ANFIS Modeling of Surface Roughness in Milling Operation of 316L Stainless Steels

Yıl 2019, Cilt:7 Sayı:2 (2019) (Özel Sayı), 98 - 110, 30.03.2019

Yusuf Fedai Ali Ünüvar Hediye Kırlı Akın Gökhan Başar

https://doi.org/10.29130/dubited.466629

Cited By: 3

Öz

Stainless steel is a material that can be used in many areas because it resists corrosion excellently, can be used at low and high temperatures, is easy to shape and has a pleasant aestheticappearance. In this study, a model has been developed using the adaptive network based fuzzy logic inference system (ANFIS) approach based on the surface roughness cutting parameters of 316L stainless steel. Cutting speed, feed, cutting depth and cutting width are selected as cutting parameters. ANFIS modeling was performed using the ANFIS editor of the Matlab 8.5 program. When the experimental values were compared with the predicted values of the developed ANFIS model, it was found that the maximum percentage error value was 9.58 and the average percentage error value was 5.25. The correlation coefficient of the ANFIS model was 0.997. The results showed that ANFIS can be an effective method for estimating surface roughness in 316L stainless steel milling process.

316L Paslanmaz Çeliklerin Frezeleme işlemindeki Yüzey Pürüzlülüğün ANFIS ile Modellenmesi

Öz

Paslanmaz çelikler, mükemmel korozyon direnci, düşük ve yüksek sıcaklıklarda kullanılabilmesi, kolay şekillendirilebilmesi ve iyi estetik görünüme sahip olmasından dolayı birçok alanda kullanılabilen bir malzemedir. Bu çalışmada, 316L paslanmaz çeliğin yüzey pürüzlülüğü kesme parametrelerine bağlı olarak adaptif ağ tabanlı bulanık mantık çıkarım sistemi (ANFIS) yaklaşımı kullanılarak bir model geliştirilmiştir. Kesme parametreleri olarak kesme hızı, ilerleme, kesme derinliği ve kesme genişliği seçilmiştir. Matlab 8.5 programının ANFIS editörü kullanılarak ANFIS modellemesi gerçekleştirilmiştir. Geliştirilen ANFIS modelinin tahmin sonuçları ile deneysel sonuçlar karşılaştırıldığında en büyük yüzde hata değerinin 9,58 ve ortalama yüzde hata değerinin 5,25 olduğu tespit edilmiştir. ANFIS modelinin korelasyon katsayısı 0,997 olarak bulunmuştur. Sonuçlar, ANFIS modelinin 316L paslanmaz çeliğin frezeleme işleminde yüzey pürüzlülüğün tahmin edilmesinde etkin bir yöntem olabileceğini göstermiştir.

