerine aktarılması ile ortaya çıkan
bir teknolojidir. YSA‟ da gerçek bir nöron hücresinin çalıĢma mantığından örnek alarak
ortaya çıkmıĢtır. Normal bir nöron yapısı üç farklı katmandan oluĢmaktadır; giriĢ, saklı
ve çıkıĢ katmanı. Saklı katman, sistemin karmaĢıklık düzeyine göre birden fazla katman
içerebilir. GiriĢ katmanı, modele alınan verileri gösterir. Saklı katman, giriĢ katmanında
aldığı veriler üzerinde iĢlem yapılan kısımdır. ÇıkıĢ katmanı ise saklı katmandan aldığı
sonuçları içerir.

Ġklimlendirme sistemlerinde YSA ile sistemin sezgisel davranıĢ değerlerinin bulunması

ve bu değerlere göre model değerlerinin durum koĢullarına göre ayarlanması konusunda
araĢtırmalar yapılmaktadır (ġengirgin 2003).

3.3.2.2 Genetik algoritmalar, GA (Genetic Algorithms)

Genetik algoritmalar, biyoloji biliminden yararlanıp evrim ve doğal seleksiyon

özelliklerini kullanan makine öğrenme yöntemlerinden birisidir. Genetik algoritmalar,

10
sonuç olarak tek bir değer üretmek yerine farklı çözümlerden en uygun sonuç kümesini
vermeyi amaçlar. Genetik algoritmaların kuvvetli bir özelliği olarak modellenen sistem
hakkında çok bilgiye sahip olmadan zor problemleri çözebilme yeteneğine sahip olması
verilebilir. Yani herhangi bir baĢlangıç modeli kullanmadan sistem hakkında çözüm
üretmeye baĢlanabilir. Ġklimlendirme sistemlerinde genetik algoritmalar ile kontrol
parametrelerinin ayarlanması konusunda yeterli olmamakla beraber birtakım
araĢtırmalar yapılmaktadır (Rahmati, Rashidi, Rashidi 2003).

3.3.2.3 Bulanık mantık (Fuzzy Logic)

Bilgisayar sistemlerinde kullanılan mantık ilkesi, bir değerin sıfır veya bir olabileceğini
belirtir. Bu yaklaĢım ikili Aristo mantığındaki gibi sabit değerleri temel alarak sonuca
ulaĢmaya yarar (yok veya var, 1 veya 0). Bulanık mantık ise insan zihin düĢünce
yapısının karar alma ve aldığı kararı matematiksel bir gösterim haline getiren bir bilim
dalıdır. Yani ikili sabit değerler yerine bulanık küme modeline sahip bir yapıdadır. Ġkili
mantıkta yer alan „‟0-1‟‟ yani „‟evet-hayır‟‟ gibi değerler bulanık mantıkta bu verilerin
arasında da bazı değerler olduğunu düĢündürür. Örnek olarak bir insanın yaĢını ele
alacak olursak 20 yaĢ değeri %80 genç, %20 yaĢlı sonucunu verebilir. Aynı Ģekilde 30
yaĢ ise %70 genç %30 yaĢlı sonucunu içerebilir. Buradaki sonuçlardan görüldüğü gibi,
ikili mantıktaki gibi bir kesinlik belirtmeden sonuçlara ulaĢılır. Ġklimlendirme
sistemlerinin de bu yaklaĢım ile modellenmesi sistemin performansı için olumlu
görülmektedir.

Ġklimlendirme sistemlerinde hem mevcut kullanılan PID düzenleme yapıları hem de

bulanık mantık düzenleyici üzerinde yapılan araĢtırmalar devam etmekle beraber, bu iki
yapının (PID-Bulanık Mantık) birleĢiminden oluĢan algoritmalar üzerine de ayrıca
araĢtırmalar yapılmıĢtır (Rahmati, Rashidi, 2003).

11
3.4 Bulanık Mantık Teorisi

Bulanık mantığın temelinde bulanık kümeler yer almaktadır. Bulanık kümelerde üyelik
fonksiyonu ile oluĢturulan üyelik derecelerinden oluĢmaktadır. Bu kavramların tam
olarak öğrenilebilmesi için bulanıklık tanımının iyi anlaĢılması gerekmektedir.. ġekilde
(3.1) gösterilen renkler uzayında tanımlı yeĢil, siyah ve mavi aslında her biri içerisinde
farklı onlarca renk tonuna sahiptirler. Bu uzayda, resmin herhangi bir yerini
seçtiğimizde, seçilen bölgenin kesin bir renk değerine sahip olmadığı görülür. Resim
üzerinde sağdan sola doğru gittiğimizde renk mavi tonlarından baĢlayıp siyahlaĢmaya
baĢlayacak, daha da ilerledikçe siyahlık azalarak yeĢil değeri kuvvetlenmeye
baĢlayacaktır. Burada dikkat edilmesi gereken nokta, Ģeklin herhangi bir bölgesinde
renk değeri ile ilgili kesin bir sonuç bulunmadığıdır. Sadece belli bölgelerinde bazı renk
tonlarına daha yakın görülmektedir. Bu sebeple resimdeki üyelik fonksiyonuna göre her
nokta için farklı bir renge ait olma değeri bulunmaktadır. Bu alanlar resimde bulunan üç
renge ait bulanık küme oluĢturulması ile sağlanır (AltaĢ 1999).

ġekil 3.1 Bulanıklık Ģeması

Çizelge 3.2 Klasik ifade örneği

12
Çizelge 3.3 Bulanık ifade örneği

Çizelge 3.2 - 3.3‟de ise bulanık mantık tanımı kullanılmasında yaĢ uzayının durumu
incelenmiĢtir. Çizelge 3.2‟de klasik ikili mantık üzerinde insan yaĢının modellenmesi
yapılmıĢ, 0-29 yaĢ aralığı “Genç” gösterilirken, 30 yaĢından sonraki yaĢlar “Orta YaĢlı”,
50 yaĢından sonraki yaĢlar ise “YaĢlı” statüsüne yerleĢtirilmiĢtir. Çizelge 3.3‟de ise bu
iĢlemin bulanık küme tipinde gösterimi yapılmıĢ, Genç, Orta YaĢlı ve YaĢlı
kavramlarının keskin değerleri bulanıklaĢtırılarak daha sezgisel bir gösterim elde
edilmiĢtir (Özek ve Sinecen 2004).

KarmaĢık üretim süreçlerinde kaliteyi sürekli hale getirerek bu sürecin en efektif Ģekilde
yönetilebilmesi için kullanılan bulanık mantık tabanlı kontrol sistemlerinin yaptığı iĢi
klasik algoritma ile çalıĢan otomatik kontrol sistemleri ile yapmak neredeyse
imkânsızdır. Girdi ve çıktı parametrelerinin sayısı arttıkça klasik kontrol sistemlerinin
doğru karar verebilmesi adına oluĢabilecek tüm ihtimalleri hesaplaması beklenir. Fakat
tüm ihtimallerin hesaplanması bilgisayar kontrolü ile de olsa pek mümkün değildir.

Sabit değerler içermeyen karmaĢık problemlerde standart düzenleyici modeller

kullanmak çok maliyetli ve elveriĢsiz olduğundan genellikle uygulanmamaktadır.
Bulanık mantıkta ise bu gibi durumları modellemek çok daha kolay ve elveriĢli bir
Ģekilde yapılabilmektedir. Bu sebeple bulanık mantık kullanılarak oluĢturulan modeller
son yıllarda kontrol iĢlemlerini düzenlemede yaygınlaĢmıĢtır. Bu zor sorunları çözme
konusunda yapılan araĢtırmalarda sistemin daha kolay modellenmesi haricinde ayrıca
büyük baĢarılar elde etmiĢ olması da bulanık mantık yapısının yaygınlaĢmasında etkili
olmuĢtur. Bununla birlikte bulanık mantık temelli sistemlerde makine öğrenmesi ve

13
uzman bilgisi birbirleriyle doğrudan iliĢkilidir. Bu sebeple modelin ilk kurulumu
sırasında oluĢturulan bulanık küme ve fonksiyonların doğru seçilmesi, sistemin genel
baĢarısı üzerinde birinci seviyede etkilidir. Ġdeal kural setlerini oluĢturabilmek probleme
göre fazla süre alabilmektedir. Bu kural setlerinin araĢtırmalara göre tecrübe edilerek
doğru oluĢturulma süresi sistemin negatif bir özelliği olarak görülebilir (Akgül 2006).

3.5 Bulanık Mantık Modelleme ve Üyelik Fonksiyonları

Sisteme tayin edilen bulanık değiĢkenlerin olası değerleri için üyelik fonksiyonları her
bir üyeliğin derecesini göstermektedir. Bu dereceler; sözel bir veriyle belirlenebilir
(nem değerinin yüksek olması gibi).

Bulanık mantık yapısında üyelik görevinin doğru belirlenebilmesi; model tasarımının

baĢarı ile sonuçlanmasında önemli bir rol oynamaktadır. Bulanık Mantık ile „„Mamdani
ve „„Sugeno‟‟ tipi modellemeler yaygın olarak kullanılmaktadır. Bu modeller detaylı
olarak baĢlıklar halinde aĢağıda ele alınacaktır.

