Toolox 44 malzemenin tornalanmasında yüzey pürüzlülüğünün yapay sinir ağları yöntemi ile optimizasyonu
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Tekirdağ Namık Kemal Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada, Toolox 44 malzemesinin tornalanması sürecinde yüzey pürüzlülüğünün optimize edilmesi hedeflenmiştir. Yapay sinir ağları kullanılarak gerçekleştirilen modellemede, ince ve kaba işleme, ilerleme hızı, kesme hızı, kesme derinliği ve parça sırası gibi parametreler girdi olarak belirlenmiş ve yüzey pürüzlülüğü (Ra) çıktı olarak seçilmiştir. Levenberg-Marquardt algoritması ile eğitilen model, Logistic Sigmoid ve Pure Linear transfer fonksiyonları ile yapılandırılmıştır. 108 deneysel veri setinin %70'i modelin eğitimi, %15'i testi ve %15'i doğrulama için kullanılmıştır. Modelin performansı RMSE, MAPE ve R2 ölçütleri ile değerlendirilmiş, sonuçlar modelin yüzey pürüzlülüğünü yüksek doğrulukla tahmin edebildiğini göstermiştir. Elde edilen bulgular, modelin imalat süreçlerinde kalite kontrol ve optimizasyon amacıyla kullanılabileceğini ortaya koymuştur.
This study aims to optimize the surface roughness in the turning process of Toolox 44 material. In the developed model using artificial neural networks, parameters such as fine and rough machining, cutting speed, feed rate, cutting depth, and part sequence were selected as inputs, while surface roughness (Ra) was chosen as the output. The model, trained with the Levenberg-Marquardt algorithm, was structured using Logistic Sigmoid and Pure Linear transfer functions. Of the 108 experimental data sets, 70% were used for model training, 15% for testing, and 15% for validation. The model's performance was evaluated using RMSE, MAPE, and R2 metrics, and the results demonstrated that the model could predict surface roughness with high accuracy. The findings indicate that the model can be used for quality control and optimization in manufacturing processes.
This study aims to optimize the surface roughness in the turning process of Toolox 44 material. In the developed model using artificial neural networks, parameters such as fine and rough machining, cutting speed, feed rate, cutting depth, and part sequence were selected as inputs, while surface roughness (Ra) was chosen as the output. The model, trained with the Levenberg-Marquardt algorithm, was structured using Logistic Sigmoid and Pure Linear transfer functions. Of the 108 experimental data sets, 70% were used for model training, 15% for testing, and 15% for validation. The model's performance was evaluated using RMSE, MAPE, and R2 metrics, and the results demonstrated that the model could predict surface roughness with high accuracy. The findings indicate that the model can be used for quality control and optimization in manufacturing processes.
Açıklama
Fen Bilimleri Enstitüsü, Makine Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Makine Mühendisliği, Mechanical Engineering
