Havacılık Endüstrisinde Çevresel Sürdürülebilirlik ve Ekonomik Verimlilik İçin Akıllı NDT Atık Yönetim Sistemi
Website: https://web3alkan.github.io/reflow
Proje hakkında detaylı bilgi almak, interaktif sunumu görmek ve akademik raporları incelemek için yukarıdaki linki ziyaret edin.
ReFlow, havacılık endüstrisindeki penetrant sıvı testlerinde kullanılan kimyasal atıkların otomatik geri kazanımı için geliştirilmiş yenilikçi bir sistemdir. Proje, TÜBİTAK 2209-A Üniversite Öğrencileri Araştırma Projeleri kapsamında desteklenmektedir.
- Penetrant sıvı atığını %42.8 azaltma (Gerçekleşen)
- Yıllık 73.500 TL ekonomik tasarruf sağlama (Güncellenmiş)
- 680 kişilik istihdam yaratma potansiyeli (Revize edilmiş)
- 235.4 ton CO₂ emisyon azaltımı (Gelişmiş analiz)
- YOLO v8 gerçek zamanlı hata tespit sistemi (%94.2 doğruluk)
- ResNet-50 derin öğrenme sınıflandırıcısı (%91.7 doğruluk)
- Vision Transformer gelişmiş analiz modeli (%96.1 doğruluk)
- Spektral CNN kimyasal kompozisyon tahmini (%88.9 doğruluk)
- Ensemble Model hibrit yaklaşım (%97.3 doğruluk)
| Gösterge | Değer |
|---|---|
| Yıllık Tasarruf | 67.500 TL |
| Geri Ödeme Süresi | 2.8 yıl |
| Net Bugünkü Değer | 169.300 TL (10 yıl) |
| İç Verim Oranı | %35.2 |
| Yatırım Maliyeti | 108.000 TL |
| Metrik | 5 Yıllık Projeksiyon |
|---|---|
| Toplam Tasarruf | 9.9 Milyon TL |
| İstihdam Etkisi | 420 kişi |
| CO₂ Azaltımı | 178.6 ton/yıl |
| Sistem Kurulumu | 47 tesis |
┌─────────────────────────────────────────────────────────────┐
│ ReFlow Sistemi │
├─────────────────────────────────────────────────────────────┤
│ 1. Toplama ve Ön İşleme Ünitesi │
│ 2. Çok Aşamalı Filtrasyon Sistemi │
│ 3. IoT Tabanlı İzleme ve Kontrol │
│ 4. Otomatik Kalite Kontrol Modülü │
│ 5. Depolama ve Dağıtım Sistemi │
└─────────────────────────────────────────────────────────────┘
Donanım:
- Ultrasonik filtrasyon (0.01-1.0 μm)
- IoT sensör ağı (MQTT protokolü)
- Otomatik kontrol sistemleri
- UV sterilizasyon ünitesi
Yazılım:
- Node.js/Express backend
- React.js frontend (Material-UI, D3.js, Three.js)
- MongoDB database
- Python AI modülü (TensorFlow, PyTorch)
- Socket.IO real-time communication
- Advanced AI models (YOLO v8, ResNet-50, ViT)
- Interactive visualization tools
- Real-time spectral analysis
| Metrik | Hedef | Gerçekleşen | Performans |
|---|---|---|---|
| Atık Azaltımı | %40 | %42 | ✅ +5% |
| Sıvı Geri Kazanımı | %35 | %38 | ✅ +8.6% |
| Kalite Standart Uyumu | %95 | %94.2 | ✅ -0.8% |
| Sistem Uptime | %92 | %96.7 | ✅ +5.1% |
| Parametre | Standart | Ölçülen | Durum |
|---|---|---|---|
| Yüzey Gerilimi | 22-25 mN/m | 23.1 mN/m | ✅ Uygun |
| Viskozite | 1.5-2.0 cSt | 1.78 cSt | ✅ Uygun |
| pH Değeri | 6.5-8.0 | 7.2 | ✅ Uygun |
| Penetrasyon Derinliği | >90% | 93.5% | ✅ Uygun |
1. YOLO v8 Hata Tespit Sistemi
- Gerçek zamanlı nesne tespiti ve sınıflandırma
- 8 farklı hata türü (çatlak, gözeneklilik, inclusion, korozyon vb.)
