2 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 2 / 2
Öğe Farklı kesme parametreleri ve MQL debilerinde elde edilen deneysel değerlerin S/N oranları ve YSA ile analizi(Gazi Üniversitesi, 2021-09-21) Gürbüz, Hüseyin; Gönülaçar, Yunus EmreBu çalışmada, AISI 4140 çeliğinin tornalanması işleminde kesme hızı, ilerleme oranı ve MQL debisinin esas kesme kuvvetleri (Fc) ve ortalama yüzey pürüzlülüğüne (Ra) etkisi hem deneysel hem de istatiksel olarak incelenmiştir. Bu doğrultuda deney sonuçlarının değerlendirilmesinde sinyal/gürültü (S/N) oranları ve yapay sinir ağları (YSA) kullanılmıştır. İşleme deneylerinde, kesme parametreleri olarak üç farklı kesme hızı (75, 100, 125 m/dk), üç farklı ilerleme oranı (0,16 - 0,25 – 0,5 mm/dev), üç farklı MQL debisi (0,35 - 0,8 - 1,7 ml/dk) ve sabit kesme derinliği (2,5 mm) seçilmiştir. İşleme deneylerinde MQL debi artışının Fc üzerinde Ra’ya göre daha etkili olduğu tespit edilmiştir. Ayrıca tüm MQL debi uygulamalarında hem Fc hem de Ra’nın ilerleme oranı ile arttığı ve kesme hızı ile genel olarak azaldığı görülmüştür. Fc ve Ra için S/N oranları ve YSA ile elde edilen R2 değerleri R2 S/N(Fc)= 0,9996, R2 S/N(Ra)= 0,9984, R2 YSA(Fc)=0,9990 ve R2 YSA(Ra)=0,9884 bulunmuştur. S/N oranlarına göre Fc ve Ra üzerindeki en etkili kontrol faktörlerinin sırasıyla; ilerleme oranı, kesme hızı ve MQL debi olduğu belirlenmiştir. Elde edilen regresyon değerlerine bağlı olarak S/N oranlarının ve YSA’nın deneysel verileri yüksek güven aralığında tahmin etmede geçerli olduğu tespit edilmiştirÖğe 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.
