AA 7075 alaşımlarında yaşlandırma ve mekanik davranışların makine öğrenmesi ve derin öğrenme tabanlı modellenmesi
| dc.authorid | 0009-0005-4062-420X | |
| dc.contributor.advisor | Köse, Hüseyin | |
| dc.contributor.author | Güzelgül, Müjde | |
| dc.date.accessioned | 2025-09-16T10:00:26Z | |
| dc.date.available | 2025-09-16T10:00:26Z | |
| dc.date.issued | 2025-05-22 | |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Makine Mühendisliği Anabilim Dalı | |
| dc.description.abstract | Bu çalışma, AA 7075 alüminyum alaşımının yapay yaşlandırma davranışını araştırmakta ve uygulanan ısıl işlem koşullarının tahribatsız tahmini için makine öğrenmesi ve derin öğrenmeye dayalı yeni bir yöntem sunmaktadır. Çalışmada, alüminyum AA 7075 alaşımı numuneleri 3 saat boyunca 470°C'de çözelti işlemine tabi tutulmuş, ardından 100°C ile 225°C arasında değişen sıcaklıklarda 15°C'lik artışlarla, her biri 1, 2, 3, 6 ve 9 saatlik süreler boyunca yapay yaşlandırma işlemi uygulanmıştır. İşlenmiş numunelerin titreşim tepkileri bir piezoelektrik ivmeölçer cihazı kullanılarak titreşim tepki verileri olarak kaydedilmiş ve farklı ısıl işlem koşullarıyla ilişkili titreşim tepkileri özellikleri ortaya çıkarmak için frekans alanı verileri elde edilmiştir. Yaşlandırma işlem koşullarını sınıflandırmak için, ilk olarak titreşim frekansı görüntüleri kullanılarak Evrişimli Sinir Ağı (ESA) modeli geliştirilmiş ve ESA görüntü işleme metodu ile özellik çıkarımı yapılmış ve makine öğrenmesi modelleri oluşturulmuştur. ESA tahmin modeli ile 0,80'lik makro ortalama ile %89'luk bir sınıflandırma doğruluğu elde edilmiş ve model hassas ısıl işlemler arasında ayrım yapma konusunda güçlü bir performans göstermiştir. Buna paralel olarak, ESA tabanlı özellik çıkarımını klasik makine öğrenimi sınıflandırıcılarıyla birleştiren hibrit modellerin karşılaştırmalı yöntem ile performans analizi yapılmıştır. Oluşturulan modeller arasında, Rastgele Orman tahmin modeli, Karar Ağaçları ve K-en Yakın Komşu tahmin modelini (%83) ve Destek Vektör Makinesini (%72) geride bırakarak %89'luk bir doğrulukla en yüksek performansı göstermiştir. Çalışma yapılan mekanik analizler malzemenin çekme dayanımı, sertlik ve aşınma özellikleri hakkında bilgi vermektedir. Mekanik özelliklerin ayrıca farklı makine öğrenmesi modelleriyle tahmin modelleri oluşturulmuş ve modellerin karşılaştırmalı performans analizleri yapılmıştır. Çekme testleri, en yüksek nihai çekme dayanımı 4 saat boyunca 100°C'de 590,9 MPa ile gözlemlendiğini, 3 saat boyunca 130°C'de ve 3 saat boyunca 175°C'de sırasıyla 548,1 MPa ve 549,1 MPa'lık çekme dayanımı değerleri verdiğini ortaya koymuştur. Uzun süreli yaşlandırma süreleri genellikle aşırı yaşlandırma nedeniyle mukavemetin azalmasına yol açtığı gözlemlenmiştir. Sertlik ölçümleri benzer eğilimleri takip etmiş, 175°C ve 190°C'de 1 saatte 145 HB'de en yüksek değeri almış ve 9 saatte 225°C'de 109,67 HB'ye düşerek mikroyapısal kabalaşmayı yansıtmıştır. Malzemenin en düşük aşınma oranı daha uzun süreler için 100°C'de elde edilirken, daha yüksek sıcaklıklar (örneğin, 225°C) kötüleşen aşınma direncine yol açtığı görülmüştür. Regresyon modelleri, yaşlandırma işlem parametrelerine dayalı sertlik ve aşınma oranı değerlerini tahmin etmek için eğitilmiş ve test edilen modeller arasında, Rastgele Orman tahmin modeli hem eğitim hem de test performansında diğerlerinden sürekli olarak daha iyi performans göstermiş ve en düşük ortalama karesel hataya ulaşmıştır. Bu kapsamlı çalışmada, ısıl işlem görmüş alüminyum 7075 alaşımının titreşim verilerinin, ısıl işlem parametrelerinin doğru sınıflandırılmasını sağlamak için yeterli spektral bilgi içerdiğini doğrulamaktadır. Önerilen makine ve derin öğrenme modelleri, endüstriyel kalite kontrol ve optimizasyon süreçlerinde ısıl işlem tahmini için potansiyel yeni bir yol sunmaktadır. | |
