KaydedilenlerDerginizi ekleyin

Dergiler / Bartın Orman Fakültesi Dergisi / 2018 / Cilt: 20 - Sayı: 2

Yapay Sinir Ağları ve Derin Öğrenme Algoritmaları Kullanarak Nanokompozitlerde Deformasyonun Tahmin Edilmesi

Estimation of Deformation in Nanocomposites Using Artificial Neural Networks and Deep Learning Algorithms

Eser SÖZEN
Timuçin BARDAK
Deniz AYDEMİR
Selahattin BARDAK
Sayfa
223–231
Yayın Tarihi
2018-08-16
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Nanokompozitlerin üretiminin veri madenciliği algoritmaları ile simule edildiği yeni çalışmalara ihtiyaç vardır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Nanoteknoloji birçok endüstri için devrim niteliğindedir.
📊
Temel Bulgular & Veri:Bu çalışmada, derin öğrenme ve yapay sinir ağları algoritmaları farklı nanokompozitlerin çekme testleri sırasında deformasyonunu tahmin etmek için kullanılmıştır.
💡
Sonuç & Katkı:Nanokompozitlerin üretiminin veri madenciliği algoritmaları ile simule edildiği yeni çalışmalara ihtiyaç vardır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Nanotechnology · Deep Learning · Artificial Neural Networks

Özet

Nanoteknoloji birçok endüstri için devrim niteliğindedir. Ülkelerin bilimsel ve ekonomik olarak yaptığı yatırımlar, nanoteknolojinin önemini ortaya koymaktadır. Bilim dünyasında veri madenciliği önemli bir yere sahiptir. Teknolojinin birçok alanında veri biliminden faydalanılmaktadır. Nanokompozitlerin kullanım yerini mekanik özellikler genellikle belirler. Geleneksel testler ile mekanik özellikleri belirlemek pahalı ve zaman alıcıdır. Veri madenciliği teknikleri bu problemlere daha düşük maliyetler ile çözümler sunabilmektedir. Bu çalışmada, derin öğrenme ve yapay sinir ağları algoritmaları farklı nanokompozitlerin çekme testleri sırasında deformasyonunu tahmin etmek için kullanılmıştır. Çalışma nanokompozit uygulamalarında veri madenciliği algoritmalarının başarılı bir şekilde uygulanabileceği gösterilmiştir. Aynı zamanda derin öğrenme algoritmalarının, yapay sinir algoritmalarından daha başarılı olduğu belirlenmiştir. Nanoteknoloji alanında veri madenciliğinin uygulandığı bilimsel çalışmalar çok sınırlı sayıdadır. Nanokompozitlerin üretiminin veri madenciliği algoritmaları ile simule edildiği yeni çalışmalara ihtiyaç vardır.

Abstract

Nanotechnology is revolutionary for many industries. The investments that countries make scientifically and economically reveal the significance of nanotechnology. In the world of science, data mining has an important place. Data science is used in many areas of technology. The mechanical properties usually determine where the nanocomposites are use. Determining mechanical properties with conventional tests is expensive and time consuming. Data mining techniques can provide solutions to these problems with lower costs. In this study, deep learning and artificial neural network algorithms were used to predict the deformation of different nanocomposites during tensile tests. The study showed that data mining algorithms could be successfully applied to nanocomposite applications. At the same time, it was determined that deep learning algorithms are more successful than artificial neural algorithms. The scientific work of data mining in nanotechnology is very limited. New studies are needed to simulate the production of nanocomposites with data mining algorithms.

🔖

Bu Makaleye Atıf Yap

SÖZEN, E., BARDAK, T., AYDEMİR, D., BARDAK, S. (2018). Yapay Sinir Ağları ve Derin Öğrenme Algoritmaları Kullanarak Nanokompozitlerde Deformasyonun Tahmin Edilmesi. Bartın Orman Fakültesi Dergisi, Cilt: 20 - Sayı: 2, 223–231. https://ajindex.com/articles/114341

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Wuppertal EW. (1981). Die Textilen Rohstoffe (Natur und Chemiefasern), Dr. Spohr-Verlag/Deutscher Fachverlag, Frankfurt. Wang Y, Mao H, Yi Z. (2017). Protein secondary structure prediction by using deep learning method. Knowledge-Based Systems, 118, 115-123.
  2. Vande Velde K, Keikens P. (2001). Thermoplastic Polymers; Overview of Several Properties and Their Consequences in Flax Fiber Reinforced Composites, Polymer Testing., 20(8), 885-893. URL-2: http://docs.rapidminer.com/studio/operators/modeling/predictive/neural_nets/neural_net.html Erişim Tarihi:24.07.2018 URL-1: https://medium.com/diaryofawannapreneur/deep-learning-for-computer-vision-for-the-averageperson-861661d8aa61 Erişim Tarihi:28.07.2018
  3. Tiryaki S, Bardak S, Bardak T. (2015). Experimental investigation and prediction of bonding strength of Oriental beech (Fagus orientalis Lipsky) bonded with polyvinyl acetate adhesive. Journal of Adhesion Science and Technology, 29(23), 2521-2536. Terzi S, (2006). Modelling the pavement present serviceability index of flexible highway pavements using data mining. J. Appl. Sci., 6(1), 193–197.
  4. Terzi Ö, Küçüksille EU, Ergin G, İlker A. (2001). Veri madenciliği süreci kullanılarak güneş ışınımı tahmini. SDU International Technologic Science, 3(2), 29-37.
  5. Sözen E, Bardak T, Peker H, Bardak S. (2017). Apriori Algoritması Kullanılarak Mobilya Seçimde Etkili Olan Faktörlerin Analizi. İleri Teknoloji Bilimleri Dergisi, 6(3), 679-684.
  6. Söylemez İ, Doğan A, Özcan U. (2016). Trafik Kazalarında Birliktelik Kuralı Analizi: Ankara İli Örneği. Ege Academic Review, 16. Rudolph S. (2000). Boron Nitride (BN), American Ceramic Society Bulletin, 79(6), 2000
  7. Rende FŞ, Bütün G, Karahan Ş. (2016). Derin Öğrenme Algoritmalarında Model Testleri: Derin Testler. 10. Ulusal yazılım Mühendisliği Sempozyumu,24-26 Ekim, pp:54-59,
  8. Çanakkale. Pramanick PK, Dickson B. (1997). Thermoplastic composite from recycled plastic and wood flours,” In: Proceedings of the annual technical conference of the society of plastic engineers (ANTEC), Toronto, pp: 3136–3140.
  9. Özel C, Topsakal A. (2014). Veri Madenciliği Kullanarak Beton Basınç Dayanımının Belirlenmesi. Cumhuriyet Science Journal, 35(1), 1-11.
  10. Mengeloğlu F, Karakuş K. (2008). Polymer-Composites from Recyled High Density Polyethylene and Waste Lignocellulosic Materials, Fresenius Environmental Bulletin, 17(2), 211-217.
  11. Matuana LM, Heiden PA. (2004). Wood Composites, in: Encyclopedia of Polymer Science and Technology, J. I.Kroschwitz, Ed., John Wiley &