Çok modlu motor telemetrisi ve özellik yorumlanabilirliğini kullanarak modern araçların CO2 emisyonları için otomatik karar verme çerçevesi

Daha temiz otomobil tahminlerinin önemi

Otomobiller ve kamyonlar iklimi ısıtan karbondioksitin en büyük kaynaklarından biridir; buna karşın sahada herhangi bir aracın tam olarak ne kadar emisyon üreteceğini söylemek şaşırtıcı derecede zordur. Bu çalışma, büyük miktarda gerçek araç verisinden öğrenerek bu emisyonları çok daha doğru tahmin etmenin yeni bir yolunu sunuyor. Daha iyi tahmin araçları kent plancılarının daha temiz ulaşım sistemleri tasarlamasına, otomobil üreticilerinin daha düşük karbonlu araçlar geliştirmesine ve hükümetlerin günlük sürüşte egzozdan çıkanlarla gerçekten uyumlu politikalar oluşturmasına yardımcı olabilir.

Gerçek otomobillerin içini incelemek

Araştırmacılar, Yedi yılı kapsayan ve yedi binden fazla aracı içeren Kanada Hükümeti kaynaklı zengin bir veri kümesiyle başladılar. Her araç için motor hacmi, silindir sayısı, yakıt türü ve şanzıman gibi temel özelliklerin yanı sıra şehir içi, otoyol ve karışık sürüşteki yakıt tüketimleri ile kilometre başına düşen karbondioksit miktarı bulunuyordu. İstatistiksel araçlarla ilk olarak hangi özelliklerin gerçekten önemli olduğunu ayırdılar. Bir aracın karışık sürüşte ne kadar yakıt tükettiği ve bununla ilişkili yakıt verimliliği ölçütlerinin emisyonları açıklamada açık ara en güçlü ipuçları olduğunu buldular. Ardından motor hacmi ve şehir içi yakıt tüketimi gelirken, otoyol yakıt tüketimi ve silindir sayısı nispeten daha az ek bilgi sağlıyordu.

Motor sinyallerini okuyan dijital bir beyin eğitmek

Bu ipuçlarını kesin tahminlere dönüştürmek için ekip, çok katmanlı algılayıcı (multi-layer perceptron) adı verilen bir yapay sinir ağı türü kullandı. Bu, birçok iç bağlantıyı ayarlayarak desenleri öğrenen esnek bir matematiksel “beyindir”. Ancak bu beynin en iyi yapısını—katman sayısı, her katmandaki birim sayısı ve öğrenme hızı gibi—seçmek deneme-yanılma süreci olabilir. Ortalama çözümlere takılabilen standart yerel arama yöntemlerine güvenmek yerine, yazarlar çöl yaşayan boynuzlu kertenkeleler ve dev porsuğun (armadillo benzeri) adını anımsatan iki doğadan esinlenmiş arama stratejisine başvurdular. Bu yöntemler, tıpkı hayvanların besin arama yollarını keşfetmesi ve geliştirmesi gibi birçok aday ağ tasarımını aynı anda keşfederek daha iyi performansa doğru iter.

Daha keskin tahminler için doğadan ilham alan ayarlama

İki hayvandan esinlenen arama yöntemi farklı roller oynar. Porsuğa dayalı yaklaşım başlangıçta geniş çapta dolaşır, olası ağ ayarları manzarasını tararken; kertenkele tabanlı yöntemse umut vaat eden adayları cilalamak için yakınlaştırır. Sinir ağını ayarlamak için kullanıldıklarında, her iki strateji de geleneksel kurulumlara ve güçlendirilmiş ağaçlar, rastgele ormanlar ve destek vektör makineleri gibi diğer popüler makine öğrenimi araçlarına göre performansı iyileştirdi. Öne çıkan model, üç katmanlı bir sinir ağını porsuğa benzeyen optimizatörle birleştiriyordu. Bu model, ölçülen emisyonlarla o kadar yakından eşleşti ki varyasyonlarının neredeyse tamamını açıkladı ve yalnızca küçük bir ortalama hataya sahipti—ciddi planlama ve politika kullanımı için uygun bir doğruluk seviyesiydi.

Modelin kara kutusunu açmak

Yüksek doğruluk tek başına, karar vericiler sayıları neyin sürüklediğini göremiyorsa yeterli değildir. Sistemi şeffaf tutmak için araştırmacılar, tahminleri yukarı veya aşağı iten girdileri izleyen modern açıklama tekniklerini modelleriyle eşleştirdiler. İki tamamlayıcı araç, birleşik yakıt kullanımı, şehir içi yakıt kullanımı, motor hacmi ve yakıt türü gibi her özelliğin nihai emisyon tahminini nasıl şekillendirdiğini vurguladı. Bu analizler, birleşik yakıt kullanımı ve motor hacminin tablonun büyük kısmını domine ettiğini ve modelin açıklayıcı gücünün yarısından fazlasını birlikte oluşturduğunu doğruladı; ayrıca bu değerler arttıkça emisyonların doğrusal olmayan biçimlerde nasıl yükseldiğini ortaya koydu. Daha büyük ve daha çok yakıt tüketen motorların daha fazla emisyon ürettiği gibi temel fiziksel beklentilerle uyumlu olmak, açıklamaların modelin önerilerine güven kazandırmasına yardımcı oldu.

Daha akıllı tahminlerden daha yeşil sokaklara

Basitçe söylemek gerekirse, bu çalışma ayrıntılı motor ve yakıt kullanımı verilerini dikkatle ayarlanmış bir dijital beyne beslemenin araçların ne kadar karbondioksit yayacağını çok doğru bir şekilde öngörebileceğini gösteriyor. En güçlü mesaj basit: günlük karışık sürüşte daha fazla yakıt yakan, özellikle de daha büyük motorlu araçlar başlıca suçlular. Model hem güçlü hem de yorumlanabilir olduğundan, daha temiz araçlar tasarlama, filoları yönetme ve düşük karbonlu ulaşım ağları planlama konularında karar desteği sağlayabilir. Benzer araçlar gerçek zamanlı veri ve fiziksel mühendislik kurallarıyla genişletildikçe, dünya yollarından kaynaklanan iklim kirleticilerini azaltmaya yönelik olgusal çabaların omurgası haline gelebilirler.

Atıf: Saraswat, S.K., Abdullah, M., Habelalmateen, M.I. et al. An automated decision making framework for modern vehicles CO₂ emissions using multi modal engine telemetry and feature interpretability. Sci Rep 16, 12570 (2026). https://doi.org/10.1038/s41598-026-42137-3

Anahtar kelimeler: araç CO2 emisyonları, makine öğrenimi modelleri, motor telemetrisi, ulaşımın karbondan arındırılması, akıllı ulaşım sistemleri