KaydedilenlerDerginizi ekleyin

Dergiler / Mugla Journal of Science and Technology / 2015 / Cilt: 1 - Sayı: 1

YAPAY SİNİR AĞLARI KULLANILARAK BAĞ BUDAMA ARTIKLARINDAN ÜRETİLEN YONGA LEVHALARIN ÖZELLİKLERİNİN TAHMİN EDİLMESİ

ESTIMATION THE PROPERTIES OF PARTICLEBOARDS MANUFACTURED FROM VINE PRUNINGS STALKS USING ARTIFICIAL NEURAL NETWORKS

Hüseyin GÜRÜLER
Serkan BALLI
Mehmet YENİOCAK
Osman GÖKTAŞ
Sayfa
24–33
Yayın Tarihi
2015-04-07
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)

Sonuçlar yapay sinir ağları sisteminin zamandan ve maliyetten kazanç sağlayarak yonga levhaların özelliklerinin belirlenmesinde yetkin olduğunu göstermektedir

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, yonga levha hammaddesi olarak beş farklı oranda, bağ budama yongaları ve odun yongaları kullanılmıştır.
📊
Temel Bulgular & Veri:Öncelikle küçük boyutlu numune paneller üç katmanlı olarak (56x56x2 cm) üretilmiştir.
💡
Sonuç & Katkı:Sonuçlar yapay sinir ağları sisteminin zamandan ve maliyetten kazanç sağlayarak yonga levhaların özelliklerinin belirlenmesinde yetkin olduğunu göstermektedir
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Sinir ağları · Tarımsal atıklar · Yonga levha

Özet

Bu çalışmada, yonga levha hammaddesi olarak beş farklı oranda, bağ budama yongaları ve odun yongaları kullanılmıştır. Öncelikle küçük boyutlu numune paneller üç katmanlı olarak (56x56x2 cm) üretilmiştir. Bu levhaların; fiziksel (kalınlığına şişme, su alma) ve mekaniksel (eğilme direnci, elastikiyet modülü, iç yapışma ve vida tutma) özellikleri belirlenmiştir. Direk ölçüm alma metodu en güvenilir metot olmasına rağmen çok karmaşık ve zaman alıcıdır. Üstelik her oran uygulanabilir değildir. Bu nedenle girdi-çıktı haritalamada en güçlü araçlar olan esnek (yazılımsal) hesaplama yöntemleri tercih edilmiştir. Bu aşamada, yapay sinir ağları (YSA) tahmin amaçlı kullanıldı. Sonuçlar yapay sinir ağları sisteminin zamandan ve maliyetten kazanç sağlayarak yonga levhaların özelliklerinin belirlenmesinde yetkin olduğunu göstermektedir

Abstract

In this study, pruned vine particles and wood particles in five various proportions were used as the raw material for three-layer particleboards. Primarily, small size sample panels (56x56x2 cm) were manufactured. The physical (thickness swelling (TS), water absorption (WA)), and mechanical (modulus of rupture (MOR), modulus of elasticity (MOE), internal bond (IB)) screw holding (SH) properties of particleboards were determined. Although direct measurement is the most reliable method, it is very complex and time consuming. Also every proportion is not applicable. So that, soft computing methods which are the powerful tools for input-output mapping were preferred. Artificial neural networks (ANNs) were used to estimation. The results show that ANN system capable to predict properties of particleboards in a time and cost effective way.

🔖

Bu Makaleye Atıf Yap

GÜRÜLER, H., BALLI, S., YENİOCAK, M., GÖKTAŞ, O. (2015). YAPAY SİNİR AĞLARI KULLANILARAK BAĞ BUDAMA ARTIKLARINDAN ÜRETİLEN YONGA LEVHALARIN ÖZELLİKLERİNİN TAHMİN EDİLMESİ. Mugla Journal of Science and Technology, Cilt: 1 - Sayı: 1, 24–33. https://ajindex.com/articles/692148

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Ntalos, G.A., Grigoriou, A.H., “Characterization and utilisation of vine prunings as a wood substitute for particleboard production”, Ind. Crops Prod., 16, 59–68, 2002.
  2. Nemli, G., Kirci, H., Serdar, B., Ay, N., “Suitability of kiwi (Actinidia sinensis Planch.) prunings for particleboard manufacturing”, Ind. Crops Prod., 17, 39–46, 2003.
  3. Papadopoulos, A.N., Hague, J.R., “The potential for using flax (Linum usitatissimum L.) shiv as a lignocellulosic raw material for particleboard”, Ind. Crops Prod., 17, 143–147, 2003.
  4. Copur, Y., Guler, C., Akgul, M., Tasiıoglu, C., “Some chemical properties of hazelnut husk and its suitability for particleboard production”, Build. Environ., 42, 2568–2572, 2007.
  5. Bektas, I., Guler, C., Kalaycioglu, H., “Manufacturing of Particleboard from Sunflower Stalks (Helianthus annuus L.) Using Urea-Formaldehyde Resin”, Kahramanmaras Sutcu Imam University, J. Sci. Eng, 5, 49–56, 2002.
  6. Kalaycioglu, H., Nemli, G., “Producing composite particleboard from kenaf (Hibiscus cannabinus L.) stalks”, Ind. Crops Prod., 2006.
  7. Guru, M.S., Tekeli, B., Bilici, I., “Manufacturing of urea–formaldehyde-based composite particleboard from almond shell”, Mater Des., 27, 1148–1151, 2006.
  8. Wang, D., Sun, X.S., “Low density particleboard from wheat straw and corn pith”, Ind. Crops Prod., 2002.
  9. Alma, M.H., Kalaycıoğlu, H., Bektaş, I., Tutuş, A., “Properties of cotton carpel-based particleboards”, Ind. Crop. Prod., 22, 141–149, 2005.
  10. Almeida, R.R., Del, M.C.H., Teixeira, D.E., “Utilization of the coconut shell of babachu (Orbignya sp.) to produce cement-bonded particleboard”, Bioresour. Tech., 85, 159–163, 2002.
  11. Hashimoto, Y., “Applications of artificial neural networks and genetic algorithms to agricultural systems”, Comput. Electron. Agric., 18, 71–72, 1997.
  12. Huang, Y., Lan, Y., Thomson, S.J., Fang, A., Hoffmann, W.C., Lacey, R.E., “Development of soft computing and applications in agricultural and biological engineering”, Comput. Electron. Agric., 71, 107–127, 2010.
  13. Kaul, M., Hill, R.L., Walthall, C., “Artificial neural networks for corn and soybean yield prediction”, Agric. Syst., 85, 1–18, 2005.
  14. Broner, I., Comstock, C.R., “Combining expert systems and neural networks for learning site-specific conditions”, Comput. Electron. Agric., 19, 37–53, 1997.
  15. Cartwright, H., “Using artificial intelligence in chemistry and biology: A practical guide”, CRC Press., 2008.
  16. Mendas, A., Delali, A., “Integration of MultiCriteria Decision Analysis in GIS to develop land suitab