KaydedilenlerDerginizi ekleyin

Dergiler / Uluslararası Teknolojik Bilimler Dergisi / 2011 / Cilt: 3 - Sayı: 2

MERMER KESME İŞLEMİNDE KESİM SÜRESİNİN YAPAY SİNİR AĞI TABANLI MODELLENMESİ

ARTİFİCAL NEURAL NETWORK BASED MODELİNG OF CUTTING TIME IN THE MARBLE CUTTING PROCESS

Uğur Güvenç
Mustafa Dursun
Hasan Çimen
Sayfa
9–16
Yayın Tarihi
2011-06-01
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)

Elde edilen sonuçlara göre, gerçekleştirilen modellemenin uygulanabilir olduğu görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Doğrusal olmayan bir yapıya sahip olan mermer kesim süresi testere devir sayısına, vagon ilerleme hızına ve zamana karşılık kesim miktarına bağlı olarak değişmektedir.
📊
Temel Bulgular & Veri:Eğitim esnasında deney verilerinin %90’ı verilmiş olup %10’u test amaçlı kullanılmıştır.
💡
Sonuç & Katkı:Elde edilen sonuçlara göre, gerçekleştirilen modellemenin uygulanabilir olduğu görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:YSA · İlerleme Hızı · Testere Devir Sayısı

Özet

Doğrusal olmayan bir yapıya sahip olan mermer kesim süresi testere devir sayısına, vagon ilerleme hızına ve zamana karşılık kesim miktarına bağlı olarak değişmektedir. Bu değişkenlere bağlı olarak daha önce laboratuar ortamında yapılmış olan deneylerden elde edilen verilerin matematiksel olarak modellenmesi oldukça zordur. Bu çalışmada, mermer kesme işleminin bitiş süresine yönelik yapay sinir ağ (YSA) tabanlı bir modelleme işlemi gerçekleştirilmiştir. Eğitim esnasında deney verilerinin %90’ı verilmiş olup %10’u test amaçlı kullanılmıştır. Elde edilen sonuçlara göre, gerçekleştirilen modellemenin uygulanabilir olduğu görülmüştür.

Abstract

The marble cutting time which has a nonlinear structure changes depending on speed of circular saw rotation, forward speed and amount of cutting against time. Depending on this variables before mathematical modeling of the data optained from experiments made in laboratory environment are very difficult. In this study, intended to the completion time of marble cutting operation, based artificial neural network (ANN) modeling process were performed. 90% of the experimental data was given during training and 10% were used for testing purposes. According to the results obtained, performed the modelling was seen as applicable.

🔖

Bu Makaleye Atıf Yap

Güvenç, U., Dursun, M., Çimen, H. (2011). MERMER KESME İŞLEMİNDE KESİM SÜRESİNİN YAPAY SİNİR AĞI TABANLI MODELLENMESİ. Uluslararası Teknolojik Bilimler Dergisi, Cilt: 3 - Sayı: 2, 9–16. https://ajindex.com/articles/847546

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Bayram, F., Kulaksız, S. ve Özçelik, Y. (2003). Katraklarda Mermerlerin Fiziki-Mekanik Özelliklerinin ve Kesim Hızının Elmas Soketlerdeki Aşınmalara Etkisi. Türkiye IV. Mermer Sempozyumu (Mersem 2003) Bildiriler Kitabı, 18-19
  2. Aralık, Ankara.
  3. Büyüksağış, I., S. (1998). Dairesel Testereli Blok Kesme Makinelerinde Mermerlerin Kesilebilirlik Analizleri. Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, Doktora tezi, Eskişehir. Caner, M., ve Akarslan, E. (2009). Mermer kesme işleminde spesifik enerji faktörünün ANFIS ve YSA yöntemleri ile tahmini. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 15 (2) 233-239.
  4. Çınar, S., M. (2007). Mermer Kesme Makinelerinde Elektrik Enerjisi Tüketimi Optimizasyonu. AKÜ., Fen Bil.Ens. Yük.Lis.Tezi, Afyonkarahisar. Güvenç, U. (2007). Anahtarlamalı Relüktans Motor Manyetik Akısının Yapay Sinir Ağı Tabanlı Modellenmesi.Akademik Bilişim’07- IX. Akademik Bilişim Konferansı Bildirileri, Dumlupınar Üniversitesi,
  5. Kütahya. İnan, A. (1999). Yapay Sinir Ağlarının Güç Sistemlerinde Kullanım Alanları. Kaynak Elektrik, Sayı 119, 104-114,
  6. Kalogirou, S., A. (2001). Artificial neural networks in the renewable energy systems applications. A review, Renewable and Sustainable Energy Reviews,, vol. 5, pp. 373–401.
  7. Kurt, H., Atik, K., Özkaymak, M. And Binark, A. K. (2007). The artificial neural networks approach for evaluation of temperature and density profiles of salt gradient solar pond. Journal of the Energy Institute,, 80 (1), pp.46–51.
  8. Nasr, G., E. and Badr, C., J. (2003). Back-propagation neural networks for modeling gasoline consumption. Energy Conversion and Management, 44 (6), 893–905.
  9. Öztemel E. (1992). Integrating expert systems and neural networks for intelligent on-line statistical process control. School of Electrical, Electronic and Systems Engineering, University of Wales, PhD thesis. Cardiff, December p. 1–38.
  10. Saritas, İ. (2008). The Design of Magnetic Filter for Cleaning Industrial Liquids and Adaptive Control of Filter by Artificial Intelligence Methods. Selcuk University Institute of the Natural and Applied Sciences, Phd Thesis. Spiegel, R.J., Turner, M.W., McCormick, V.E. (2003). Fuzzy-logic-based Controllers for Efficiency Optimization of Evirici-fed Induction Motor Drivers. Elsevier, Fuzzy Sets and Systems 137, pp.387-401.
  11. Xu, X. P., Li, Y. Malkin, S. (2001). Forces and Energy in Circular Sawing and Grinding of Granite. Journal of Manufacturing Science and Engineering, Feb., Vol.123, pp.13-22.
  12. Yang, I. H., Yeo, M., S. a