AI Summary & Key Takeaways
AI InsightThe use of MLA in this area will largely end the uncertainty in the trial and error production and reduce the rate of unsuccessful production.
📌 3 Key Takeaways
Abstract
Recently, there has been an increasing interest in the use of artificial intelligence techniques in different fields. In this work is aimed to use different machine learning algorithms (MLA) to predict the elongation at break from the mechanical properties of cable sheath materials in halogen-free flame retardant (HFFR) cables. In order to be used in the developed prediction models, tensile test was applied to the samples and the percent elongation values were determined. Obtained experimental results were used in different artificial intelligence prediction models. Absolute percentage errors of support vector machine (SVM) and artificial neural network (ANN) methods were obtained at a quite acceptable level with a limited number of data obtained from HFFR cable samples. The estimations obtained by these methods were compared with the data of the estimations obtained by performing regression analysis with the MS Excel program. According to the statistical results, with the use of SVM and ANN in this area, the successful prediction rate was 87.5%, and the average success rate for the predictions made was 92%. The use of MLA in this area will largely end the uncertainty in the trial and error production and reduce the rate of unsuccessful production.
Özet
Son zamanlarda yapay zekâ (YZ) tekniklerinin farklı alanlarda kullanımı ile ilgili artan bir ilgi vardır. Bu çalışmada, halojen içermeyen alev geciktiricili (HFFR) kablolarda, kablo kılıf malzemelerinin mekanik özelliklerinden olan kopma uzamasının tahmin edilmesinde farklı makine öğrenmesi algoritmalarının (MÖA) kullanımı amaçlanmıştır. Geliştirilen tahmin modellerinde kullanılmak amacı ile numunelere çekme deneyi uygulanmış, yüzde uzama değerleri tespit edilmiştir. Elde edilen deney sonuçları farklı yapay zekâ tahmin modellerinde kullanılmıştır. HFFR kablo numunelerinden elde edilen sınırlı sayıda veri ile destek vektör makinası (DVM), yapay sinir ağları (YSA) yöntemlerinin mutlak yüzdesel hataları oldukça kabul edilebilir seviyede elde edilmiştir. Bu metotlar ile elde edilen tahminler, ek olarak MS Excel programı ile regresyon analizi yapılarak elde edilen tahminlerin verileri ile karşılaştırılmıştır. Elde edilen istatiksel sonuçlara göre, bu alanda DVM ve YSA’nın kullanımı ile başarılı tahmin oranı %87.5, gerçekleştirilen tahminler için başarı oranı ortalama %92 elde edilmiştir. Bu alanda MÖA’nın kullanılması, deneme yanılma yöntemi ile yapılan üretimlerde oluşan belirsizliği büyük oranda sonlandıracak ve başarısız üretim oranını azaltacaktır.