Filtreler

2017 - 20182
Filtreleri Sıfırla

Ayarlar

Yazar: Sönmez, Fikret × Bölüm: Batman Üniversitesi Teknoloji Fakültesi Makine ve İmalat Mühendisliği Bölümü ×

Arama Sonuçları

Listeleniyor 1 - 2 / 2
  • Küçük Resim
    Öğe
    Farklı talaş kırıcı formlarının esas kesme kuvvetlerine etkisinin matematiksel modellenmesi
    (Batman Üniversitesi, 2018-12-27) Gürbüz, Hüseyin; Sönmez, Fikret; Baday, Şehmus; Şeker, Ulvi
    Bu çalışmada, imalat sanayinde sıklıkla kullanılan AISI 1050 çelik malzemesi, farklı talaş kırıcı formlara sahip beş ayrı kesici takım ile işlenmiştir. Farklı kesici takımlarla yapılan tornalama işlemi esnasında oluşan esas kesme kuvvetleri kaydedilmiştir. Farklı formlara sahip kesici takımlar, sabit kesme hızında, üç farklı ilerleme ve iki farklı talaş derinliğinde esas kesme kuvveti üzerindeki etkisi matematiksel olarak analiz edilmiştir. Bu analizlerde, her talaş kırıcı formu için beş farklı matematiksel yöntem ile 10 farklı matematiksel model oluşturulmuştur. Yapılan analizler sonucunda tüm talaş kırıcı formları için gerçekleştirilen matematiksel modellemeler tutarlılık göstermiştir. Tüm deneylerde en yüksek başarım, Polinom (3) model ile elde edilmiştir. Matematiksel modellemeler arasında Fourier modeli, tüm deneylerde en düşük başarıma sahip model olarak gözlenmiştir. En yüksek R2 değeri (R2 =0.9503) ile en yüksek düzeltilmiş R2 değerine (R2 =0.8757) MS talaş kırıcı form kullanılarak elde edilen model ile ulaşılmıştır.
  • Küçük Resim
    Öğe
    Küreselleştirme ısıl işlemi uygulanmış AISI 1050 çeliǧinin yüzey pürüzlülük deǧerlerinin yapay sinir aǧları ile modellenmesi
    (IEEE, 2017-10-30) Baday, Şehmus; Başak, Hüdayim; Sönmez, Fikret
    Estimation 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.