Makine Öğrenmesi Metotları Kullanarak Krom III Kaplama Banyosunun Örtme Gücünün Tahmin Edilmesi

Prediction of Covering Power of Chromium III Plating Bath Using Machine Learning Methods

Özet

Bu çalışmada krom kaplamanın örtme gücünü tahmin etmek ve örtme gücüne etki eden öznitelikleri belirlemek için makine öğrenmesi algoritmaları kullanılmıştır. Bu amaçla GP (Gaussian Process), KNN (K-Nearest Neighbors), RF (Random Forest), SVR (Support Vector Regressor) ve XGB (eXtreme Gradient Boosting) algoritmaları seçilmiş ve bu algoritmaların hiper parametreleri optimize edilmiştir. En yüksek R2 ve en düşük MSE değerlerini veren şartlar belirlenmiştir. Çapraz doğrulama için LOO (Leave-One-Out) metodu kullanılmıştır. En iyi sonuç, SVR metodu ile elde edilmiştir. R2, MSE ve MAPE değeri sırasıyla 0,80, 0,26 ve 18.29 dur. Kaplamanın örtme gücüne etki eden en önemli iki öznitelik borik asit (H3BO3) ve A kimyasalıdır. Bu kimyasalların yüksek seviyeleri kaplamanın örtme gücünü artırmıştır. Tüm algoritmaların hiper parametreleri ızgara tarama yöntemi ile 2 veya daha fazla seviyede optimize edilmiştir. SVR metodunda en etkin iki hiper parametre kernel ve C parametresidir. Kernel ve C hiper parametreleri sırasıyla “rbf” ve 1 olduğu durumda en yüksek R2 değeri elde edilmiştir. Bu çalışma makine öğrenmesi algoritmalarını elektrokaplama sahasına uygulayan ilk çalışmalardandır. Bu yönüyle öncü olma niteliği taşımaktadır.

Abstract

In this study, machine learning algorithms were used to predict the covering power of chrome plating and to determine the features that affect the covering power. For this purpose, GP (Gaussian Process), KNN (K-Nearest Neighbors), RF (Random Forest), SVR (Support Vector Regressor) and XGB (eXtreme Gradient Boosting) algorithms were selected and their hyper-parameters were optimized. Conditions giving the highest R2 and lowest MSE values were acquired. The LOO (Leave One Out) method was used for cross validation. The best results were obtained using the SVR method. The R2, MSE and MAPE scores are 0.80, 0.26 and 18.29, respectively. The two most important features affecting the the covering power of the coating are boric acid (H3BO3) and chemical A. High levels of these chemicals increased the covering power of the coating. The hyper-parameters of all algorithms were optimized at 2 or more levels by the grid scan method. The two most effective hyper-parameters in the SVR method are the kernel and the C parameters. The highest R2 value was obtained when the Kernel and C hyper-parameters were “rbf” and 1, respectively. This study is one of the first studies to apply machine learning algorithms to the electroplating field.