SavedAdd your journal

Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 34 - Sayı: 2

St37 Çeliğinin Tornalanmasında Yüzey Pürüzlülüğünün Destek Vektör Regresyonu Kullanılarak Tahmini

Osman ALTAY
Turan GÜRGENÇ
Pages
743–750
Publication Date
2022-09-30
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)

Gauss çekirdek fonksiyonuna sahip DVR’nin tornalama ile St37 çeliğinden parçalar üreten endüstrilerde kullanılmasıyla zaman, malzeme ve maliyet kayıplarının azaltılabileceği beklenmektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:St37 çeliği birçok yapısal elemanda sıklıkla tercih edilen bir malzemedir.
📊
Key Findings & Data:Düşük yüzey pürüzlülük değerine sahip parçalar yorulma, aşınma ve korozyon açısından tercih sebebidir.
💡
Conclusion & Impact:Gauss çekirdek fonksiyonuna sahip DVR’nin tornalama ile St37 çeliğinden parçalar üreten endüstrilerde kullanılmasıyla zaman, malzeme ve maliyet kayıplarının azaltılabileceği beklenmektedir.
🔬Design:Modeling & Simulation
📍Scope:72 adet
⚙️Variables:Destek vektör regresyon · Çekirdek fonksiyonları · Makine öğrenmesi

Özet

St37 çeliği birçok yapısal elemanda sıklıkla tercih edilen bir malzemedir. Düşük yüzey pürüzlülük değerine sahip parçalar yorulma, aşınma ve korozyon açısından tercih sebebidir. Yüzey pürüzlülüklerinin deneysel olarak belirlenmesi zaman alıcı ve maliyetli olduğundan makine öğrenmesi yöntemleri ile yüzey pürüzlülükleri tahmin edilerek bu durumlar elemine edilebilir. Bu çalışmada, St37 çeliği CNC torna tezgâhında farklı parametrelerde işlenmiştir. Deneysel numunelerin yüzey pürüzlülükleri (Ra, µm) farklı işlem parametreleri için ayrı ayrı profilometre ile ölçülmüş ve 72 adet veri elde edilmiştir. Elde edilen deneysel değerler destek vektör regresyon (DVR) kullanılarak modellenmiştir. DVR iki farklı çekirdek fonksiyon kullanarak modellenmiştir. Bunlar lineer ve Gauss çekirdek fonksiyonlarıdır. Modellerde giriş parametreleri olarak iki farklı koşul (kuru ve ıslak durum), iş mili hızı (dev/dak) ve ilerleme hızı (mm/dev) kullanılmıştır. Çıkış parametresi ise yüzey pürüzlülüğüdür (Ra, µm) Tasarlanan modellerin sonucunda Gauss çekirdek fonksiyonunun kullanıldığı DVR’nin daha iyi performans gösterdiği görülmüştür. Bu modelde R-kare değeri 0.8876 olarak elde edilirken lineer fonksiyona sahip DVR’de 0.7231 olarak elde edilmiştir. Gauss çekirdek fonksiyonuna sahip DVR’nin tornalama ile St37 çeliğinden parçalar üreten endüstrilerde kullanılmasıyla zaman, malzeme ve maliyet kayıplarının azaltılabileceği beklenmektedir.

🔖

Cite This Article

ALTAY, O., GÜRGENÇ, T. (2022). St37 Çeliğinin Tornalanmasında Yüzey Pürüzlülüğünün Destek Vektör Regresyonu Kullanılarak Tahmini. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 34 - Sayı: 2, 743–750. https://ajindex.com/articles/666208

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Solomon M M, Gerengi H, Kaya T, Kaya E, Umoren S A. Synergistic inhibition of St37 steel corrosion in 15% H2SO4 solution by chitosan and iodide ion additives. Cellulose 2017; 24(2): 931-950
  2. Khalilpourazary S, Kashtiban P, Payam N. Optimizing turning operation of St37 steel using grey relational analysis. J. Comput. Appl. Res. Mech. Eng. 2014; 3(2): 135-144
  3. Singh D, Rao P V. A surface roughness prediction model for hard turning process. Int. J. Adv. Manuf. Technol. 2007; 32(11): 1115-1124
  4. Asiltürk I, Çunkaş M. Modeling and prediction of surface roughness in turning operations using artificial neural network and multiple regression method. Expert Syst. Appl. 2011; 38(5): 5826-5832
  5. Wang X, Feng C. Development of empirical models for surface roughness prediction in finish turning. Int. J. Adv. Manuf. Technol. 2002; 20(5): 348-356
  6. Barzani M M, Zalnezhad E, Sarhan A A, Farahany S, Ramesh S. Fuzzy logic based model for predicting surface roughness of machined Al–Si–Cu–Fe die casting alloy using different additives-turning. Measurement 2015; 61: 150-161
  7. Khorasani A, Yazdi M R S. Development of a dynamic surface roughness monitoring system based on artificial neural networks (ANN) in milling operation. Int. J. Adv. Manuf. Technol. 2017; 93(1): 141-151
  8. Garg A, Mago V. Role of machine learning in medical research: A survey. Comput. Sci. Rev. 2021; 40: 100370
  9. Altay O, Ulas M, Alyamac K E. DCS-ELM: a novel method for extreme learning machine for regression problems and a new approach for the SFRSCC. PeerJ Comput. Sci. 2021; 7: e411
  10. Okcu M, Fırat M, Varol Y, Altun Ş, Kamışlı F, Atila O. Combustion of high carbon (C7-C8) alcohol fuels in a reactivity controlled compression ignition (RCCI) engine as low reactivity fuels and ANN approach to predict RCCI emissions. Fuel 2022; 319: 123735
  11. Altay E V, Gurgenc E, Altay O, Dikici A. Hybrid artificial neural network based on a metaheuristic optimization algorithm for the prediction of reservoir temperature using hydrogeochemical data of different geothermal areas in Anatolia (Turkey). Geothermics 2022; 104: 102476
  12. Xia C, Pan Z, Polden J, Li H, Xu Y, Chen S. Modelling and prediction of surface roughness in wire arc additive manufacturing using machine learning. J. Intell. Manuf. 2022; 33(5): 1467-1482
  13. Ramesh P, Mani K. Prediction of surface roughness using machine learning approach for abrasive waterjet milling of alumina ceramic. Int. J. Adv. Manuf. Technol. 2022