SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 29 Sayı: 1

Yapay Sinir Ağları İle Al/Sic Kompozit Malzemenin Yüzey Pürüzlülüğünün Tahmini

İsmail Şahin
Pages
—
Publication Date
2014-03-28
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Deneysel çalışmaların zorluğu, analitik ifadelerin karmaşıklığı bir çok çalışmada olduğu gibi, YSA kullanımının avantajı kullanılarak kesme parametrelerine bağlı olarak yüzey pürüzlülüğünün tahmini bu çalışmada da YSA’nın kullanılabilirliğini göstermiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada Al/SiC kompozit malzemenin yüzey pürüzlülüğü kesme parametrelerine bağlı olarak yapay sinir ağları yaklaşımı kullanılarak yüksek doğrulukta tahmin edilmiştir.
📊
Key Findings & Data:Al/SiC kompozit malzemenin TiCN+TiN kaplamalı cementide carbide kesici takımla işlenmesi sonucu deneysel olarak elde edilen yüzey pürüzlülüğü değerleri ileri beslemeli geriye yayılımlı 9 farklı YSA modelde eğitilmiştir.
💡
Conclusion & Impact:Deneysel çalışmaların zorluğu, analitik ifadelerin karmaşıklığı bir çok çalışmada olduğu gibi, YSA kullanımının avantajı kullanılarak kesme parametrelerine bağlı olarak yüzey pürüzlülüğünün tahmini bu çalışmada da YSA’nın kullanılabilirliğini göstermiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yüzey pürüzlülüğü · yapay sinir ağları · kompozit malzeme

Özet

Bu çalışmada Al/SiC kompozit malzemenin yüzey pürüzlülüğü kesme parametrelerine bağlı olarak yapay sinir ağları yaklaşımı kullanılarak yüksek doğrulukta tahmin edilmiştir. Al/SiC kompozit malzemenin TiCN+TiN kaplamalı cementide carbide kesici takımla işlenmesi sonucu deneysel olarak elde edilen yüzey pürüzlülüğü değerleri ileri beslemeli geriye yayılımlı 9 farklı YSA modelde eğitilmiştir. YSA modellerinin ağ yapılarındaki nöron sayıları: 3-5-6-1, 3-6-4-1, 3-6-6-1, 3-4-3-5-1, 3-4-5-3-1, 3-6-2-3-1, 3-7-1, 3-8-1 ve 3-9-1'dir. YSA’nın eğitimi ve testi sonrası elde edilen değerler YSA modellerde yaygın olarak kullanılan istatistiksel analizlere tabi tutularak incelenmiştir. Deneysel çalışmaların zorluğu, analitik ifadelerin karmaşıklığı bir çok çalışmada olduğu gibi, YSA kullanımının avantajı kullanılarak kesme parametrelerine bağlı olarak yüzey pürüzlülüğünün tahmini bu çalışmada da YSA’nın kullanılabilirliğini göstermiştir.

🔖

Cite This Article

Şahin, İ. (2014). Yapay Sinir Ağları İle Al/Sic Kompozit Malzemenin Yüzey Pürüzlülüğünün Tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 29 Sayı: 1. https://doi.org/10.17341/gummfd.82690

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (124)

