SavedAdd your journal

Journals / El-Cezeri / 2020 / Cilt: 7 - Sayı: 3

Toz Enjeksiyon Kalıplamada 316 L Besleme Stokunun Çekme Yüzdesinin Yapay Sinir Ağları İle Tahmin Edilmesi

Mehmet SUBAŞI
Oguz YILMAZ
Kamran SAMET
Asghar SAFARİAN
Çetin KARATAŞ
Journal
El-Cezeri
Pages
1063–1073
Publication Date
2020-09-30
DOI
—
🏛️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)

Çalışma sonucunda 316 L besleme stoku için regresyon analizi yapılarak çekme yüzdesi değeri için matematiksel formül çıkartılmıştır ve toz enjeksiyon kalıplama prosesinde sinterleme yapmadan besleme stokunun toz yüzdesi, toz dağılımı ve d50 oranı ile çekme yüzdesinin hesaplanabileceği sonucuna varılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Toz enjeksiyon kalıplama, bazı engelleri aşmak için (geometrik tasarım, çok adımlı üretim süreci vb.) kullanılabilecek bir üretim yöntemidir.
📊
Key Findings & Data:Çekme, sinterleme esnasındaki mikroskopik değişim hızlarının incelenmesi için önemli bir değerdir.
💡
Conclusion & Impact:Çalışma sonucunda 316 L besleme stoku için regresyon analizi yapılarak çekme yüzdesi değeri için matematiksel formül çıkartılmıştır ve toz enjeksiyon kalıplama prosesinde sinterleme yapmadan besleme stokunun toz yüzdesi, toz dağılımı ve d50 oranı ile çekme yüzdesinin hesaplanabileceği sonucuna varılmıştır.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Yapay sinir ağı · Toz enjeksiyon kalıplama · Çekme oranı

Özet

Toz enjeksiyon kalıplama, bazı engelleri aşmak için (geometrik tasarım, çok adımlı üretim süreci vb.) kullanılabilecek bir üretim yöntemidir. Toz enjeksiyon kalıplamada çekme, doğrusal boyutlarda küçülme olarak tanımlanır. Sinterlemenin ölçümü genelde doğrusal boyuttaki değişimler ile gerçekleşir. Boyutsal değişim, parça boyutundaki değişikliğin başlangıç ham parça boyutuna bölünmesidir. Çekme, sinterleme esnasındaki mikroskopik değişim hızlarının incelenmesi için önemli bir değerdir. Bu çalışmada, 316 L besleme stokunun toz yüzdesi, toz dağılımı (Sw), besleme stokunun d50 çapı ve sinterleme hızı parametrelerine bağlı olarak sinterleme işlemi sonrasındaki parçada oluşacak çekme oranı yüzdesi tespit edilmiştir. Çekme oranı yüzdesi hesaplaması için Matlab programı kullanılmıştır. 316 L besleme stoku için deneysel çekme yüzdeleri, yapay sinir ağı kullanılarak elde edilen sonuçlar ile karşılaştırılmıştır. Çalışma sonucunda 316 L besleme stoku için regresyon analizi yapılarak çekme yüzdesi değeri için matematiksel formül çıkartılmıştır ve toz enjeksiyon kalıplama prosesinde sinterleme yapmadan besleme stokunun toz yüzdesi, toz dağılımı ve d50 oranı ile çekme yüzdesinin hesaplanabileceği sonucuna varılmıştır.

🔖

Cite This Article

SUBAŞI, M., YILMAZ, O., SAMET, K., SAFARİAN, A., KARATAŞ, Ç. (2020). Toz Enjeksiyon Kalıplamada 316 L Besleme Stokunun Çekme Yüzdesinin Yapay Sinir Ağları İle Tahmin Edilmesi. El-Cezeri, Cilt: 7 - Sayı: 3, 1063–1073. https://ajindex.com/articles/252335

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Karataş Ç., Sarıtaş S., "Powder Injection Molding: A High Technology Manufacturing Process", Journal of Faculty of Engineering and Architecture of Gazi University, 1998,13 (2): 193
  2. Heaney D.F., "Handbook of Metal Injection Molding", Elsevier, (2012)
  3. German R.M., Bose A., "Injection Molding of Metals and Ceramics", Metal Powder Industries Federation, (1997)
  4. Sotomayor M., Várez A., Levenfeld B., " Influence of Powder Particle Size Distribution on Rheological Properties of 316L Powder Injection Moulding Feedstocks", Powder Technology, 2010, 20 (1): 30-36
  5. German R.M., "Powder Metallurgy Particule Materials Processing", Metal Powder Industries Federation, New Jersey, (2007)
  6. Safarian A., Karataş Ç., "Diffusion Welding of Thick Components Fabricated by Inserted Powder Injection Molding", Materials Testing, 2014, 56 (10): 842-846
  7. Luo T., Qu X., Qin M., Ouyang M., "Dimension Precision of Metal Injection Molded Pure Tungsten", International Journal of Refractory Metals and Hard Materials, 2009, 27 (3): 615-620
  8. Kong X., Barriere T., Gelin J., "Determination of Critical and Optimal Powder Loadings for 316L Fine Stainless Steel Feedstocks for Micro-Powder Injection Molding", Journal of Materials Processing Technology, 2012, 212 (11): 2173-2182
  9. Shongwe M., Ramakokovhu M., Diouf S., Durowoju M., Obadele B., Sule R., Lethabane M., Olubambi P., "Effect of Starting Powder Particle Size and Heating Rate on Spark Plasma Sintering of Fe Ni Alloys", Journal of Alloys and Compounds, 2016, 678: 241-248
  10. Yeh T.S., Sacks M.D., "Effect of Particle Size Distribution on The Sintering of Alumina", Journal of the American Ceramic Society, 1988, 71 (12): 484-487
  11. Reed R.D., Marks R.J., "Neural Smithing: Supervised Learning in Feedforward Artificial Neural Networks", Mit Press, (1998)
  12. Ramana K., Anita T., Mandal S., Kaliappan S., Shaikh H., Sivaprasad P., Dayal R., Khatak H., "Effect of Different Environmental Parameters on Pitting Behavior of AISI Type 316L Stainless Steel: Experimental Studies and Neural Network Modeling", Materials & Design, 2009, 30 (9): 3770-3775
  13. Kara F., Aslantaş K., Çiçek A., "Prediction of Cutting Temperature in Orthogonal Machining of AISI 316L Using Artificial Neural Network", Applied Soft Computing, 2016, 38: 64-74
  14. Karataş Ç., Sözen A., Arcaklioglu E., Erguney S., "Investigation of Mouldability for Feedstocks Used Powder Injection Moulding", Materials & Design, 2008, 29 (9): 1713-1724
  15. Cochocki A., U