SavedAdd your journal

Journals / Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi / 2021 / Cilt: 13 - Sayı: 2

Comparison of Properties by Applying ANFIS, ANN and Taguchi Approaches to Al Matrix Composites

Al Matrisli Kompozitlere ANFIS, ANN ve Taguchi Yaklaşımları Uygulanarak Özelliklerin Karşılaştırılması

Engin ERGÜL
Halil KURT
Pages
406–416
Publication Date
2021-06-18
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)

Besides, the relative density of composites with Al2O3 and SiC was examined using Taguchi method and the results were compared.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Metal matrix composites are widely used in various fields such as aerospace, defense industry, automobiles and other important structural applications.
📊
Key Findings & Data:Al2O3, SiC, TiC, MgO, CNT and B4C are widely used as reinforcing elements in aluminum matrix composites.
💡
Conclusion & Impact:Besides, the relative density of composites with Al2O3 and SiC was examined using Taguchi method and the results were compared.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Alüminyum matris kompozit · SiC · Al2O3

Abstract

Metal matrix composites are widely used in various fields such as aerospace, defense industry, automobiles and other important structural applications. Aluminum and its alloys have been increasingly used in the industry thanks to their lightness, strength and easy formability. Al2O3, SiC, TiC, MgO, CNT and B4C are widely used as reinforcing elements in aluminum matrix composites. In this study, mathematical and finite element modeling was used to examine the mechanical properties of Al-based metal matrix composites. Based on the pressure, sintering temperature and sintering time, the relative densities were successfully analyzed using the adaptive neuro-fuzzy extraction system (ANFIS) method and the artificial neural networks (ANN) method. The porosity content of aluminum-magnesium matrix composites produced by powder metallurgy method and reinforced with SiC were investigated using the ANFIS method. In the ANFIS approach, four input parameters, weight% SiC ratio, used pressure (MPa), sintering temperature (C), sintering time (min) and one output parameter porosity (%) ratio were used. Correlation coefficients and statistical error rates of the analyzed dataset were found to be good. The relative density values of Al-Mg-Al2O3 composites produced by powder metallurgy method were examined by ANN method. It can be said that the estimation rate of the system is 81% and that it is within acceptable limits. Besides, the relative density of composites with Al2O3 and SiC was examined using Taguchi method and the results were compared.

Özet

Metal matris kompozitler havacılık, savunma sanayii, otomobiller ve diğer önemli yapısal uygulamalar gibi çeşitli alanlarda yaygın olarak kullanılmaktadır. Alüminyum ve alaşımları hafifliği yanı sıra sağlamlığı ve kolay şekillendirilebilme özellikleri sayesinde endüstride giderek artan kullanım alanına sahip olmuştur. Alüminyum matrisli kompozitlerde takviye elamanı olarak Al2O3, SiC, TiC, MgO, CNT ve B4C yaygın olarak kullanılır. Bu alışmada, Al-bazlı metal matris kompozitlerin mekanik özelliklerini incelemek için matematiksel ve sonlu eleman modellemesi kullanılmıştır. Basınç, sinterleme sıcaklığı ve sinterleme süresine bağlı kalarak porozite içeriği uyarlanabilir nöro-bulanık çıkarım sistemi (ANFIS) yöntemi kullanılarak relatif yoğunluklar ise yapay sinir ağları (ANN) yöntemi ile başarılı bir şekilde analiz edilmiştir. Toz metalürjisi yöntemiyle üretilen ve SiC ile güçlendirilmiş alüminyum-magnezyum matrisli kompozitlerin porozite içeriği ANFIS yöntemi kullanılarak incelenmiştir. ANFIS yaklaşımında, dört giriş parametresi, ağırlıkça %SiC oranını, kullanılan basıncı (MPa), sinterleme sıcaklığını (⁰C), sinterleme zamanını (dk) ve bir çıkış parametresi porozite (%) oranını kullanılmıştır. Analizlerin korelasyon katsayılarının ve istatiksel hata oranlarının iyi olduğu görülmüştür. Toz metalürjisi yöntemiyle üretilen Al-Mg-Al2O3 kompozitlerin relatif yoğunluk değerleri ANN yöntemiyle incelenmiştir. Sistemin tahmin oranın %81olduğu ve kabul edilebilir sınırlar içerisinde olduğu söylenebilir. Ayrıca, Taguchi yaklaşımı ile her iki güçlendirici içeren kompozitlerin relatif yoğunluklar analiz edilmiştir ve sonuçlar karşılaştırılmıştır.