  1. Karayel, D., “Prediction and control of surface
  2. roughness in CNC lathe using artificial neural
  3. network”, Journal of Materials Processing
  4. Technology, 209, 7, 3125–3137, 2009.
  5. Neşeli, S., Yaldız S. ve Turkes, E., “Optimization
  6. of tool geometry parameters for turning
  7. operations based on the response surface
  8. methodology”, Measurement, 44, 3 580-587,
  9. Davim, J.P., Gaitonde, V. N. ve Karnik, S. R.,
  10. “Investigation into the effect of cutting conditions
  11. on surface roughness in turning of free machining
  12. steel by ANN models”, Journal of Material
  13. Processing Technology, 205, 16-23, 2008.
  14. Nalbant, M., Gokkaya, H. ve Sur, G.,
  15. “Application of Taguchi method in the
  16. optimization of cutting parameters for surface
  17. roughness in turning”, Materials & Design, 28,, 1379–1385, 2007.
  18. Neşeli, S., Taşdemir Ş. ve Yaldız, S., “Prediction
  19. of surface roughness on turning with Artificıal
  20. Neural Network”, Journal of Engineering and
  21. Architecture Faculty of Eskişehir Osmangazi
  22. University, XXII, 3, 65-75, 2009.
  23. Kohli, A., Dixit, U.S., “A neural-network-based
  24. methodology for the prediction of surface
  25. roughness in a turning process”, Int. J. Adv.
  26. Manuf. Technol, 25, 118–129, 2005.
  27. Bernardos, P.G., Vosniakos, G.C., “Predicting
  28. surface roughness in machining: a review”, International Journal of Machine Tools &
  29. Manufacture 43, 8, 833–844, 2003.
  30. Petropoulos, G.P., Vaxevanidis, N. M.,
  31. Pandazaras, C.N. ve Antoniadis, A.A.,
  32. “Multiparameter identification and control of
  33. turned surface textures”, Int. J. Adv. Manuf.
  34. Technol., 29, 1-2, 118-128, 2006.
  35. Oktem, H., Erzurumlu T., Erzincanlı F.,
  36. “Prediction of minumum surface roughness in
  37. end milling mold part using neural network and
  38. genetic algorithm” Materials and Design, 27,
  39. 744, 2006.
  40. Vishal S. S., Suresh D., Rakesh S. ve Sharma, S.
  41. K., “Estimation of cutting forces and surface
  42. roughness for hard turning using neural
  43. Networks”, J. Intell Manuf,19, 473–483, 2008.
  44. Sanjay, C., Jyothi, C. ve Chin, W., “A study of
  45. surface roughness in drilling using mathematical
  46. analysis and Neural Networks”, Int. Adv. Man.
  47. Tec., 30, 9, 846-852, 2006.
  48. Zain A.M., Haron. H. ve Sharif, S., “Prediction of
  49. surface roughness in the end milling machining
  50. using artificial neural network”, Robotics and
  51. computer integrated manufacturing, 19, 189-, 2006.
  52. Taşdemir, Ş., Neşeli S., Sarıtaş İ. ve Yaldız S.,
  53. “Prediction of surface roughness using artificial
  54. neural network in Lathe”, CompSysTech’08,
  55. Gabrovo, Bulgaria, 2008.
  56. Nalbant, M., Gökkaya, H., Toktaş, İ., Sur, G.,
  57. “The experimental investigation of the effects of
  58. uncoated, PVD- and CVD-coated cemented
  59. carbide inserts and cutting parameters on surface
  60. roughness in CNC turning and its prediction
  61. using artificial neural networks”, Robotics and
  62. Computer-Integrated Manufacturing, 25, 1,
  63. 223, 2009.
  64. Abeesh, B. C., Dabade, U. A., Joshi, S. S.,
  65. Bhanuprasad, V. V., & Gadre, V. M. “Modeling
  66. of surface roughness in precision machining of
  67. metal matrix composites using ANN”, Journal
  68. of Material Processing Technology, 197, 439–, 2008.
  69. Asiltürk İ., Cunkaş, M., “Modelling and
  70. Prediction of surface roughness in turning
  71. operations using artificial neural network and
  72. multiple regression method”, Expert system
  73. with Application, 38, 5826-5832, 2011.
  74. Feng C-X, Wang X-F, “Surface roughness
  75. prediction modelling: neural networks versus
  76. regression”, IIE Trans., 35, 1, 11–27, 2003.
  77. Turgut, Y., Çinici, H., Şahin, İ. ve Fındık, T.,
  78. “Study of cutting force and surface roughness in
  79. milling of Al/Sic metal matrix composites”,
  80. Scientific Research and Essays, 6, 10, 2056-, 2011.
  81. Ozdemir, V., “ Determination of Turkey's
  82. carbonizatıon index based on basic energy
  83. indicators by Artifıcial Neural Networks,
  84. Journal of The Faculty of Engineering and
  85. Architecture of Gazi University, 26, 1, 9-15,
  86. Eker, A. M., Dikmen, M., Cambazoğlu, S.,
  87. Düzgün, Ş.H.S.B., "Application of artificial
  88. neural network and logistic regression methods to
  89. landslide susceptibility mapping and comparison
  90. of the results for the Ulus district, Bartın",
  91. Architecture of Gazi University, 27, 1, 163-, 2012
  92. Kalogirou, S. A., “Artificial intelligence for the
  93. modeling and control”, Progress in Energy and
  94. Combustion Science, 29, 515–566, 2003.
  95. Fındık, T., Taşdemir, Ş. ve Şahin, İ., “The use of
  96. artificial neural network for prediction of grain
  97. size of 17-4 pH stainless steel powders”,
  98. Scientific Research and Essays, 5, 11, 1274-, 2010.
  99. Aşkın, D., İskender, İ. ve Mamizadeh, A., "Dry
  100. type transformer winding thermal analysis using
  101. different neural network methods", Journal of
  102. The Faculty of Engineering and Architecture
  103. of Gazi University, 26, 4, 905-913, 2011.
  104. Karataş, Ç., Sozen, A. ve Dulek, E., “Modelling
  105. of residual stresses in the shot peened material C-
  106. by artificial neural network”, Expert
  107. Systems with Applications, 36, 2, 3514–3521,
  108. Menlik, T., Özdemir, M.B. vr Kirmaci, V.,
  109. “Determination of freze – drying behaviors of
  110. apples by artificial neural network”, Expert
  111. system with application, 37, 7669-7677, 2010.
  112. Sozen, A., Future projection of the energy
  113. dependency of Turkey using artificial neural
  114. network, Energy Policy, 37, 4827-4833, 2009.
  115. Sözen, A., Arcaklıoğlu, E., Menlik, T., Özalp,
  116. M., “Determination of thermodynamic properties
  117. of an alternative refrigerant (R407c) using
  118. artificial neural network”, Expert Systems with
  119. Applications, 36, 3, 4346–4356, 2009.
  120. Lewis,. C.D., Industrial and Business
  121. Forecasting Methods., Butterworths Publishing,
  122. London, 1982.
  123. Sanjay, C., Jyothi, C. ve Chin, W., “A study of
  124. Scientific Research and Essays, 5, 11, 1274-