KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2014 / Cilt: 29 - Sayı: 1

Yapay Sinir Ağları İle Al/Sic Kompozit Malzemenin Yüzey Pürüzlülüğünün Tahmini

İsmail ŞAHİN
Sayfa
0
Yayın Tarihi
2014-03-28
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)

Deneysel çalışmaların zorluğu, analitik ifadelerin karmaşıklığı bir çok çalışmada olduğu gibi, YSA kullanımının avantajı kullanılarak kesme parametrelerine bağlı olarak yüzey pürüzlülüğünün tahmini bu çalışmada da YSA’nın kullanılabilirliğini göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada Al/SiC kompozit malzemenin yüzey pürüzlülüğü kesme parametrelerine bağlı olarak yapay sinir ağları yaklaşımı kullanılarak yüksek doğrulukta tahmin edilmiştir.
📊
Temel Bulgular & Veri:Al/SiC kompozit malzemenin TiCN+TiN kaplamalı cementide carbide kesici takımla işlenmesi sonucu deneysel olarak elde edilen yüzey pürüzlülüğü değerleri ileri beslemeli geriye yayılımlı 9 farklı YSA modelde eğitilmiştir.
💡
Sonuç & Katkı:Deneysel çalışmaların zorluğu, analitik ifadelerin karmaşıklığı bir çok çalışmada olduğu gibi, YSA kullanımının avantajı kullanılarak kesme parametrelerine bağlı olarak yüzey pürüzlülüğünün tahmini bu çalışmada da YSA’nın kullanılabilirliğini göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yüzey pürüzlülüğü · yapay sinir ağları · kompozit malzeme

Özet

Bu çalışmada Al/SiC kompozit malzemenin yüzey pürüzlülüğü kesme parametrelerine bağlı olarak yapay sinir ağları yaklaşımı kullanılarak yüksek doğrulukta tahmin edilmiştir. Al/SiC kompozit malzemenin TiCN+TiN kaplamalı cementide carbide kesici takımla işlenmesi sonucu deneysel olarak elde edilen yüzey pürüzlülüğü değerleri ileri beslemeli geriye yayılımlı 9 farklı YSA modelde eğitilmiştir. YSA modellerinin ağ yapılarındaki nöron sayıları: 3-5-6-1, 3-6-4-1, 3-6-6-1, 3-4-3-5-1, 3-4-5-3-1, 3-6-2-3-1, 3-7-1, 3-8-1 ve 3-9-1'dir. YSA’nıneğitimi ve testi sonrası elde edilen değerler YSA modellerde yaygın olarak kullanılan istatistiksel analizlere tabi tutularak incelenmiştir. Deneysel çalışmaların zorluğu, analitik ifadelerin karmaşıklığı bir çok çalışmada olduğu gibi, YSA kullanımının avantajı kullanılarak kesme parametrelerine bağlı olarak yüzey pürüzlülüğünün tahmini bu çalışmada da YSA’nın kullanılabilirliğini göstermiştir.

🔖

Bu Makaleye Atıf Yap

ŞAHİN, İ. (2014). Yapay Sinir Ağları İle Al/Sic Kompozit Malzemenin Yüzey Pürüzlülüğünün Tahmini. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 29 - Sayı: 1, 0. https://ajindex.com/articles/4128

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Karayel, D., “Prediction and control of surface roughness in CNC lathe using artificial neural network”, Journal of Materials Processing Technology, 209, 7, 3125–3137, 2009.
  2. Neşeli, S., Yaldız S. ve Turkes, E., “Optimization of tool geometry parameters for turning operations based on the response surface methodology”, Measurement, 44, 3 580-587, - Davim, J.P., Gaitonde, V. N. ve Karnik, S. R., “Investigation into the effect of cutting conditions on surface roughness in turning of free machining steel by ANN models”, Journal of Material Processing Technology, 205, 16-23, 2008.
  3. Nalbant, M., Gokkaya, H. ve Sur, G., “Application of Taguchi method in the optimization of cutting parameters for surface roughness in turning”, Materials & Design, 28,, 1379–1385, 2007.
  4. Neşeli, S., Taşdemir Ş. ve Yaldız, S., “Prediction of surface roughness on turning with Artificıal Neural Network”, Journal of Engineering and Architecture Faculty of Eskişehir Osmangazi University, XXII, 3, 65-75, 2009.
  5. Kohli, A., Dixit, U.S., “A neural-network-based methodology for the prediction of surface roughness in a turning process”, Int. J. Adv. Manuf. Technol, 25, 118–129, 2005.
  6. Bernardos, P.G., Vosniakos, G.C., “Predicting surface roughness in machining: a review”, International Journal of Machine Tools & Manufacture 43, 8, 833–844, 2003.
  7. Petropoulos, G.P., Vaxevanidis, N. M., Pandazaras, C.N. ve Antoniadis, A.A., “Multiparameter identification and control of turned surface textures”, Int. J. Adv. Manuf. Technol., 29, 1-2, 118-128, 2006.
  8. Oktem, H., Erzurumlu T., Erzincanlı F., “Prediction of minumum surface roughness in end milling mold part using neural network and genetic algorithm” Materials and Design, 27, -744, 2006.
  9. Vishal S. S., Suresh D., Rakesh S. ve Sharma, S. K., “Estimation of cutting forces and surface roughness for hard turning using neural Networks”, J. Intell Manuf,19, 473–483, 2008.
  10. Sanjay, C., Jyothi, C. ve Chin, W., “A study of surface roughness in drilling using mathematical analysis and Neural Networks”, Int. Adv. Man. Tec., 30, 9, 846-852, 2006.
  11. Zain A.M., Haron. H. ve Sharif, S., “Prediction of surface roughness in the end milling machining using artificial neural network”, Robotics and computer integrated manufacturing, 19, 189-, 2006.
  12. Taşdemir, Ş., Neşeli S., Sarıtaş İ. ve Yaldız S., “Prediction of surface roughness using artificial neural network in Lathe”, CompSysTech’08, Gabrovo, Bulgaria, 2008.
  13. Nalbant, M., Gökkaya, H., Toktaş, İ., Sur, G., “The experimental