Tepki yüzeyleri tasarımı ve yapay sinir ağları yöntemleriyle epoksi kompozitlerin aşınma özelliklerinin optimizasyonu

Abstract

Yapılan tez çalışmasında; inşaat sanayii başta olmak üzere tekstil ve otomotiv gibi çok geniş bir alanda yaygın bir kullanıma sahip olan epoksi (reçine) bazlı kompozitlerin aşınma davranışına etki eden faktörler incelenmiş olup, süreç optimizasyonu gerçekleştirilmiştir. Epoksi malzemenin aşınma dayanımının arttırılması için ferrokrom ve cam katkıları kullanılmıştır. Merkezi birleşik tasarım (Central Composite Design-CCD) uygulanarak toplam 18 deney noktasında 54 adet deney numunesi üretilmiştir. Üretilen numunelerin abrasif aşınma testleri yapılarak aşınma tepki değerleri ölçülmüştür. Elde edilen veriler tepki yüzeyleri tasarımı ve yapay sinir ağları yaklaşımı ile değerlendirilmiştir. Elde edilen sonuçlara göre; cam katkı oranının artmasının aşınma oranını büyük ölçüde azalttığı görülmüş ve minimum aşınma oranı; cam katkı oranının en yüksek seviyesinde (%17,07) elde edilmiştir. Ferrokrom katkının aşınma oranı üzerindeki etkisi ise küçük parçacıklar (0-50 mikron) için negatif olurken, minimum aşınma oranı en düşük düzeyli ferrokrom katkı oranı (%2,93) ile elde edilmiştir. Sertlik ve maliyet tepki değişkenlerinde tahmin modelleri geliştirilmiş olup, çoklu tepki optimizasyonu gerçekleştirilmiştir. Aşınma tepki değişkeninin tahmini için oluşturulan yapay sinir ağı ve tepki yüzeyleri modellerinin performansları karşılaştırılmıştır. Alınan sonuçlara göre; yapay sinir ağı (Artificial Neural Network-ANN), sınama setinin aşınma tepki değişkenini %8,18 ortalama yüzde hata (MAPE) değeri ile tahmin ederken; Tepki Yüzeyleri Tasarımı (Response Surface Methodology-RSM) modelinin MAPE değeri %9,42 olarak bulunmuştur. Tepki değişkenindeki değişkenliğin açıklanmasında R2 ve MSE (ortalama kare hata) tanımlayıcı istatistikleri için tepki yüzeyleri tasarımı modeli daha başarılı bulunmuştur.

Epoxy is widely used in many industries including automotive and construction. In thesis work, ferrochrome carbide and glass reinforcements have been used to enhance wear resistance of epoxy material. Total number of 54 specimen is produced on 18 different experimental points determined by employing Central Composite Design (CCD) approach. For each specimen, abrasive wear test is performed in laboratory environment. Findings are interpreted and certain conclusions have been drawn from the results via response surface and neural network approach. Glass reinforcement is found to have a negative correlation with wear rate of epoxy which means that the more glass is added to epoxy, the more wear resistance epoxy gets. Minimum wear rate is obtained when glass reinforcement is at its maximum level (17,07%). Ferrochromium reinforcement increases wear rate when small sized particles (0-50 microns) is concerned whereas it decreases wear rate for large sized particles (50-75 microns). Compare to large sized particles, small sized particles have a significant effect on wear resistance in a positive way. Hardness and production cost of samples are included to the work as additional response variables. Optimization with multiple response is conducted to find out optimum design points for different scenarios predetermined. Many artificial neural network alternatives are trained and tested. Among all the alternatives, the best predictive network is selected and compared with response surface model (RSM) prediction in terms of prediction accuracy. According to mean absolute percentage error (MAPE), neural network outperforms RSM model. When it comes to R2 and mean square error (MSE) performance indicators, RSM model achieves better results.