Dergiler / Eskişehir Osmangazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2009 / Cilt: 22 - Sayı: 3 özel sayı

YAPAY SİNİR AĞI YAKLAŞIMI İLE TORNALAMADA YÜZEY PÜRÜZLÜLÜĞÜNÜN TAHMİN EDİLMESİ

PREDICTION OF SURFACE ROUGHNESS ON TURNING WITH ARTIFICIAL NEURAL NETWORK

Sayfa
65–75
Yayın Tarihi
2022-10-18
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 sonuçlarla YSA sonuçları istatistiksel olarak karşılaştırıldığında, tasarlanan modelin başarılı bir şekilde uygulandığı ve deney sonuçlarına yakın sonuçlar verdiği görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, tornada takım geometrisinin yüzey pürüzlülüğüne etkisi incelenmiştir.
📊
Temel Bulgular & Veri:Bunun için üniversal torna tezgâhında değişik yaklaşma açıları ve talaş açıları ile kuru kesme şartlarında, AISI 1040 çeliği üzerinden 0.5 mm derinliğinde talaş kaldırılarak 27 numune işlenmiş bu işlemden sonra yüzey pürüzlülük değerleri MAHR M1 Perthometer ile ölçülmüştür.
💡
Sonuç & Katkı:Deneysel sonuçlarla YSA sonuçları istatistiksel olarak karşılaştırıldığında, tasarlanan modelin başarılı bir şekilde uygulandığı ve deney sonuçlarına yakın sonuçlar verdiği görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Bu çalışmada, tornada takım geometrisinin yüzey pürüzlülüğüne etkisi incelenmiştir. Bunun için üniversal torna tezgâhında değişik yaklaşma açıları ve talaş açıları ile kuru kesme şartlarında, AISI 1040 çeliği üzerinden 0.5 mm derinliğinde talaş kaldırılarak 27 numune işlenmiş bu işlemden sonra yüzey pürüzlülük değerleri MAHR M1 Perthometer ile ölçülmüştür. Yapılan deneylerde elde edilen veriler bir Yapay Sinir Ağının (YSA) eğitiminde kullanılmıştır. YSA modellemesinde giriş parametreleri; uç radyüsü (r) yaklaşma açısı (?), talaş açısı (?) ve çıkış parametresi; yüzey pürüzlülüğü (Ra) olarak belirlenmiştir. Bu modelleme ile yüzey pürüzlülük değerleri tahmin edilmiştir. YSA, Centrino Duo 1.83 GHz işlemcili Windows XP işletim sistemli bir donanıma sahip bilgisayarda MATLAB 7 programı kullanılarak tasarlanmıştır. Deneysel sonuçlarla YSA sonuçları istatistiksel olarak karşılaştırıldığında, tasarlanan modelin başarılı bir şekilde uygulandığı ve deney sonuçlarına yakın sonuçlar verdiği görülmüştür.

Abstract

In this study, a surface roughness prediction model using artificial neural network (ANN) is developed. For this purpose various machining operations are made on a universal lathe in dry cutting conditions using various insert geometries of 27 samples. At the end of the cutting operations, surface roughness has been measured using MAHR M1 Perthometer. After experimental study, to predict the surface roughness, an artificial neural network (ANN) is developed using the data obtained. In modelling of ANN; tool nose radius (r), approach angle (?), rake angle (?) have been used as input parameters where the output parameter is surface roughness (Ra). The ANN has been designed on a PC, with a Centrino Duo 1.83 GHz processor and Windows XP operation system, by using Matlab 7 software. Statistical comparisons of the experimental data against ANN results show that the result of ANN model is resembled to ANN results very closely.

🔖

Bu Makaleye Atıf Yap

TAŞDEMİR, Ş., YALDIZ, S., NEŞELİ, S. (2022). YAPAY SİNİR AĞI YAKLAŞIMI İLE TORNALAMADA YÜZEY PÜRÜZLÜLÜĞÜNÜN TAHMİN EDİLMESİ. Eskişehir Osmangazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 22 - Sayı: 3 özel sayı, 65–75. https://ajindex.com/articles/505817

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Y. Işık, M.C. Çakır, "Hız Çeliği Takımlar İçin Kesme Parametrelerinin Yüzey Pürüzlülüğüne Etkilerinin Deneysel Olarak İncelenmesi", Teknoloji Dergisi, Sayı 1-2, ss. 111-118, 2001
  2. Ş. Taşdemir, S. Neşeli, İ. Sarıtaş, S. Yaldız, "Prediction of surface roughness using artificial neural network in Lathe", CompSysTech'08, Gabrovo, Bulgaristan, 2008
  3. P.G. Benardos, G.C. Vosniakos, "Predicting surface roughness in machining: a review", Int. J. Mach. Tools Manuf. 43, pp. 833-844, 2003
  4. G.P. Petropoulos, N.M. Vaxevanidis, C.N. Pandazaras, A.A. Antoniadis, "Multi-parameter identification and control of turned surface textures", Int. J. Adv. Manuf. Technol, Vol. 29, pp. 118-128, 2006
  5. G. Boothroyd, W.A. Knight, "Fundamentals of Machining and Machine Tools", Marcel Dekker, New York, 1989
  6. A.E. Diniz, R. Micaroni, "Cutting conditions for finish turning process aiming: the use of dry cutting", Int. J. Mach. Tools Manuf., pp. 432, 899-904, 2002
  7. N. Allahverdi, "Uzman Sistemler, Bir Yapay Zeka Uygulaması", Atlas Yayın Dağıtım, İstanbul, 2002
  8. E. Öztemel, "Yapay Sinir Ağları", Papatya Yayıncılık, İstanbul, 2003
  9. S. Tasdemir, I. Saritas, M. Ciniviz, C. Cinar ve N. Allahverdi, "Application of artificial neural network for definition of a gasoline engine performance", 4th International Advanced Technologies Symposium, Konya, Turkey, pp. 1030-1034, 28-30 Sept, 2005. [10]N.R. Abburi, U.S. Dixit, "A knowledge-based system for the prediction of surface roughness in turning process", Rob. Comp. Integr. Manuf., Vol. 22, pp. 363-372, 2006. [11]T. Erzurumlu, H. Oktem, "Comparison of response surface model with neural network in determining the surface quality of moulded parts", Mater. Des., Vol. 28, pp. 459-465, 2007. [12]J. Paulo Davim, V.N. Gaitonde, S.R. Karnik, "Investigations into the effect of cutting conditions on surface roughness in turning of free machining steel by ANN models", Journal of Materials Processing Technology, Vol. 205, pp. 16-23, 2008. [13]C. Lu, "Study on prediction of surface quality in machining process", Journal of Materials Processing Technology, Vol. 205, 439-450, 2008. [14]S. Neşeli, S. Yaldız, "Tornalamada Yaklaşma Açısı ve Talaş Açısına Bağlı Tırlama Titreşimlerinin Yüzey Pürüzlülüğüne Etkileri", Politeknik Dergisi, Cilt.10, Sayı. 4, ss.219- 227, 2007. [15]M.A. Akçayol, C. Çınar, H.İ. Bülbül ve A. Kılıçarslan, "Artificial neural network based modeling of injection pressure in diesel engines", World Scientific and Eng