3.5.1 Mamdani bulanık modelleme

Mamdani bulanık model tipi, insan sezgisi ve davranıĢına uygun olduğu için kolay bir
Ģekilde oluĢturulabilmektedir. Bu sebeple çok tercih edilmektedir. Ayrıca Mamdani
diğera modellerinde esas mantığını oluĢturur. Ġlk olarak Prof. Ebraham Mamdani insan
deneyimleri ve dilsel kurallar aracılığıyla bir buhar motorunun kazan bileĢiminin
çıkarımını kontrol etmek için bu metodu uygulamıĢtır (Heine 2001).

Bir bulanık modellemeye uygulanan „‟Mamdani‟‟ yöntemi Ģu Ģekilde sıralanabilir;

a) Girdi değerlerinin bulanıklaĢtırılarak 0 ile 1 aralığında oluĢan üyelik derecesinin

belirlenmesi,
b) Bulanık çıkarım uygulanarak „„ĠF-then‟‟ kural tablosu oluĢturulması,
c) Kural tablosu ile „ve-veya‟ iĢlemci değerlerinin oluĢturulması,

14
 d) Sonuç değerlerinin çıkarımı; her bir „„ĠF-then‟‟ kuralının çıktısı ile bu küme
değerlerinin bir araya getirilmesi,
e) Son olarak yapılan ise tek sayıya dönüĢtürülen bulanık çıkarım küme
değerlerinin durulaĢtırılmasıdır.

Çizelge 3.4 Mamdani örnek Ģema

1.Kural: “Eğer x=A1 VE y=B1” ise “z= C1” 2. Kural: “Eğer x=A2 VE y=B2 ise z= C2”

Mamdani modeli ile iki kurallı bir modelde, sayısal ifadenin (x, y) gibi değiĢkenleri ve
çıkıĢ (z) değiĢkeninin bulanık küme [C1 ve C2] fonksiyonlarından hesaplanma Ģekli
yukarıda açıklanmıĢtır. (Özalp, 2016). ġekilde C1 ve C2 değerlerini maksimumunun
alınması ile sonuç kümesinin C2 ve C2 değerlerinin birleĢiminden oluĢtuğu
gösterilmiĢtir (Akyılmaz, O. 2005).

ġekil 3.2 Mamdani bulanık model tasarım Ģeması

15
Bu modeli özetlemek gerekirse;

 Mamdani tipi bulanık modelleme yapısı oldukça kolaydır.

 Bulanık çıkarım modellerinin baĢlıca temelini oluĢturur.
 Ġnsan davranıĢı ve duyularına yakın olduğu için en çok tercih edilen bulanık
model tipidir.

3.5.2 Sugeno Bulanık Modelleme

Sugeno modelleme, 1985 tarihinde ilk olarak kullanılmaya baĢlanmıĢtır. Sugeno modeli
genel itibariyle Mamdani modeli yapısından türetilmiĢtir. Bulanık mantık tabanlı
yapılan iĢlemler ve girdi değiĢkenlerinin bulanıklaĢtırılması Mamdani modeli ile aynı
Ģekildedir. Çıktı fonksiyonlarından kaynaklı farklar ise bu iki model arasındaki en
önemli ayrımı oluĢturur. Bu modelleme tipinde çıktı üyelik fonksiyonları sabit ya da
lineer olmaktadır. Sugeno çıktı fonksiyonu sabit bir değer iken, sıfırıncı (0) derece,
birinci (1) derece doğru denklem gibi iken ise birinci (1) derece bulanık mantık model
tipi olarak adlandırılır.

Sugeno modellemesi, Mamdani modellemesinden daha karmaĢık bir yapıda olmasına

rağmen gösterimsel açıdan daha uygundur. Bu sebeple Sugeno bulanık modelleme
uyarlanabilir (adaptif) tekniklerle beraber tercih edilebilir.

Sugeno bulanık model aĢağıdaki gibi tanımlanabilir.

Eger x = A ve y = B, ise z = f(x,y) = px+qy+r (sabit) (3.1)

A ve B değiĢkenleri giriĢ parametreleriyken; p, q ve r (sabit) ise sonuç parametreleridir

(Gedik 2011).

16
 x+ y+ (3.2)

x+ y+ (3.3)

(3.4)

Çizelge 3.5 Sugeno örnek Ģema

ġekil 3.3 Sugeno bulanık model tasarım Ģeması

Sugeno tipi bulanık modellemeyi özetlemek gerekirse;

 Sugeno tipi bulanık modelleme yapılacak hesaplamalar gereği daha elveriĢlidir.

19
  Bu modelde doğrusal teknikler ile doğrusal olmayan sistemlerin kontrol
edilebilmesi mümkündür.
 Adaptif teknikler ve uyarlamalar ile beraber çalıĢabilir. Ayrıca çıktı değerlerini
düzenleyerek sonuçları daha da iyileĢtirir.
 Çıktı uzayında bu model ile devamlılık sağlanmaktadır.
 Formül içeren problemleri modellemek için uygun bir yapıdır.

Sugeno tipi bulanık modelin dezavantajlarını sıralamak istersek;

 Bu model yüksek dereceli denklemlerle uygulandığında fazla karıĢık bir yapıya

dönüĢebilmektedir.
 Sistem verilerinin eğitilmesi, girdi ve alt küme sayılarının artması ile zorlaĢır.
Ayrıca sonuçlara ulaĢabilmek için gerekli soncul parametrelerin sayısı da
artmaktadır.
 Bu model, Mamdani modeli kadar insan davranıĢı ve duyularına sezgisel yönden
yakın değildir.

3.5.3 Temel bulanık model kurallarının geliĢtirilmesi

Bulanık mantık modellemede baĢlıca üyelik fonksiyonları tespit edilir. GiriĢ verileri ĠF-
Then (eğer-ise) kuralları ile tanımlanarak, temel bulanık tanımlama kuralları çıkarılır.
Bu bulanık kurallar; uzman bilgisi ve gözlemler yardımıyla ya da önceden ölçülmüĢ
deneysel veriler ıĢığında belirlenir. Bu temel tanımlama kuralları, Ģu Ģekilde ifade
edilebilen kural dizilerini içerir:

If (koĢul) then (sonuç). Örnek olarak eğer (sıcaklık parametresi yüksek) ise (hava
akımını arttır).

Bu gibi temel kurallar uygulandığında; durumlara göre bulanık değiĢkenlerin üyelik

dereceleri ve bu kuralların sonucu olarak hesaplanan yeni üyelik değerleri meydana
gelir.

18
Bağlaçlar Hesaplamalar (AND, OR, NOT) ya da bunların hepsine (ayrım, ret) bağlı olan
Ģartlara dayanırlar.

3.5.4 Bulanık model tasarımının asıl değerlerle kıyaslanarak tutarlılığının

ölçülmesi

Bulanık model ile kural tablosu oluĢturulduktan sonra simülasyon uygulamaları

yardımıyla aynı giriĢ değerleri için test iĢlemi uygulanır. Önceden elde edilmiĢ test
verileri ile bulanık model sonucu çıkan veriler karĢılaĢtırılır ve kabul edilebilir hata payı
içinde olup olmadığı tespit edilir.

3.6 Kullanılan Yöntem

Çözüm yöntemi olarak bulanık mantık kullanılmıĢtır. Bu baĢlıkta üyelik fonksiyonu

oluĢturma ve iklimlendirme sistemine uyarlanmasındaki önem, sistem uygulamaları ve
sonuçlardan bahsedilmektedir.

Bir bulanık sistem tasarımına baĢlamadan önce, araĢtırmacı ulaĢabildiği tüm sayısal
veya sözel verileri irdeleyerek çözüm için en mantıklı yöntem hakkında karar
vermelidir. Ayrıca bulanık modelleme yöntemlerinin sözel verileri iĢlemekte oldukça
etkin olduğu asla unutulmamalıdır. Bu çalıĢmada HVAC sistem tasarımı için ASHRAE
veri standartları baĢta olmak üzere böyle önemli bilgileri bilgisayarlara tanıtarak bulanık
iĢlemlerin yapılması yoluna gidilmiĢtir. ĠĢte bu yoldaki en uygun yöntem, bulanık küme
mantık ve sistemleri olmuĢtur.

Bulanık mantık, insan karar verme sezgisine yaklaĢan bir tekniktir. Bulanık mantık
modeli üzerindeki girdi ve çıktı değerleri arasındaki tesadüfî iliĢkileri geliĢtirmek için
sözel tanımlar kullanır. Bulanık mantık, üretim sürecine etki eden parametrelerin
birbiriyle iliĢkisini modelleyerek endüstriyel problemlerin çözümünde çok baĢarılı
olmuĢtur.

19
3.6.1 Kullanılan materyal

Çözüm materyali olarak dünya HVAC veri standartları alınarak “Matlab” programı
kullanılmıĢtır. Bu baĢlıkta üyelik fonksiyonu oluĢturma ve iklimlendirme sistemine
uyarlama ile oluĢturulan modelin önemi ve sonuçlardan bahsedilmektedir. Problemler,
Matlab yazılımı üzerinde ana komut penceresinde yazılarak çözülebileceği gibi çeĢitli
diyagram ve düğme gibi nesnelerin olduğu görsel çözümleme modülleri ile de
geliĢtirilebilir.