Anahtar Kelimeler

ANFIS, Yüzey pürüzlülüğü, Frezeleme, 316L paslanmaz çelik

Kaynakça

• [1] M. Dere ve İ. H. Filiz, “Experimental investigation of the effects of workpiece diameter and overhang length on the surface roughness in turning of free machining steel and modelling of surface roughness by using ANFIS,” Journal of the Faculty of Engineering and Architecture of Gazi University, 2018.
• [2] Y. Fedai ve A. Ünüvar, “Frezelemede optimum kesme parametrelerini belirlemek için yapay zeka sistemlerinden oluşan adaptif bir sanal operatörün geliştirilmesi,” 5. Ulusal Talaşlı İmalat Sempozyumu, Bursa, Türkiye, 2014, ss. 129-143.
• [3] E. Çelik ve T. Kıvak, “17-4 PH paslanmaz çeliğin tornalanmasında minimum miktarda yağlamanın yüzey pürüzlülüğü üzerindeki etkileri,” 7. Uluslararası Talaşlı İmalat Sempozyumu, İstanbul, Türkiye, 2016, ss. 214-221.
• [4] Y. Kayır, S. Aslan ve A. Aytürk, “AISI 316Ti paslanmaz çeliğin tornalanmasında kesici uç etkisinin Taguchi yöntemi ile analizi,” Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, c. 28, s. 2, ss. 363-372, 2013.
• [5] F. Kara, O. Özbek, M. Kam and H. Saruhan, “Optimization by Taguchi method of surface roughness and vibration in turning of AISI 4140 steel,” II. International Academic Research Congress - (INES 2017), Antalya, Türkiye, 2017, pp. 1132-1140.
• [6] I. Shivakoti, G. Kibria, P. M. Pradhan, B. B. Pradhan and A. Sharma, “ANFIS based prediction and parametric analysis during turning operation of stainless steel 202,” Materials and Manufacturing Processes, vol. 34, no. 1, pp. 112-121, 2019.
• [7] G. Basmaci, “Optimization of machining parameters for the turning process of AISI 316 L stainless steel and Taguchi design,” Acta Physica Polonica A, vol. 134, no. 1, pp. 260-264, 2018.
• [8] Ç. V. Yıldırım, “Grafit parçacık takviyeli nano akışkan kullanılarak AISI 316’nın frezelenmesinde yüzey pürüzlülüğü ve kesme sıcaklığının optimizasyonu,” Düzce Üniversitesi Bilim ve Teknoloji Dergisi, c. 7, s. 1, ss. 326-341, 2019.
• [9] F. Kara, K. Aslantas and A. Çiçek, “ANN and multiple regression method-based modelling of cutting forces in orthogonal machining of AISI 316L stainless steel,” Neural Computing and Applications, vol. 26, no. 1, pp. 237-250, 2015.
• [10] I. Korkut, M. Kasap, I. Ciftci and U. Seker, “Determination of optimum cutting parameters during machining of AISI 304 austenitic stainless steel,” Materials and Design, vol. 25, no. 4, pp. 303-305, 2004.
• [11] E. Şirin, Y. Turgut ve İ. Korkut, “Farklı sertlikteki AISI D2 soğuk iş takım çeliğinin frezeleme işleminde kesme parametrelerinin yüzey pürüzlülüğü ve takım aşınmasına etkisi,” Politeknik Dergisi, c. 15, s. 1, ss. 9-14, 2012.
• [12] E. Bahçeci ve A. Özer, “TiC kaplamalı takımla işlenen AISI 303 ve AISI 410 paslanmaz çeliklerin işlenebilirlik özelliklerinin değerlendirilmesi,” DEÜ Mühendislik Fakültesi Fen ve Mühendislik Dergisi, c. 15, s. 3, ss. 45-52, 2013.
• [13] F. Kara, K. Aslantaş and A. Çiçek, “Prediction of cutting temperature in orthogonal machining of AISI 316L using artificial neural network,” Applied Soft Computing, vol. 38, pp. 64-74, 2016.
• [14] Ö. Tekaslan, N. Gerger ve U. Şeker, “AISI 304 östenitik paslanmaz çeliklerde kesme parametrelerine bağlı olarak yüzey pürüzlülüklerinin araştırılması,” Balıkesir Üniversitesi Fen Bilimleri Enstitüsü Dergisi, c. 10, s. 2, ss. 3-12, 2016.
• [15] I. Maher, M. E. H. Eltaib, A. A. Sarhan and R. M. El-Zahry, “Investigation of the effect of machining parameters on the surface quality of machined brass (60/40) in CNC end milling—ANFIS modeling,” The International Journal of Advanced Manufacturing Technology, vol. 74 (1-4), pp. 531-537, 2014.
• [16] M. S. J. Hossain and N. Ahmad, “A neuro-fuzzy approach to select cutting parameters for commercial die manufacturing,” Procedia Engineering, vol. 90, pp. 753-759, 2014.
• [17] İ. Asiltürk and M Çunkaş, “Modeling and prediction of surface roughness in turning operations using artificial neural network and multiple regression method,” Expert systems with applications, vol. 38, no. 5, pp. 5826-5832, 2011.
• [18] H. Dilipak ve A. Gezgin, “AISI D3 çeliğinin frezelenmesinde, kesici uç sayısı, kesme hızı ve ilerleme miktarının yüzey pürüzlülüğü üzerindeki etkilerinin araştırılması,” Politeknik Dergisi, c. 13, s. 1, ss. 29-32, 2010.
• [19] Y. Fedai, “Frezeleme işlemlerinde sanal zeki adaptif kontrol sisteminin geliştirilmesi”, Doktora tezi, Makine Mühendisliği Bölümü, Selçuk Üniversitesi, Konya, Türkiye, 2016.