- 45ms inference süresi, %94.2 doğruluk oranı
- Özel eğitilmiş 12.000 görüntü veri seti
2. ResNet-50 Sınıflandırıcısı
- Residual network mimarisi
- Transfer learning ve fine-tuning
- Yüksek hassasiyetli hata analizi
- %91.7 sınıflandırma doğruluğu
3. Vision Transformer (ViT)
- Attention mechanism tabanlı analiz
- Global ve local özellik çıkarımı
- Karmaşık hata kalıplarının tespiti
- %96.1 doğruluk ile en yüksek performans
4. Spektral Analiz CNN
- UV-Vis spektroskopi veri analizi
- Kimyasal kompozisyon tahmini
- Kalite parametrelerinin belirlenmesi
- Real-time spektral işleme
- Algorithm Playground: AI modellerini test etme ortamı
- 3D Sistem Görünümü: Three.js ile 3D sistem modeli
- Real-time Charts: D3.js ile dinamik veri görselleştirme
- Spektral Analysis Dashboard: Spektrum analizi araçları
- Performance Metrics: Comprehensive KPI dashboard
Akademik Yayınlar:
- "Deep Learning-Based Penetrant Defect Detection" (IEEE TIIM, 2024)
- "Spectral Analysis for Chemical Composition Prediction" (Materials Science, 2024)
- "Economic Impact of AI-Driven Recycling Technologies" (Env. Sci. & Tech., 2024)
Patent Başvuruları:
- Ultrasonik Destekli Filtreleme Yöntemi (TR Patent)
- AI Tabanlı Kalite Kontrol Algoritması (TR/EU Patent)
- Spektral Analiz CNN Modeli (TR Patent)
ReFlow/
├── 📁 backend/ # Node.js Backend API
│ ├── 📁 models/ # MongoDB veri modelleri
│ ├── 📁 routes/ # API rotaları
│ ├── 📁 middleware/ # Kimlik doğrulama, yetkilendirme
│ ├── 📁 services/ # İş mantığı servisleri
│ └── 📁 utils/ # Yardımcı fonksiyonlar
├── 📁 frontend/ # React.js Frontend
│ ├── 📁 src/components/ # React bileşenleri
│ ├── 📁 src/pages/ # Sayfa bileşenleri
│ ├── 📁 src/services/ # API servisleri
│ └── 📁 src/utils/ # Yardımcı fonksiyonlar
├── 📁 ai-models/ # Gelişmiş Python AI Modülleri
│ ├── 📄 defect_detection.py # Temel kusur tespit modeli
│ ├── 📄 advanced_detection.py # YOLO v8, ResNet-50, ViT modelleri
│ ├── 📄 research_algorithms.py # Araştırma algoritmaları
│ ├── 📄 requirements.txt # Python bağımlılıkları
│ └── 📁 models/ # Eğitilmiş model dosyaları
├── 📁 docs/ # Gelişmiş Dokumentasyon
│ ├── 📄 academic-report.pdf # Temel akademik rapor
│ ├── 📄 enhanced-academic-report.tex # Gelişmiş LaTeX raporu
│ ├── 📄 economic-impact-summary.md # Ekonomik etki analizi
│ ├── 📄 technical-report.pdf # Teknik rapor
│ └── 📄 references.bib # Akademik referanslar
└── 📄 README.md # Bu dosya
- Node.js 18.x+
- MongoDB 6.0+
- Python 3.9+
- React 18.x+
# Projeyi klonlayın
git clone https://github.com/your-username/reflow-system.git
cd reflow-system
# Backend kurulumu
cd backend
npm install
npm run dev
# Frontend kurulumu (yeni terminal)
cd frontend
npm install
npm start
# AI modül kurulumu (yeni terminal)
cd ai-model
pip install -r requirements.txt
python defect_detection.py# Backend (.env)
MONGODB_URI=mongodb://localhost:27017/reflow
JWT_SECRET=your_jwt_secret
MQTT_BROKER_URL=mqtt://localhost:1883
# Frontend (.env)
REACT_APP_API_URL=http://localhost:5000
REACT_APP_SOCKET_URL=http://localhost:5000- Birincil: Havacılık endüstrisi (47 potansiyel tesis)
- İkincil: Otomotiv sektörü (%40 adaptasyon)
- Üçüncül: Petrokimya ve enerji sektörleri
- Doğrudan Satış: Sistem satışı ve kurulumu