Shaharon ve Jalaludin, Malezya'da çalıĢanların kullandığı az enerji tüketen ofis

ortamları konusunda araĢtırma yaparak, çevre koĢullarının iklimlendirme sağlığına
etkilerini belirlemeye çalıĢmıĢlardır. Az enerji kullanan sistemlerin yaygınlaĢmasından
sonra bu tasarruf iĢlemi sonucu yetersiz çalıĢan iklimlendirme ortamında çalıĢan
insanların çalıĢma performansını olumsuz etkilediği görülmüĢtür. Bu olumsuz
koĢulların çalıĢanlar üzerindeki etkisinin önlenmesi ve yeterli bir çalıĢma ortamı
standardının belirlenmesi, iklimlendirme termal konforu için gereklidir. Yapılan
çalıĢmada 21.6°C-23.6° C sıcaklık ve %42-%54 nem oranı elde edilmiĢ ve bu değerlerin
ASHRAE 55 ve ISO 7730 standartlarını karĢıladığı gösterilmiĢtir (Shaharon, Jalaludin
2012).

ÇalıĢma ortamı ideal konfor değerleriyle ilgili bazı standartlar bulunmaktadır. Bu

standartlar kendi içerisinde bulunan ufak farklılıklarla ülkeler arası değiĢiklikler
gösterebilmektedir. ASHRAE -62- (ABD) standartlarına göre Bağıl Nem için ‟‟% 30–
60‟‟ ve Sıcaklık için ise ‟‟20–25,5 °C‟‟ tavsiye edilen değer aralıkları olarak
yayımlanmıĢtır. Bu standartlar için DIN-15251-(Almanya) ise Bağıl Nem için ‟‟% 30–
70‟‟ ve Sıcaklık için ise ‟‟20–26 °C‟‟ tavsiye edilen değer aralığı bildirmiĢtir. HKGCC-
(Hong Kong) ise Bağıl Nem için ‟‟% 40–60‟‟ ve Sıcaklık için ise ‟‟20–25,5 °C ‟‟
tavsiye edilen değer aralığı bildirmiĢtir (Shaharon, Jalaludin 2012).

20
3.6.2 Bulanık mantık yöntemi kullanımının sağladığı avantaj ve dezavantajlar

Bulanık mantık tabanlı sistemden yola çıkılarak ortaya çıkan bulanık denetleyicilerle
ilgili önemli avantaj ve dezavantajlar aĢağıda belirtilmiĢtir.

Avantajları;

 Bulanık Küme Teorisi, Klasik Küme Teorisinden daha geniĢ bir çerçeve
yarattığından karar vericiye oldukça geniĢ ve sezgisel bir hareket ortamı
sağlayarak, lineer programlamanın gerçek dünyayı yansıtma becerisine ve
uygulanabilirliğine katkı sağlamıĢtır.

 Zamanla değiĢen, karmaĢık, iyi tanımlanmamıĢ ve günlük yaĢamda olduğu gibi

belirsiz olan denetimlere anlaĢılır sonuçlar getirmektedir.

 Eğer sistem basit bir analitik modelleme ile oluĢturulabilecek yapıda ise bu
sistemi klasik kontrol algoritmaları le oluĢturmak yeterli olabilir. Fakat karmaĢık
yapıda olan bir sisteme klasik mantık algoritması uygulamak hem oldukça zor
hem de oldukça maliyetli olacaktır. Bununla birlikte bulanık mantık
uygulanacak sistem, konvansiyonel kontrol uygulanacak sisteme göre çok daha
iyi analiz edilebileceği için maliyet konusunda da daha ekonomik olabilecektir.

 Genel olarak „‟Bulanık Mantık‟‟ ile önsezi iĢlemi uygulanarak geniĢ bir çevreye
yayılabilen değerlerin, minimum sayıda üyelik fonksiyonuna indirgenebilmeleri
sebebiyle çok daha ivedi bir Ģekilde sonuç alınmaktadır.

 Minimum sayıda kullanılan üyelik fonksiyonu değerleri ile kural taban sayısı da
azalacağından çıktıya ulaĢabilmek daha da hızlı olacaktır.

21
  Sistemin doğrudan kullanıcı giriĢlerine ve bu kullanıcıların deneyimlerden
yararlanabilmesine olanak tanıması sebebiyle bulanık mantık denetimi daha
avantajlı olmaktadır.

Dezavantajları;

 Bulanık mantık denetiminde kullanılan kurallar, deneyime ve tecrübeye bağlı

olduğundan sağlıklı bir yapı oluĢturmak zaman alabilmektedir.

 Bu mantıkta üyelik fonksiyonunun belirlenebilmesi için kesin yol ve yöntem

bulunmamaktadır. Sistemde tanımlanacak en ideal üyelik fonksiyonu değer
aralıkları, deneme yanılma yoluyla bulunmaktadır. Bu sebeple bu iĢlem uzun
zaman alabilecektir.

 Sistemin herhangi bir süreklilik analizi çıkarılamamaktadır. Ayrıca denetlenen

sistemin önceden ne cevap vereceği bilinememektedir.

ġekil 3.4 Klasik ve bulanık küme örneği

ġekil 3.4‟de klasik ve bulanık küme örnekleri verilmiĢtir. Yatay eksen boy, dikey eksen
ise üyelik derecesini göstererek bu derecenin 0-1 arasında belirtmektedir.

Klasik kümede “uzun” tanımı tek değerlerden sonraki tüm ifadeler için doğru kabul
edilirken, bulanık kümede 0-1.9 metres arasındaki tüm değerleri 0-1 aralığı içinde
“uzun” özelliğine sahip olma durumları gösterilmiĢtir.

22
3.7 Bulanık Modelleme Adımları

3.7.1 GiriĢ ve çıkıĢ değerlerinin belirlenmesi

Ġlk adım, bulanık mantık tabanlı giriĢ ve çıkıĢ değiĢkenlerinin kontrolör tarafından
tanımlanan ve/veya deneysel ölçümlerle belirlenmiĢ doğru veriler olarak tanımlanması
olmuĢtur. Sistem giriĢ parametreleri; süreç boyunca değiĢebilen verilere bağlı
olduklarından bulanık olarak kabul edilirler ve değiĢken olurlar. Aynı Ģekilde çıkıĢ
parametreleri de her bir süreçte, kendi değer aralıklarına göre tanımlandığından bulanık
kabul edilmektedirler.

3.7.2 BulanıklaĢtırma

Uygulanacak sistem için elde edilen istatistikî ve sayısal veriler, bir takım sözel
ifadelere dönüĢtürülür. Kesinlikten uzak ve tanımlama için kolaylık sağlayacak olan bu
sözel ifadelerin (örnek olarak sıcaklık için düĢük, orta, yüksek ifadeleri) giriĢ verisini ne
oranda desteklediğini (sözel ifadeye 0-1 arasında verilen sahiplik dereceleri) gösteren
üyeliklere dönüĢtürülme iĢlemidir.

3.7.2.1 Kuralların çıkarılması

Kuralların çıkarılması, alanında uzman olan kiĢilerin tecrübeleri ıĢığında sağlanan

verilerin göstereceği muhtemel tepkilere göre IF-THEN gibi bağlaçlar ve üyelik
fonksiyonlarında tanımlı ifadeler yardımıyla oluĢturulması olarak tanımlanabilir.

3.7.3 DurulaĢtırma

BulanıklaĢtırılan giriĢ değerleri çıkarılan tüm kurallara tabi tutulduktan sonra, her giriĢ
için bulanık bir çıkarım değeri oluĢturulmaktadır. Bu bulanık değerlerin tekrar giriĢ
değerleri gibi kesin değerler haline getirilmeleri olayına durulaĢtırma denir. Bisector,

23
Centroid, En düĢük, Orta ve En Yüksek Değerler üzerinden yönlenme gibi birkaç
matematiksel yöntem yardımıyla sistem durulaĢtırılır. Böylece çıkıĢ verileri sağlanır.

3.7.3.1 DurulaĢtırma yöntemleri

Son yıllarda bulanıklaĢtırılmıĢ bilgilerin kesin sonuçlar haline dönüĢtürülme iĢlemi olan
durulaĢtırma yapılırken birçok yöntem ortaya atılmıĢtır. Herhangi bir durulaĢtırma
stratejisi seçebilmek için ise kesin bir sistematik yol yoktur. DurulaĢtırma
yöntemlerinden en çok tercih edilenler aĢağıda maddeler halinde anlatılmaktadır.

3.7.3.1.1 Ağırlık merkezi yöntemi (Centroid)

Centroid yöntemi durulaĢtırma yöntemleri arasında en çok seçilen yöntemdir. Bu

yöntemde problem, katı bir cisim gibi ele alınarak ağırlık merkezi üzerinden
hesaplamalar yapılmaktadır. “Centroid” yöntemi aĢağıdaki Ģekilde açıklanabilir:

∑ ( )
∑ ( )
(3.5)

3.7.3.1.2 Alan açıortayı yöntemi (Bisector of Area)

Alan açıortayı yönteminde çıkıĢ alanını iki denk alana parçalayan noktanın
belirlenmesidir.

