Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightSonuçlar, rastgele orman algoritmasının diğer algoritmalara kıyasla daha iyi bir performans sergilediğini göstermektedir.
📌 3 Maddede Bu Makale
Özet
Otomotiv endüstrisinde artan konfor beklentileriyle birlikte akustik performans kritik bir odak noktası haline gelmiştir. Bu doğrultuda akustik beklentilere uygun malzemeler sunan, hızlı ve doğru bir şekilde ölçüm yapabilen tedarikçiler sektörde ön plana çıkmaktadır. Bu çalışmada, ses yalıtımı amacıyla kullanılan keçe malzemelerinin ses yutum katsayısını tahmin etmek için üç farklı makine öğrenmesi algoritmasının (doğrusal regresyon, rastgele orman, k-en yakın komşu) performansı karşılaştırılmıştır. Çalışma kapsamında hazır bir veri seti kullanılmamış olup, tüm veriler epoksi keçe malzeme ile hazırlanan numuneler üzerinden gerçekleştirilen akustik performans ölçümlerinden elde edilmiştir. Model performansları ise eğitim ve test veri setlerinden elde edilen çeşitli performans metrikleri ile değerlendirilmiştir. Sonuçlar, rastgele orman algoritmasının diğer algoritmalara kıyasla daha iyi bir performans sergilediğini göstermektedir. Sonuç olarak, bu çalışma, makine öğrenmesi tekniklerinin akustik performansı hızlı ve doğru bir şekilde tahmin etme potansiyelini vurgulamaktadır. Empedans tüpü testi, alfa kabin testi gibi ampirik yöntemler ve analitik yöntemlerle karşılaştırıldığında, makine öğrenmesi temelli tahmin modellerinin zaman, iş gücü ve maliyet açısından sağladığı avantajlar, bu teknolojinin endüstriyel süreçlerdeki önemini daha belirgin hale getirmektedir.
Abstract
The automotive industry has an increasing focus on comfort expectations, with acoustic performance becoming a critical focus point. In this regard, suppliers offering materials that meet acoustic expectations and can facilitate rapid and precise measurements are becoming increasingly prominent in the sector. The present study aims to contribute to this emerging field by comparing the performance of three distinct machine learning algorithms – linear regression, random forest, k-nearest neighbour– in predicting the sound absorption coefficient of felt materials employed for sound insulation. It is important to note that the study did not utilise any pre-existing data sets; all data were obtained from acoustic performance measurements performed on samples prepared with epoxy felt material. The performance of each model was evaluated using a range of performance metrics derived from both the training and test data sets. The findings of this study demonstrate that the random forest algorithm exhibits superior performance compared to the other algorithms. The study thus demonstrates the potential of machine learning techniques to predict acoustic performance quickly and accurately. Compared to conventional methods such as impedance tube testing, alpha cabinet testing, and analytical methods, the machine learning-based prediction models demonstrate significant advantages in terms of reduced time, labour, and cost, thereby underscoring the significance of this technology in industrial processes.