4 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 4 / 4
Öğe Temperlenmiş AISI 1050 çeliğinin tornalanmasında, kesme kuvvetlerinin ikinci dereceden regresyon yöntemiyle modellenmesi(Batman Üniversitesi, 2018) Gürbüz, Hüseyin; Baday, Şehmus; Sönmez, Fikret; Başak, HüdayimÖğe Aşırı temperlenmiş AISI 1050 çeliğin tornalanmasında esas kesme kuvvetlerinin çoklu regresyon ile modellenmesi(Sabancı Üniversitesi, 2015) Gürbüz, Hüseyin; Baday, Şehmus; Başak, HüdayimBu çalışmada, kuru kesme şartlarında tornalanmış ve aşırı temperlenmiş AISI 1050 çeliğinin esas kesme kuvvetlerini tahmin etmek için lineer, ikinci dereceden ve üstel regresyon modelleri oluşturulmuştur. Regresyon modellerinde kesme hızı, ilerleme, kesme derinliği ve ısıl işlem süreleri bağımsız değişkenler olarak seçilirken esas kesme kuvvetleri bağımlı değişken olarak seçilmiştir. Bağımlı değişkenin bağımsız değişkenler tarafından ne kadar etkilendiği belirlemek için ANOVA (varyans analizi) testi yapılmıştır. Ayrıca bağımlı değişkene en çok etki eden bağımsız değişkenin ilerleme hızı olduğu tespit edilmiştir. En küçük kareler yöntemi kullanılarak esas kesme kuvveti için elde edilen lineer, ikinci dereceden ve üstel modeller sırasıyla R2 = %94,7, R2 = %99,6 ve R2 = %99,2 elde edilmiştir. En küçük kareler yöntemine göre en iyi tahmin değeri ikinci dereceden regresyon modelinde elde edilmiştir.Öğe Temperlenmiş orta karbonlu çeliklerde yüzey pürüzlülük değerlerinin bulanık mantık ile modellenmesi(Batman Üniversitesi, 2018) Gürbüz, Hüseyin; Baday, Şehmus; Sönmez, Fikret; Başak, HüdayimÖğe Küreselleştirme ısıl işlemi uygulanmış AISI 1050 çeliǧinin yüzey pürüzlülük deǧerlerinin yapay sinir aǧları ile modellenmesi(IEEE, 2017-10-30) Baday, Şehmus; Başak, Hüdayim; Sönmez, FikretEstimation of surface roughness values, which is an indication of workpiece quality, is important in terms of reducing the cost and duration of machining. In this study, the surface roughness values of the medium carbon steel subjected to the spheronization heat treatment have estimated by artificial neural networks. ANN network model have been created by being chosen feedforward back propagation network model, the adoption of network structure and learning function LEARNGDM, TRAINLM as training algorithm, MSE for assessment of network performance and two hidden layers. The value of each neuron in the network have been transferred another layer by TANSIG, LOGSIG and PURELIN transfer functions. As a result, the artificial neural networks trained and tested have been found to be easy to use for estimating surface roughness values with a high percentage of R = 0.99001 according to MSE performance.