BaĢlangıç değeri a, bitiĢ değeri b olan çıkıĢ üyelik fonksiyonları olsun. ÇıkıĢ üyelik
fonksiyonunun baĢlangıç değeri a, bitiĢ değeri b olarak tanımlansın. a ile b arasında öyle
bir zi değeri seçilmelidir ki [a,zi] arasındaki alan ile [zi,b] arasındaki alanlar birbirine
denk olmalıdır.

= ∫ ( ) ∫ ( ) (3.6)

24
3.7.3.1.3 En büyük üyelik dereceli elemanların orta noktası (Mean of Maxima)

En büyük üyelik dereceli elemanların orta noktası yöntemi ise bu noktaların orta noktası
bulunarak alınan yöntemdir. Eğer bir a noktasında ilk büyük üyelik derecesi ve bir b
noktasında son büyük üyelik derecesi ile karĢılaĢtıysak durulaĢtırma çıktı sonucu Ģu
Ģekilde olur;

(3.7)

3.7.3.1.4 En büyük dereceli elemanlardan küçük olanı yöntemi (Smallest of

Maxima)

En büyük dereceli elemanlardan küçük olanı yönteminde ise, daha önce bulunan en
küçük nokta referans alınır. Bu nokta a olarak alınırsa, durulaĢtırma çıktı sonucu;

Z*= a olur. (3.8)

3.7.3.1.5 En büyük dereceli elemanlardan büyük olanı yöntemi (Largest of

Maxima)

En büyük dereceli elemanlardan büyük olan yönteminde ise daha önce bulunan en
büyük nokta referans alınır. Bu nokta b olarak alınırsa durulaĢtırma çıktı sonucu;

Z* = b olur. (3.9)

3.7.3.1.6 Diğer durulaĢtırma yöntemleri

Bu yöntemler yapılan araĢtırmalarda genellikle çok kullanılmadığından bu baĢlık altında

kısaca açıklanacaktır.

25
 Ağırlıklı ortalama kuralı (weighted average): Ağırlıklı ortalama yöntemi yalnızca
simetrik çıktısı olan üyelik fonksiyonlarında kullanılabilir. Bu yöntem üyelik
fonksiyonlarının çıktısı ile bunu sağlayan maksimum üyelik değerine göre yapılır.

 En büyük üyelik derecesi ilkesi kuralı (max membership principle): En büyük

üyelik derecesi ilkesi yönteminin uygulanabilmesi için tepesi bulunan bulanık
kümelerine ihtiyaç duyulmaktadır.

 Toplamların merkezi kuralı (center of sums): Toplamların merkezi yönteminde

iki ayrı bulanık kümenin cebirsel olarak toplamı alınmaktadır. Bu yöntemin bir
dezavantajı örtüĢen tarafların iki kere toplanması olmuĢtur.

 En büyük alanın merkezi kuralı (center of largest area): Bu yöntemde çıktı

kümesi en az 2 dıĢ bükey bulanık kümeye sahip ise bu dıĢ bükey bulanık alt
kümelerden en büyük alana sahip olanın ağırlık merkezi alınır.

3.8 Matlab- Simulink

Bu çalıĢmada; elde edilen veriler analiz edildikten sonra oluĢturulan üyelik

fonksiyonları, MATLAB yazılımındaki fuzzy logic toolboxp ile oluĢturulup çalıĢma
için veri setleri tanımı yapılmıĢtır. Bu yazılımla bulanık mantık kontrolü simule edilerek
sistemin baĢarıya ulaĢıp ulaĢamayacağı çıktı aĢamasında elde edilecek verilerle
belirlenmiĢtir.

“Matlab”, yoğun teknik hesaplar ve matematiksel problemlerin sistematik çözümü için

geliĢtirilmiĢ bir yazılımdır. Adını “Matrix Laboratory” söz öbeğinden alan Matlab,
matrisler (matrix) ve diziler (array) üzerinden çözümleme yapar. Genellikle mühendislik
sistemlerin analizinde kullanılan Matlab; “sayısal iĢaret iĢleme, optimizasyon, sistem
kimliklendirme, veri elde etme, veri tabanı, yapay sinir ağları, süzgeç tasarımı, bulanık
mantık, dalgacıklar‟‟ gibi modülleri olan bir yazılımdır. Matlab esas itibariyle çok
karmaĢık matematiksel modellerin çözümlenmesini sağlayan geliĢmiĢ bir hesap
makinesi gibidir. Matlab ile oluĢturulan programlar ve geliĢtirmeler, Matlab‟ın kendi

26
yazılım dili kullanılarak oluĢturulur ve yine Matlab üzerinden çalıĢtırılır. Ayrıca yazılan
programların DLL ve EXE olarak oluĢturulabilmesinin yanı sıra bu yazılım dili C/C++
kodlarına da çevrilebilir. Genel olarak Matlab ile aĢağıdaki geliĢtirmeler yapılabilir:

 Veri analizleri
 Algoritma oluĢturma ve geliĢtirme
 Simülasyon verileri elde etme
 Görüntü iĢleme
 Simülasyon ve Modelleme
 Uygulama ve program geliĢtirme

27
4. ARAġTIRMA ve BULGULAR

Bulanık mantık tabanlı kontrol sistemleri, karar verme sürecinin karmaĢık ve çok hassas
olduğu durumlarda tıpkı insan gibi karar verebilen bir kontrol mekanizmasına ihtiyaç
duyulduğunda kullanılabilecek sistemlerdir. Bu nedenle iklimlendirme sistemlerinde
hava kalitesine etki eden parametreler her ne kadar termodinamik olarak kontrol
edilebilecek parametreler olsa da hava kalitesi ve konfor için bu parametrelerin hassas
bir dengede tutulması ancak kendi kendine karar verebilen bir kontrol sistemi ile
mümkün olacaktır. Girdi ve çıktı parametrelerinin davranıĢları bir Ģekilde sisteme
öğretilebilirse bu sistem, değiĢen parametrelerin ne Ģekilde reaksiyon vereceğini
sezgisel Ģekilde doğru tahmin edebilir ve bu parametreleri böylelikle hatasız Ģekilde
kontrol edebilir.

Ġklimlendirme konusunu da sistem yaklaĢımı ile çözümleyecek olursak sıcaklık, nem,

partikül oranı, oksijen oranı, hava iletim ve sirkülasyon hızları gibi parametrelerin
sisteme giriĢ ve çıkıĢları olacaktır.

Konfor ve sağlık adına hava kalitesinin yakalanması için bu parametrelerin

iklimlendirilecek alanda vereceği tepki hareketlerinin sisteme öğretilmesi ile sistem
otomatik hale gelecektir.

4.1 Problemin Ortaya Koyulması ve Tezin Hedefi

Problem, bir ofiste ilkel bir havalandırma sistemi ile hava sıcaklığı, nem ve hava hızının
konfor koĢullarında tutulamaması sebebi ile optimum ortam çalıĢma koĢullarının
sağlanamamasıdır. Tezin amacı, iklimlendirme düzeneğinde havadaki sıcaklık, nem ve
hava akımı değerlerinin belirlenen seviyelerde tutulması ve baĢlangıç konumundan en
kısa zamanda hedeflenen ideal ortam koĢullarına ulaĢabilmek olmuĢtur.

Ġnsanların vaktinin önemli bir bölümünün geçtiği ofis koĢullarında havanın, kabul
görmüĢ standartlara göre termal konfor koĢullarında tutulabilmesi büyük önem

28
taĢımaktadır. Klasik algoritma ile yapılan iklimlendirme sistemlerinde ise beklenen
termal konfor koĢullarının sağlanması pek de mümkün olmamaktadır. Bu yüzden bu
tezde bulanık mantık ile sıcaklık, nem ve hava akım hızlarının kontrolünün benzetim
modeli gerçekleĢtirilmiĢtir.

Havalandırma ortamlarındaki sıcaklık ve nem değerlerinin belirli bir aralıkta tutulması

tezde çok önemli bir rol önem taĢımaktadır. Lineer mantık prensibi ile kontrol edilecek
hacmin nem ve sıcaklık düzeyleri istenilen aralıkta olmadığı için, bu durum büyük
sistem çıktılarının doğru olmasının önünde engel teĢkil etmektedir.

4.1.1 ÇalıĢma aĢamaları

AĢağıdaki adımlar takip edilerek iklimlendirme sisteminin bulanık mantık modeli

oluĢturulmuĢtur.

• GiriĢ ve çıkıĢ değerlerinin tayin edilmesi

• Sistem üzerinde tanımlanmıĢ bulanık bölgenin ve üyelik fonksiyonlarının seçimi
• Temel bulanık kuralların geliĢtirilmesi
• GeliĢtirilen modelin çıktılarının, ölçümlerde bulunan gerçek değerlerle
kıyaslanması ve tutarlılığının ölçülmesi

Burada bahsi geçen giriĢ ve çıkıĢ değerleri, iklimlendirme iĢlemine etki eden faktörler
olarak belirlenecektir. Bulanık bölge ve üyelik fonksiyonları, mevcut veriler eĢliğinde
en uygun Ģekilde seçilecektir. Temel bulanık kuralların geliĢtirilmesi hususunda
parametrelerin hangi durumlarda hangi sonuçlar verebileceği belirlenerek bununla ilgili
çeĢitli kombinasyonlarla kurallar oluĢturulacaktır. GeliĢtirilen modelin gerçek değerlerle
karĢılaĢtırılması ve tutarlılığının ölçülmesinde ise bulanık mantık modelinin belirli giriĢ
değerleri karĢısında oluĢturacağı çıkıĢ değerleri, gerçek verilerle kıyaslanarak bu iki veri
grubundaki tutarlılık karĢılaĢtırılacaktır.