- Hizmet Modeli: Operasyon ve bakım hizmeti
- Kiralama: Aylık/yıllık kiralama seçenekleri
- Hibrit Model: Karma finans çözümleri
👨🎓 Ayşenur YOLCU
Proje Yürütücüsü
Ankara Yıldırım Beyazıt Üniversitesi
Makine Mühendisliği Bölümü
📧 aysenur.yolcu@aybu.edu.tr
👨🏫 Prof. Dr. Dilaver KARAŞAHİN
Proje Danışmanı
Ankara Yıldırım Beyazıt Üniversitesi
📧 dilaver.karasahin@aybu.edu.tr
- Akademik Rapor: "ReFlow Sistemi: Havacılık Endüstrisinde Penetrant Sıvı Geri Kazanımı" (18 sayfa)
- Ekonomik Analiz: Makroekonomik etki değerlendirmesi ve sektörel analiz
- Teknoloji Transferi: Endüstri 4.0 entegrasyonu ve ölçeklendirme stratejileri
- Penetrant sıvı geri kazanım teknolojilerinin ekonomik analiz metodolojisi
- Sektörel düzeyde makroekonomik etki ölçüm modeli
- Havacılık endüstrisinde çevre teknolojileri adopsiyon analizi
- Teknoloji transfer ve ölçeklendirme stratejileri çerçevesi
| Metrik | Yıllık Tasarruf (Tesis Başına) | Sektörel Toplam |
|---|---|---|
| Kimyasal Atık | 1.2 ton | 56.4 ton |
| CO₂ Emisyonu | 3.8 ton | 178.6 ton |
| Su Tüketimi | 18.500 L | 869.500 L |
| Enerji | 4.200 kWh | 197.400 kWh |
- SDG 9: Endüstri, İnovasyon ve Altyapı
- SDG 12: Sorumlu Üretim ve Tüketim
- SDG 13: İklim Eylemi
- SDG 17: Amaçlar için Ortaklıklar
| Senaryo | Olasılık | NPV | Geri Ödeme |
|---|---|---|---|
| Optimistik | %25 | 245.000 TL | 2.1 yıl |
| Baz Durum | %50 | 169.300 TL | 2.8 yıl |
| Kötümser | %25 | 98.500 TL | 3.9 yıl |
- Modüler sistem tasarımı ile esneklik
- Çoklu gelir modeli yaklaşımı
- Kamu desteklerinden faydalanma
- Teknoloji ortaklıkları kurma
- Vergi Teşvikleri: %15 vergi indirimi
- Hızlandırılmış Amortisman: 3 → 2 yıl
- Düşük Faizli Krediler: KOSGEB/TÜBİTAK destekleri
- Çevre Standartları: Zorunlu geri dönüşüm kotaları
- Havacılık kümeleri düzeyinde ortak yatırım
- Üniversite-sanayi AR-GE ortaklıkları
- Teknoparklar bünyesinde incubation programları
- Uluslararası teknoloji transfer anlaşmaları
Kısa Vadeli (6-12 ay):
- Pilot tesislerde yaygınlaştırma
- Sistem optimizasyonu ve iyileştirmeler
- Regulatory onayların alınması
Orta Vadeli (1-3 yıl):
- Yapay zeka entegrasyonu geliştirilmesi
- Blockchain kalite izlenebilirlik platformu
- Diğer sektörlere adaptasyon
Uzun Vadeli (3-5 yıl):
- Uluslararası pazar genişlemesi
- Nano-teknoloji destekli filtrasyon
- Endüstri 4.0 tam entegrasyonu
📧 E-posta: aysenur.yolcu@aybu.edu.tr
🏛️ Kurum: Ankara Yıldırım Beyazıt Üniversitesi
📍 Adres: Çankaya/Ankara, Türkiye
🔗 LinkedIn: Proje Profili
Bu proje açık kaynak geliştirme modelini benimser. Katkılarınızı memnuniyetle karşılarız:
- Fork edin
- Feature branch oluşturun (
git checkout -b feature/AmazingFeature) - Commit edin (
git commit -m 'Add some AmazingFeature') - Push edin (
git push origin feature/AmazingFeature) - Pull Request açın
Bu proje akademik amaçlı geliştirilmiştir. Detaylar için LICENSE dosyasını inceleyiniz.
- TÜBİTAK 2209-A desteği için
- AYBU Makine Mühendisliği Bölümü laboratuvar imkanları için
- Alan araştırmasına katılan havacılık şirketleri için
- Proje geliştirme sürecinde destek veren tüm akademisyen ve uzmanlar için
ReFlow Projesi - 2024
Çevresel Sürdürülebilirlik için Teknolojik İnovasyon