🔖

Cite This Article

ERGÜL, E., KURT, H. (2021). Comparison of Properties by Applying ANFIS, ANN and Taguchi Approaches to Al Matrix Composites. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, Cilt: 13 - Sayı: 2, 406–416. https://ajindex.com/articles/889218

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (7)

  1. Al-Ghamdi, Khalid, and Osman Taylan. (2015). “A Comparative Study on Modelling Material Removal Rate by ANFIS and Polynomial Methods in Electrical Discharge Machining Process.” Computers & Industrial Engineering,, 79, 27–41. doi: https://doi.org/10.1016/j.cie.2014.10.023.
  2. Ateş, Serkan, and Emel Kızılok. (2011). “Basınçlı İnfiltrasyon İle Üretilen SiC/Al2014 Kompozitlerin Özelliklerine İnfiltrasyon Sıcaklığının Etkisinin Tek Yönlü Varyans Analizi İle İncelenmesi.” Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 3(1), 50–54.
  3. Azmi, A. I. (2015). “Monitoring of Tool Wear Using Measured Machining Forces and Neuro-Fuzzy Modelling Approaches during Machining of GFRP Composites.” Advances in Engineering Software, 82, 53–64. doi: https://doi.org/10.1016/j.advengsoft.2014.12.010.
  4. Baksan, Bedri, İbrahim Çelikyürek, and Yusuf Kılıç. (2020). “Effect of Secondary Agıng of EN AC 43200 Alumınum Alloy to Mechanıcal Propertıes.” The International Journal of Materials and Engineering Technology, 3(1), 16–20.
  5. Başyiğit, Aziz Barış. (2020). “Investigating the Mechanical and Microstructural Properties of Aluminium Based Alloy Wheel Rims after TIG Welding.” Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi, 12(2), 388–95. doi: 10.29137/umagd.686466. Fazilat, H., M. Ghatarband, S. Mazinani, Z. A. Asadi, M. E. Shiri, and M. R. Kalaee. (2012). “Predicting the Mechanical Properties of Glass Fiber Reinforced Polymers via Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System.” Computational Materials Science, 58, 31–37. doi: https://doi.org/10.1016/j.commatsci.2012.01.012.
  6. Gosavi, Swapnil V, and M. D. Jaybhaye. (2020). “Microstructural Studies on Aluminium Metal Matrix Composite (Al7075-SiC) Fabricated through Stir Casting Process.” Materials Today: Proceedings, doi: 10.1016/j.matpr.2020.05.094. Hekimoğlu, Ali Paşa, and Murat Hacıosmanoğlu. (2019). “Effect of Copper and Magnesium Additions on the Structural, Mechanical and Tribological Properties of the Al-17Si Alloy.” Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi, 11(2), 685–94. doi: 10.29137/umagd.546562. Jajarmi, E., S. A. Sajjadi, and J. Mohebbi. (2019). “Predicting the Relative Density and Hardness of 3YPSZ/316L Composites Using Adaptive Neuro-Fuzzy Inference System and Support Vector Regression Models.” Measurement, 145, 472–79. doi: https://doi.org/10.1016/j.measurement.2019.05.108.
  7. Jalham, Issam S. (2005). “A Comparative Study of Some Network Approaches to Predict the Effect of the Rein