29
 ġekil 4.1 ÇalıĢma aĢamaları

4.2 HVAC (Ġklimlendirme) Sistemi Elemanları ve Etki Eden Parametreler

Bu çalıĢmada, adaptif bulanık modelinin nasıl kurgulandığı ve kontrolünün nasıl

yapıldığı konularında inceleme yapılmıĢtır. Normal Ģartlarda bir bulanık mantık modeli
oluĢturmak için belirli bir uzmanlık seviyesi ve çok miktarda test iĢlemi gerekmektedir.
Normal bir havalandırma sistemi hava akımı, nem, sıcaklık, soğutucu gücü, temiz/kirli
hava karıĢım damperi açıklığı, sıcak su gibi parametreler içerebilmektedir. Bu kadar çok
değerin bir arada doğru kurallar içerisinde bulanık mantık modelinin tanımlanması
tecrübe ve uzman bilgisi ile çok fazla sayıda test gerektirecektir. Bu sebeple tezde daha
az parametreye sahip bir iklimlendirme sistemi kullanılması düĢünülmüĢtür. Bunun
sonucunda daha az sayıda parametre ile çalıĢan bir bulanık mantık modeli
oluĢturulmuĢtur. Tasarlanan modelde giriĢ değerleri olarak sıcaklık, nem ve hava akımı
alınmıĢ, çıkıĢ değeri olarak ise fan hızı belirlenmiĢtir.

Ġklimlendirme kontrolünde bulanık mantığın kullanılabilmesi için birçok test iĢlemi

gerçekleĢtirilmesi gerekmektedir. Bu, bulanık mantık modelinin iyi sezimleyen ve
doğru karar verebilen bir sistem olması için gereklidir. Ġklimlendirme sisteminde de
sıcaklık, nem ve hava hızı çıktılarına birçok parametre etki etmektedir. ÇalıĢma

30
süresinin sınırlı olması sebebiyle sistemi oluĢtururken tüm kurallar ve çalıĢmalar
usulüne uygun Ģekilde gerçekleĢtirilmiĢ olmakla beraber sonuca ulaĢılabilmesi adına
girdi ve çıktı parametrelerinde de basitleĢtirmeye gidilmiĢtir. Bu sayede az parametre ile
sınırlı sürede iyi çalıĢan bir sistem elde edilebilmiĢtir.

Hava akımı: Hava akımı havanın bir ortamda yer değiĢtirme iĢlemine verilen isimdir.
Hava akımının insanlar üzerinde yarattığı etki ise akım hızına bağlı olarak sıcaklık, nem
gibi faktörlerin vücutla temas süresine göre daha hızlı veya daha yavaĢ
hissedilebilmesidir. Sistemde kullanılan hava akımı parametresi ise iklimlendirme fan
hızının ayarlanacağı ortamda bulunan hava hızının değiĢmesi konusunda kullanılacak
giriĢ parametresidir. Örnek ofis alanında, sıcaklık ve nem değiĢkenlerine etki edecek
olan hava akımı olarak atanmıĢtır. Modelleme iĢlemlerinde hava akımı, deneysel
ölçülmüĢ olan akademik çalıĢmalardan yararlanılarak belirlenmiĢtir.

Sıcaklık: Havalandırma sisteminin ideal fan hızı değerini belirleyebilmesi için

kullanılacak ortam sıcaklık değerine karĢılık gelmektedir. Örnek ofis alanında, hava
akımının farklı değerlerine karĢılık farklı sıcaklık değerleri oluĢmaktadır. Adaptif
bulanık mantık modeli tasarımında, farklı hava akımı ve nem değerlerine karĢılık
verdiği sıcaklık değerleri referans alınmıĢtır. Sonuçlar santigrat derece (0C)
cinsindendir.

Nem: Bu değer havalandırma sistemi çalıĢması sırasında ortam nem durum bilgisi
değeridir. Bulanık mantık modelinde farklı fan hızı değerlerine karĢılık gelen nem
referans değerlerini içermektedir. Örnek ofis alanında hava akımının farklı değerlerine
karĢılık farklı nem değerleri ortaya çıkmaktadır. Adaptif bulanık mantık modeli
tasarımında farklı hava akımı ve sıcaklık değerlerine karĢılık iklimlendirme sistemi
çıkıĢındaki nem oranları referans alınmıĢtır. Sonuçlar yüzde (%) cinsindendir.

Fan Hızı: Ġklimlendirme bulanık modelinde sıcaklık, nem ve hava akımı ortam
değerlerine göre ortaya çıkacak sonuç parametresidir.

31
Modelleme iĢleminde giriĢ ve çıkıĢ parametreleri için deneysel olarak oluĢturulan
verilerden yararlanılmıĢtır.

4.3 Ġklimlendirme Sürecinde Parametrelerinin Belirlenerek Modelin

OluĢturulması Ve Kontrolü

Sistemin giriĢ parametrelerinde, sıcaklık değer aralığı “15-45” 0C, nem yüzdelik oran,
hava akımı ise 0-1 metre/sn olarak alınmıĢtır. Tasarlanan bulanık mantığın geçerliliği ve
doğruluk iĢlemleri, yapılan testler sonucunda elde edilen veriler ile incelenmiĢ sonuçlar
ise grafik ve tablolarla gösterilmiĢtir. Bulanık mantık tasarımında kontrolü sağlayacak
olan bir “Uzman Sistem” oluĢturmak için Matlab programı kullanılmıĢtır.

4.3.1 Bulanık sistem tasarımı

Sıcaklık ve nem sensörlerinden muhtelif zamanlarda yapılan çalıĢmalarda ölçülmüĢ

veriler toplandıktan sonra ASHRAE standartlarına göre olması gereken değerler analiz
edilerek bulanık sistem için üyelik fonksiyonları oluĢturulmuĢtur.

Belirlenen iklimlendirme ortamında alan içi ve dıĢı atmosfer sıcaklıkları, nem oranları,
hava akım hızı gibi enstrümanların birbirleriyle etkileĢimli olarak değiĢebildiği
anlaĢılmıĢtır. Belirli bir periyotta sistemlerin değiĢen davranıĢları ve parametrelerde
meydana gelen değiĢimlerin birbirleriyle olan iliĢkilerinin anlaĢılabilmesi için istatiksel
veriler ıĢığında araĢtırma yapılmıĢtır.

4.4 Bulanık Sistem Yapısının OluĢturulması

Model tasarımında öncelikli olarak hava sıcaklığı, nem ve hava hızı parametreleri
alınarak üyelik fonksiyonları için değer aralıkları oluĢturulmuĢtur. Uzman sistem
oluĢtururken makineye, iklimlendirme ortamının değiĢken parametre davranıĢlarını
öğretebilmek için bu veriler ile doğru modelin oluĢturulması sağlanmıĢtır.

32
Modelleme, Matlab programının Anfis ve Fuzzy Logic Toolbox uygulamaları
kullanılarak gerçekleĢtirilmiĢtir. Tasarım aĢamalarında örnek ofis alanından alınan
sıcaklık ve nem değerleri esas alınmıĢtır. OluĢturulan adaptif bulanık mantık modelinin
çalıĢtırılması sonucu elde edilen veriler deneysel verilerle karĢılaĢtırılmıĢ ve elde edilen
sonuçlar grafik ile tablolarda incelenmiĢtir. Bulanık mantık ile uzman sistem oluĢturmak
için gerekli olan Bulanık Mantık Modeli, Matlab programı ile hazırlanmıĢtır. Bu
çalıĢmada Matlab‟ın Fuzzy Logic Tool Box uygulamaları kullanılarak bulanık mantık
kural tablosu oluĢturulmuĢtur.

Matlab‟da sadece Fuzzy Logic Tool Box kullanılarak kural tabanı ve model
oluĢturulabileceği gibi; otomatik kontrol sisteminin uygulanacağı alandaki
iklimlendirme sistemi davranıĢlarını sergileyen deneysel veriler (ölçümler) mevcut
olduğu zaman MATLAB Anfis programı vasıtasıyla, otomatik olarak modelleme
yapılabilmektedir.

ġekil 4.2 Sıcaklık, nem, hava akımı – fan hızı bulanık modeli

4.5 Ġklimlendirme Tasarım Değerleri

Bu çalıĢmada referans alınan iklim parametreleri Amerikan Isıtma, Soğutma ve

Ġklimlendirme Mühendisleri Birliği (ASHRAE) tarafından oluĢturulan ve dünyaca kabul
görmüĢ parametrelerdir. Bu parametreler ile veri standartları ASHRAE‟ nin en güncel
ısıtma-soğutma yük hesabı için Türkiye koĢullarında uygulanabilir parametrelerden
seçilmiĢtir.