| dc.description.abstract | This study investigates the artificial aging behavior of AA 7075 aluminum alloy and presents a new method based on machine learning and deep learning for non-destructive prediction of applied heat treatment conditions. In the study, aluminum AA 7075 alloy samples were solution treated at 470°C for 3 hours, then artificially aged at temperatures ranging from 100°C to 225°C with 15°C increments for 1, 2, 3, 6 and 9 hours each. The vibration responses of the treated samples were recorded using a piezoelectric accelerometer device, and frequency domain data were obtained to reveal the vibration response features associated with different heat treatment conditions. To classify artificial aging conditions, firstly, a Convolutional Neural Network (ESA) model was developed using vibration frequency images, and feature extraction was performed with the ESA image processing method, and machine learning models were created. With the ESA prediction model, a classification accuracy of 89% with a macro average of 0.80 was achieved, and the model showed strong performance in distinguishing between sensitive heat treatments. In parallel, performance analysis of hybrid models combining ESA-based feature extraction with classical machine learning classifiers was performed with a comparative method. Among the models created, the Random Forest prediction model showed the highest performance with an accuracy of 89%, leaving behind Decision Trees and K-Nearest Neighbor prediction model (83%) and Support Vector Machine (72%). The conducted mechanical analysis provides information about the tensile strength, hardness and wear properties of the material. In addition, prediction models of mechanical properties were created with different machine learning models, and comparative performance analyzes of the models were performed. Tensile tests revealed that the highest ultimate tensile stress was observed at 100°C for 4 hours with 590.9 MPa, while 130°C for 3 hours and 175°C for 3 hours gave tensile stress values of 548.1 MPa and 549.1 MPa, respectively. It was observed that prolonged aging times generally resulted in decreased strength due to excessive aging. Hardness measurements followed similar trends, with a peak value of 145 HB at 1 hour at 175°C and 190°C, decreasing to 109.67 HB at 225°C for 9 hours, reflecting microstructural coarsening. The lowest wear rate of the material was obtained at 100°C for longer times, while higher temperatures (e.g., 225°C) were found to lead to deteriorating wear resistance. Among the regression models trained and tested to predict hardness and wear rate values based on aging process parameters, the Random Forest prediction model consistently outperformed the others in both training and testing performance and achieved the lowest mean square error. This comprehensive study confirms that the vibration data of heat-treated aluminum 7075 alloy contains sufficient spectral information to provide accurate classification of heat treatment parameters. The proposed machine and deep learning models offer a potential new avenue for heat treatment prediction in industrial quality control and optimization processes. | |
| dc.identifier.citation | Güzelgül, M. (2025). AA 7075 alaşımlarında yaşlandırma ve mekanik davranışların makine öğrenmesi ve derin öğrenme tabanlı modellenmesi. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/5045 | |
| dc.language.iso | tr | |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Alüminyum | |
| dc.subject | AA 7075 | |
| dc.subject | Makine Öğrenmesi | |
| dc.subject | Derin Öğrenme | |
| dc.subject | Yapay Yaşlandırma | |
| dc.subject | Isıl İşlem | |
| dc.subject | Mekanik Özellikler | |
| dc.subject | Aluminum | |
| dc.subject | Machine Learning | |
| dc.subject | Deep Learning | |
| dc.subject | Artificial Aging | |
| dc.subject | Heat Treatment | |
| dc.subject | Mechanical Properties | |
| dc.title | AA 7075 alaşımlarında yaşlandırma ve mekanik davranışların makine öğrenmesi ve derin öğrenme tabanlı modellenmesi | |
| dc.title.alternative | Machine learning and deep learning based modeling of aging and mechanical behavior in AA 7075 alloys | |
| dc.type | Master Thesis |