33
4.6 Veriler ile Modelin OluĢturulması

Sıcaklık, nem ve hava akımı giriĢ parametreleri; fan hızı ise çıkıĢ parametresi olarak
belirlenmiĢtir. Öncelikle tablodan alınan veriler ile üyelik fonksiyonları
oluĢturulmuĢtur. Hava akımı- Sıcaklık, Hava akımı-Nem ve Sıcaklık-Nem modelleri
oluĢturularak üyelik fonksiyonları elde edilmiĢtir. Bu modellere göre oluĢturulan üyelik
fonksiyonları sonrasında ise bulanık mantık kural tablosu çıkarılmıĢtır.

4.6.1 Kural tablosu

Ġklimlendirme kontrolüne etki eden parametrelerin birbirleriyle iliĢkisi aĢağıda ki tablo

ile incelenmiĢtir. Bu tablo oluĢturularak hangi parametredeki hangi değiĢikliğin sonuca
nasıl etkisi olacağı belirlenerek sağlıklı bir kural tablosu oluĢturulmuĢtur.

Üyelik fonksiyonları arasında if-then prensiplerine göre aĢağıda detaylı bir kural dizisi
oluĢturulmuĢtur.

Ġf (sicaklik is dusuk) and (nem is dusuk) and (havaakimi is dusuk) then (fanhiz is yavas)

if (sicaklik is orta) and (nem is orta) and (havaakimi is orta) then (fanhiz is orta)

if (sicaklik is yuksek) and (nem is yuksek) and (havaakimi is yuksek) then (fanhiz is
orta)

if (sicaklik is dusuk) and (nem is dusuk) and (havaakimi is orta) then (fanhiz is yavas)

if (sicaklik is dusuk) and (nem is orta) and (havaakimi is dusuk) then (fanhiz is yavas)

if (sicaklik is orta) and (nem is dusuk) and (havaakimi is dusuk) then (fanhiz is orta)

if (sicaklik is dusuk) and (nem is dusuk) and (havaakimi is yuksek) then (fanhiz is
yavas)

if (sicaklik is dusuk) and (nem is yuksek) and (havaakimi is dusuk) then (fanhiz is orta)

if (sicaklik is yuksek) and (nem is dusuk) and (havaakimi is dusuk) then (fanhiz is orta)

if (sicaklik is dusuk) and (nem is orta) and (havaakimi is orta) then (fanhiz is yavas)

34
if (sicaklik is orta) and (nem is orta) and (havaakimi is dusuk) then (fanhiz is orta)

if (sicaklik is orta) and (nem is dusuk) and (havaakimi is orta) then (fanhiz is yavas)

if (sicaklik is dusuk) and (nem is yuksek) and (havaakimi is yuksek) then (fanhiz is orta)

if (sicaklik is yuksek) and (nem is yuksek) and (havaakimi is dusuk) then (fanhiz is
hizli)

if (sicaklik is yuksek) and (nem is dusuk) and (havaakimi is yuksek) then (fanhiz is orta)

if (sicaklik is orta) and (nem is yuksek) and (havaakimi is yuksek) then (fanhiz is orta)

if (sicaklik is yuksek) and (nem is yuksek) and (havaakimi is orta) then (fanhiz is hizli)

if (sicaklik is yuksek) and (nem is orta) and (havaakimi is yuksek) then (fanhiz is orta)

if (sicaklik is dusuk) and (nem is orta) and (havaakimi is yuksek) then (fanhiz is yavas)

if (sicaklik is orta) and (nem is yuksek) and (havaakimi is dusuk) then (fanhiz is orta)

if (sicaklik is yuksek) and (nem is dusuk) and (havaakimi is orta) then (fanhiz is orta)

if (sicaklik is dusuk) and (nem is yuksek) and (havaakimi is orta) then (fanhiz is orta)

if (sicaklik is yuksek) and (nem is orta) and (havaakimi is dusuk) then (fanhiz is hizli)

if (sicaklik is orta) and (nem is dusuk) and (havaakimi is yuksek) then (fanhiz is yavas)

if (sicaklik is orta) and (nem is orta) and (havaakimi is yuksek) then (fanhiz is yavas)

if (sicaklik is orta) and (nem is yuksek) and (havaakimi is orta) then (fanhiz is orta)

if (sicaklik is yuksek) and (nem is orta) and (havaakimi is orta) then (fanhiz is hizli)

4.7 Bulanık Mantık Tabanlı Sistem Modelinin ÇalıĢtırılması

Fuzzy Logic Tool Box yardımıyla oluĢturulan kural tablosu Matlab çalıĢma arayüzüne
kaydedilmiĢ ve sistem bulanık mantık verileri oluĢturulmuĢtur. Deneysel olarak tespit
edilen değerler ile sistem eğitimi için kullanılacak sağlıklı çalıĢan bir model
oluĢturulmuĢtur. Ayrıca bu değerler, deneysel verilerle kabul edilebilir hata toleransı
içerisinde kalarak oluĢturulmuĢtur.

35
4.8 Bulanık Mantık Kurgusu

Bulanık mantık tabanlı iklimlendirme yapısı oluĢturulduktan sonra otomatik kontrollü

iklimlendirme sistemine ihtiyaç olan yerlere entegre edilebilecektir.

ġekil 4.3 Bulanık mantık kurgusu

Sıcaklık, Nem ve Hava Akımı- Fan hızı modellerinde giriĢ parametreleri için
oluĢturulan üyelik fonksiyonları örnekleri aĢağıda yer almaktadır. Üyelik fonksiyonları
gaussmf tipindedir.

ġekil 4.4 Sıcaklık için giriĢ üyelik fonksiyonları model grafiği

36
 ġekil 4.5 Nem için giriĢ üyelik fonksiyonları model grafiği

ġekil 4.6 Hava Akımı için giriĢ üyelik fonksiyonları model grafiği

OluĢturulan üyelik fonksiyonlarının ardından Matlab üzerinde daha önce yapılan

çalıĢmalar ıĢığında oluĢturulan kontrol, test ve dizayn parametreleri simule edilerek
yapılmıĢtır. Daha sonra „„Sıcaklık-Hava Akımı-Fan Hızı‟‟, „„Sıcaklık-Nem-Fan Hızı‟‟
ve „„Nem-Hava Akımı-Fan Hızı‟‟ yüzey modelleri Matlab surface wiewer arayüzü ile
aĢağıdaki gibi oluĢturulmuĢtur.

37
 ġekil 4.7 Mamdani sıcaklık-hava akımı-fan hızı iliĢkili 3 boyutlu sistem simülasyonu

ġekil 4.8 Sugeno sıcaklık-hava akımı--fan hızı iliĢkili 3 boyutlu sistem simülasyonu

38
ġekil 4.9 Mamdani sıcaklık–nem-fan hızı iliĢkili 3 boyutlu sistem simülasyonu

ġekil 4.10 Sugeno sıcaklık–nem-fan hızı iliĢkili 3 boyutlu sistem simülasyonu

39
 ġekil 4.11 Mamdani nem-hava akımı-fan hızı iliĢkili 3 boyutlu sistem simülasyonu

ġekil 4.12 Sugeno nem- hava akımı-fan hızı iliĢkili 3 boyutlu sistem simülasyonu

4.9 Üyelik Fonksiyonları ile Kural ĠliĢkilendirilmesi

GiriĢ ve çıkıĢ parametreleri arasında oluĢturulan kural dizileri sonucu bulanık mantık
sisteminin genel Ģeması belirlenmiĢtir. Bulanık mantık sistem modelinde kullanılan
üyelik fonksiyonları, model grafikleri, kural dizileri Matlab programında

40
oluĢturulmuĢtur. AĢağıdaki grafikte kural dizileri genel Ģemasını görebilirsiniz.
Sistemde 27 kural, 3 giriĢ ve 1 çıkıĢ kullanılmıĢtır.

ġekil 4.13 GiriĢ ve ÇıkıĢ değerlerinin, üyelik fonksiyonlarının kurallar ile bağlantısına
göre iliĢkilendirilmesi

Sistemin kural tablosu belirlendikten sonra sisteme veri setleri yüklenerek makine
öğrenmesi sağlanmıĢtır. Yapay sinir ağlarının paralel hesaplayabilme ve öğrenebilme
kabiliyeti ile bulanık mantığın çıkarım özelliğini kullanan melez bir yapay zekâ yöntemi
olan ANFIS (Adaptif Ağ Tabanlı Bulanık Çıkarım Sistemi) ile makine öğrenme
çalıĢmaları yapılmıĢtır.

41
 ġekil 4.14 ANFIS eğitim sonrası hata azalma durumu

ANFIS ile çalıĢırken veri setinin %80 „i eğitim için kullanıldı. Eğitim „0.01‟ hata değeri
ve 100 iterasyon (Epoch) ile çalıĢtırıldı. Sistemin kural tablosu belirlendikten sonra
sisteme veri setleri yüklenerek makine öğrenmesi sağlanmıĢtır. Eğitim sonrası hata
değeri 5.64‟e kadar düĢmüĢtür. ġekil 4.14‟de yapılan çalıĢma ile grafik gösterilmiĢtir.

ġekil 4.15 ANFIS test verisi sonucu

42
ANFIS ara yüzünde output ekseni fan hızı değer aralığını göstermektedir. Index ekseni
ise test iĢlemine giren verilerin sayısını belirtmektedir. Sisteme girdi olarak tanımlanan
verilerle yapılacak eğitim, test ve kontrol iĢlemleri ve hata tolerans oranlarının
belirtildiği kısımlar index altında yer almaktadır. Sisteme yüklenen veriler mavi ile
gösterilmektedir. Bu verilerin sonuç çıktıları ise kırmızı ile gösterilmektedir.

ġekil 4.16 ANFIS kontrol verisi sonucu

ANFIS eğitim iĢleminden sonra sistemin baĢarısı Ģekil 4.15 - 4.16‟da test ve kontrol veri
setleri üzerinde görülebilir. ġekillerden hata durumlarının yaklaĢık % 5,6 olduğu
görülmektedir. ġekil 4.17‟de ise tüm eğitim verisi üzerinden sistemin test sonucu
gösterilmiĢtir.

43
 ġekil 4.17 ANFIS tüm eğitim verisi ile test sonucu

4.10 ANFIS Eğitim Sonucu Üyelik Fonksiyon DeğiĢimleri

Eğitim sonucunda üyelik fonksiyon değerlerinin sugeno modelinde tanımlı olan

değerlerden farklılaĢtığı görüldü. Sıcaklık ve nem parametresi üzerinde büyük değiĢim
gözlenmez iken hava akım hızı parametresinde farklılık gözlendi.

44
 ġekil 4.18 Sıcaklık üyelik değerleri (Eğitim Öncesi ve Sonrası)

ġekil 4.19 Nem üyelik değerleri (Eğitim Öncesi ve Sonrası)

ġekil 4.20 Hava akımı üyelik değerleri (Eğitim Öncesi ve Sonrası)

4.11 Model Sonuç Çıktılarının Bulunması

Test verileri arasında rastgele seçilen 10 grup(sıcaklık, nem, hava akımı)test verisi
üzerinde Mamdani, Sugeno ve ANFIS modelleri ile yapılan test sonuçları çizelge 4.1‟de

45
gösterilmiĢtir. Modeller arası çok büyük farklılıkların olmadığı görülmekle beraber, en
iyi değer ortalamasının ANFIS modelinde olduğu belirlenmiĢtir. Çizelge 4.1‟deki
değerler modelin olması gereken sonuç değerinden yüzde olarak ne kadar sapmaya
uğradığını göstermektedir.

Çizelge 4.1 Modeller arası karĢılaĢtırma sonucu

Test Verisi Mamdani Sugeno Anfis

0.27 0.27 0.27

1.Test

0.46 1.37 0.46

2.Test

0.64 0.27 0.64

3.Test

0.37 0.37 0.37

4.Test

0.37 0.37 0.37

5.Test

0.28 0.28 0.28

6.Test

0.18 0.18 0.18

7.Test

0.27 0.27 0.27

8.Test

1.09 0.18 0.18

9.Test

0.72 0.72 0.72

10.Test

Bu sonuçlar bulunurken MATLAB fuzzy tool box üzerinde bulunan “Rule Viewer”
dan yararlanılmıĢtır (ġekil 4.21).

46
ġekil 4.21 Modelde tanımlı kurallara göre sonuç çıkarımı

47
5. TARTIġMA

Tez çalıĢmasında amaçlanan hedefler doğrultusunda oluĢturulan Bulanık Mantık

Tabanlı Ġklimlendirme Kontrol sistemi uygulaması, daha önce yapılmıĢ ve kabul
görmüĢ tezlerle karĢılaĢtırıldığında aĢağıdaki bazı sonuçları görebiliriz.

Genellikle iklimlendirme sistemlerinde modelleme ile benzetim tekniklerinin tasarım

maliyetlerini düĢürdüğü ve tasarım kolaylığı sağladığı, buna rağmen iklimlendirme
sistemlerinde ihtiyaç duyulan aĢamada matematiksel formül ile belirlenen modeller
çıkarılırken çok fazla değiĢkenden etkilenen sistem bulunması sebebiyle tasarımın zor
olduğu belirtilmiĢtir. Bu çalıĢmada bahsedildiği Ģekilde fazla değiĢken ve modelleme
zorluğu çekilmemiĢtir. Bunun nedeni tezin olağan iĢ yeri çalıĢma alanındaki referans
değerler ile donanımsal uygulama hedeflenmeksizin bulanık mantık tabanlı matlab
program kullanılarak sonuç simülasyonu vermesi olmuĢtur.

Sousa, iklimlendirme sistemlerini dinamik değerlerin sürekli değiĢtiği sistemler olarak

ele almıĢ ve Bulanık Mantık tabanlı kontrol sistemlerinin uygulanmasının uygun
olduğunu belirtmiĢtir. Teze çıkıĢ amacımız tam da bu bağlamda Sousa ile
örtüĢmektedir. Ofis gibi dinamik giriĢ ve çıkıĢ değerlerinin olduğu birçok parametre
tarafından etkilenen sistem modellerinin doğru sonuç ve model elde edebilmek için
„„Bulanık Mantık‟‟ kullanımı gerçekleĢtirilmiĢtir.

Tıpkı Huang ve Nelson gibi bu tezde de kontrol kurallarının uygun Ģekilde

oluĢturulabilmesi için gerçek bir problem üzerinde inceleme yapılması gerekliliği ön
plana alınmıĢ olup kontrol kuralları, daha önceden yapılan çalıĢmalardan alınan
ölçümler üzerinden yola çıkarak oluĢturulmuĢtur.

Alcala‟ nın uyguladığı genetik algoritma yöntemi bu tezde, yapılan giriĢ parametresi
indirgeme iĢlemleri ile genetik algoritma yerine bulanık mantık kullanılması sebebiyle
deneme imkânı bulunmamıĢtır.

48
Ghiaus, Bulanık Mantık regülasyonu ile PID‟ e gerek duyulmadan iĢ döngüsünün
gerçekleĢtiğinden bahsetmiĢtir. Yine Soygüder ve Wang‟da bir takım normal, bulanık
Mantık tabanlı, hibrit veya kendinden beslemeli PID ile iĢlemler ve karĢılaĢtırmalar
yapmıĢlardır. Bu çalıĢmada sistem uygulama simülasyonu olmadığı için bahsedilen
iĢlemleri tatbik etme imkânı bulunamamıĢtır. Ancak, sistemin optimizasyonu
bağlamında yine de en verimli yöntemin, deneme yanılma ile olacağı kanaatine
varılabilir. Bunun nedeni, kurulan hiçbir sistemin, hiçbir model grubunun baĢka bir
sisteme benzememesi, karakteristiklerinin çok farklı olması ve çalıĢmalarda çok farklı
kontrol sistemlerine ihtiyaç duyulabilmesi sayılabilir.

Öte yandan Clark ve Zaher-Uddin, çalıĢmalarında sistemi oluĢturan alt sistemlerin alt
ekipmanlarının ayrıntılı ve dinamik modellerini elde etmiĢlerdir. Bu çalıĢmada her ne
kadar az sayıda parametre ile iĢlem yapılsa da sistemin parametrelerinin tüm iliĢkilerini
ve ihtimalleri hesapladığı birçok model, diyagram ve fonksiyon elde edilmiĢtir.

Tashtoush, teferruatlı çalıĢmasında ısıtma ve soğutma modellerinin ayrı ayrı

hazırlanması gerektinden bahsetmiĢ ve çalıĢmasına bu Ģekilde yön vermiĢtir. Aynı
zamanda bu çalıĢmayı yaparken ısıtma ve/veya soğutma sisteminin ısı yükü, kapasite
gibi hesaplamaların dâhil edilmesi yerine anlık ısı transferini referans alan bir model
geliĢtirmiĢtir. Bu tez çalıĢmasında da izlenen yöntem buna çok benzerdir. Ġklimlendirme
sisteminin kompresör, fan gibi alt sistemlerinin modelleri kurulurken, gerçekleĢen ısı
transferi için konfor koĢullarındaki değiĢiklik referans alınmıĢ, üyelik fonksiyonları
hazırlanırken ise alt sistemlerin farklı pozisyonlarının sıcaklık ve konfor noktasındaki
izdüĢümleri ile iliĢki kurulmuĢtur.

49
6. SONUÇLAR

Geleneksel iklimlendirme sistemleri genellikle sabit parametreli ve ortam

değiĢkenlerinden az etkilenecek yapıda bulunmaktadır. Bu sebeple kontrol sistemlerinin
verimli çalıĢması genellikle tek değerli (sıcaklık) bir parametreye bağlanmıĢtır.
Buradaki amaç, geleneksel sabit kontrol yapısından uzaklaĢarak etkileĢimli bir kontrolör
yapısı kurabilmektir. Literatürde bu konu da yapılan benzer çalıĢmalar olmakla beraber,
bulanık kontrol yapısı içinde çoklu parametre kullanımının kolay uygulanamaması ve
iyi derecede uzman bilgisi gerektirmesi nedeniyle kısa süre de sonuç almak her zaman
mümkün olmamıĢtır.

Bu çalıĢmada modellemesi zor olan HVAC sistemleri üzerinde bulanık model

oluĢturulmuĢtur. Matlab ile Mamdani, Sugeno ve ANFIS metodları kullanılarak
iklimlendirme kontrol iĢleminin yapılabildiği gösterilmiĢtir. ÇalıĢmada birbirleriyle
etkileĢimli üç farklı iklimlendirme parametresine göre (sıcaklık, nem, hava akımı) en
uygun fan hızı belirlenmeye çalıĢılmıĢtır. Kural dizileri hazırlanırken dünyaca kabul
gören iklimlendirme parametrelerinin belirlendiği ASHRAE veri standartları temel
alınmıĢtır. Bu standartlarda ideal ofis içi sıcaklık değerinin 23° C, nem oranın %55
olması gerektiği belirlenmiĢtir. Hava akımı parametresi ise sistemi daha etkin
kullanabilmek için faydalı olmuĢtur. Sirkülasyon hızı olarak da nitelendirilen hava
akımı kapalı bir ortamda çok önemlidir. Hava akımı hızı ile ortamdaki nesneler
arasındaki yüzeysel temasın artması sebebiyle daha hızlı sıcaklık ve nem gibi
parametrelerin değiĢimi gözlenmektedir. Öte yandan ortamda ki bağıl nem yüzdesi
insan vücudu üzerinde hissedilen sıcaklığı arttırdığı için ısıl konfora etkisi çok
büyüktür.

ÇalıĢmanın önemli farklı ise; giriĢ parametrelerin çoklu değiĢim durumlarına göre
mantıklı sonuçlar üretebiliyor olmasıdır. OluĢturulan model üzerinde test verileri ile
yapılan kontrol süreçlerinde giriĢ parametrelerine göre düĢük hata payıyla da olsa tutarlı
çıkıĢ sonuçlarının elde edildiği görülmüĢtür. Bulanık sistem yapısının
oluĢturulmasından sonra sistem, otomatik kontrol Ģeklinde iklimlendirmeye ihtiyaç
duyulan yerlerde entegre edilebilecektir.

50
KAYNAKLAR

Abduljabar J.S. 2011. Bulanık mantık yöntemleri kullanılarak gazlı içeceklerde

karbondioksit kontrolü. Yüksek lisans tezi, Ankara Üniversitesi, Fen Bilimleri
Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, 69, Ankara.
Akgül N.H., Kavdır Ġ. ve Dayıoğlu M.A. 2006. Bulanık Mantık Yardımıyla Doğal
Havalandırma Yapılan Bir Serada Sıcaklık ve Bağıl Nem Kontrolünün
Modellenmesi, Tarım Makinaları Bilim Dergisi, 2(1), 57-63.
Akyılmaz, O. 2005. “Esnek Hesaplama Yöntemlerinin Jeodezide Uygulamaları”,
Doktora tezi, Fen Bilimleri Enstitüsü, Ġ.T.Ü., Ġstanbul.
Alcalá, R., Benítez J.M., Casillas, J., Cordón O. and Pérez R. 2003. Fuzzy control of
HVAC systems optimized by genetic algorithms, Applied Intelligence, 18, 155–
177.
AltaĢ Ġ.H. 1999. Bulanık Mantık: Bulanıklık Kavramı, 3e (Enerji, Elektrik,
Elektromekanik) Dergisi, Sayı 62, Temmuz sayısı, Sayfalar 80-85.
Amrahov S.E. and Askerzade I.N. 2010. Fuzzy Optimization of Multivariable Fuzzy
Functions, CMES-Computer Modeling in Engineering and Sciences 70, 1-9.
Arima M., Hara E.H. and Katzberg J.D. 1995. A fuzzy Logic and Rough Sets Controller
for HVAC Systems. Proceedings of the IEEE WESCANEX'95-1, Sayfalar:
133-138, New York.
Askerzade I.N. and Mahmood M. 2010. Control the extension time of traffic light in
single junction by using fuzzy logic Int. J. of Electrical & Comp. Sci. IJECS–
IJENS,10(2) Sayfalar: 48-55.
Askerzade, I.N. and Mahmood, M, 2011. International Journal of Research and
Reviews in Applied Sciences 6 (2), 196-202.
Clark D.R., Hurley C.W. and Hill C.R. 1985. Dynamic models for HVAC system
components. ASHRAE Transactions, 91 (1), 737–51.
Gedik F.A. 2011. ĠletiĢim Ağ Problemlerinin Çözümünde Neuro-Fuzzy YaklaĢımı.
Yüksek lisans tezi, Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar
Mühendisliği Anabilim Dalı, 69, Ankara.
Ghiaus C. 2001. Fuzzy model and control of a fan-coil, Energy Build. 33, 545– 551.
Heine K. 2001. “Potential applications of fuzzy methods in geodetic fields, In: Carosio
A. and Kutterer H (eds.)”, First International Symposium on Robust Statistics
and Fuzzy Techniques in Geodesy and GIS, Zurich, Switzerland, 12-16 March,
7-12, 87-94.].
Huang S. and Nelson R.M. 1994. Rule development and adjustment strategies of a
fuzzy logic controller for an HVAC system: Part two experiment. ASHRAE
Transaction, 100 (1), 851–856.
Mathews, E.H., Botha, C.P., Arndt D.C. and Malan A. 2001. HVAC control strategies
to enhance comfort and minimise energy usage, Energy and Buildings,(853-
863).

51
Mendes N., Oliveira G.H.C., Araújo H.X. and Coelho L.S. 2003. A Matlab-based
simulation tool for building thermal performance analysis, Eighth International
IBPSA Conference, Eindhoven, Netherlands, August 11-14.
Özalp A.E. 2016. Gıda Kalitesi Kontrolünde Bulanık Mantık Yöntemlerinin
Uygulanması. Yüksek lisans tezi, Ankara Üniversitesi, Fen Bilimleri Enstitüsü,
Bilgisayar Mühendisliği Anabilim Dalı, Ankara.
Özek A. ve Sinecen M. 2004. Klima Sistem Kontrolünün Bulanık Mantıkla
Modellemesi, Journal of Engineering Sciences 10 (3) Sayfalar: 353-358.
Rahmati A., Rashidi F. and Rashidi M. 2003. A Hybrid Fuzzy Logic and PID Controller
for Control of Nonlinear HVAC systems, Proceedings of the IEEE International
Conference on Systems, Man and Cybernetics, Washington, DC USA, , Sayfa:
2249-2254.
Shaharon M.N. and Jalaludin J. 2012. Thermal Comfort Assessment-A Study Toward
Workers‟ Satisfaction in a Low Energy Office Building, American Journal of
Applied Sciences 9 (7): 1037-1045.
Sousa, J.M. Babuska R. and Verbruggen H. B. 1997. Fuzzy predictive control applied
to an air-conditioning system. Control Engineering Practice, 5 (10), 1395-1406.
Soyguder S. Karakose M. and Alli H. 2008. Design and simulation of selftuning PID-
type fuzzy adaptive control for an expert HVAC system. Expert Systems with
Applications, Article in Press, doi: 10.1016/j.eswa.2008.05.031.
ġengirgin, M. 2003. Isıtma, Havalandırma ve Klima Sistemlerinde Denetimin Dünü ve
Bugünü, Türk Tesisat Mühendisleri Dergisi, Sayı 23, sayfa 21- 28.
Tashtoush, B., Molhim M. and Al-Rousan M. 2005. Dynamic model of an HVAC
system for control analysis. Energy, 30, 1729-1745.
Wang, J., An, D. and Lou, C. 2006. Application of Fuzzy-PID Controller in Heating
Ventilating and Air-Conditioning System Ventilating and Air-Conditioning
System, Proceedings of the 2006 IEEE International Conference on
Mechatronics and Automation, Luoyang, China, June 25-28.
Zaheer-Uddein M. and Zheng GR. 1994. A dynamic model of A multizone VAV
system for control analysis. ASHRAE Transactions, 100 (1), 219-28.
Ziasabounchi, N. and Askerzade, I. 2014. Int. J. of Electrical & Comp. Sci. IJECS–
IJENS, 14(2) 7-12.

52
 ÖZGEÇMĠġ

Adı Soyadı :Ecehan KANSU ATEġ

Doğum Yeri :Kayseri
Doğum Tarihi :16.07.1989
Medeni Hali :Evli
Yabancı Dili :Ġngilizce

Eğitim Durumu (Kurum ve Yıl)

Lise : Nuh Mehmet Baldöktü Anadolu Lisesi (2007)
Lisans : Beykent Üniversitesi Mühendislik Fakültesi Yazılım Mühendisliği (2012)

ÇalıĢtığı Kurum/Kurumlar ve Yıl

Microsoft P. BMTECH Teknolojileri/ 2012-2013
TC Enerji ve Tabii Kaynaklar Bakanlığı Eüas Gm/2014-2015
Enerji Piyasaları ĠĢletme A.ġ / 2015-Halen

Yayınları
Askerzade, I. N. and Kansu AteĢ, E. 2018. Fuzzy Logıc Based Control Of Hvac
Systems For Offıce Areas , II. International Conference on Theoretical and Applied
Computer Science and Engineering.,29-30 June , page:34-35 Istanbul, Turkey

53