Cu-TiC KOMPOZİTLERİN MEKANİK VE FİZİKSEL ÖZELLİKLERİNİN YAPAY SİNİR AĞLARI (YSA) MODELİ İLE TAHMİNİ

Yıl 2017, Cilt: 12 Sayı: 3, 122 - 129, 06.07.2017

Sekan Islak Mehmet Akkaş Ünal Kaya Hacı Güzel Güleç

Öz

Bu çalışma, sıcak presleme tekniği ile üretilen Cu-TiC kompozitlerin
mekanik ve fiziksel özelliklerinin yapay sinir ağları (YSA) modeli ile tahmin
etmeyi amaçlamaktadır. Giriş parametresi olarak, bakır matrise ilave edilen
titanyum karbürün miktarı seçilirken, çıkış değerleri olarak bağıl yoğunluk,
sertlik, elektriksel iletkenlik, çapraz kırılma dayanımı, sürtünme katsayısı ve
aşınma oranı değerleri seçilmiştir. Eğitim veri girişlerinde TiC miktarı ağ. %0, 1, 3, 5, 10 ve 15 olarak çalışılmıştır. Bu
değerler eğitildikten sonra ağ. %2, 4, 6, 8, 12 ve 14 TiC katkılı bakır
kompozitlerin çıkış değerleri tahmin edilmiştir. Tüm tahminlerde regresyon
değerlerinin 1’e çok yakın olduğu görülmektedir. Bu sonuç YSA model çıkışının
gerçek verilere çok yakın değerler olduğunu göstermektedir.   

Anahtar Kelimeler

YSA, Cu-TiC Kompozitler, Sıcak Presleme, Mekanik Özellikler, Fiziksel Özellikler

Kaynakça

• 1. Lu, J., Shu, S., Qiu, F., Wang, Y., and Jiang, Q., (2012). Compression Properties and Abrasive Wear Behavior Of High Volume Fraction Ticx–Tib2/Cu Composites Fabricated by Combustion Synthesis and Hot Press Consolidation. Materials & Design, Vol:40, pp:157-162.
• 2. Eslami, M., Golestani-fard, F., Saghafian, H., and Robin, A., (2013). Study on Tribological Behavior of Electrodeposited Cu–Si3N4 Composite Coatings. Materials & Design: Vol:58, pp:557-569.
• 3. Selvakumar, N. and Vettivel, S.C., (2013). Thermal, Electrical and Wear Behavior of Sintered Cu–W Nanocomposite. Materials & Design: Vol:46, pp:16–25.
• 4. Vettivel, S.C., Selvakumar, N., Leema, N., and Lenin, A.H., (2014). Electrical Resistivity, Wear Map and Modelling of Extruded Tungsten Reinforced Copper Composite. Materials & Design: Vol:56, pp:791-806.
• 5. Çelikyürek, İ., Körpe, N.Ö., Ölçer, T., and Gürler, R., (2011). Microstructure, Properties and Wear Behaviors of (Ni3Al)p Reinforced Cu Matrix Composites. Journal of Materials Science & Technology: Vol:27(10), pp:937-943.
• 6. Zhang, L. He, X.B., Qu, X.H., Duan, B.H., Lu, X., and Qin, M.L., (2008). Dry Sliding Wear Properties of High Volume Fraction Sicp/Cu Composites Produced By Pressureless Infiltration, Wear: Vol:265(11–12), pp:1848-1856.
• 7. Fathy, A., Shehata, F., Abdelhameed, M., and Elmahdy, M., (2012). Compressive and Wear Resistance of Nanometric Alumina Reinforced Copper Matrix Composites. Materials & Design: Vol:36, pp:100-107.
• 8. Allahverdi, N., (2012). Uzman Sistemler Bir Yapay Zeka Uygulaması. İstanbul: Atlas Yayın Dağıtım.
• 9. Sağıroğlu, Ş., (2011). Yapay Sinir Ağları ve Mühendislik Uygulamaları Semineri. Erciyes: Erciyes Üniversitesi Mühendislik Fakültesi Bilgisayar Mühendisliği.
• 10. Elmas, Ç., (2011). Yapay Zeka Uygulamaları, Ankara: Seçkin Yayıncılık.
• 11. Bayır, R., (2008). Yapay Zeka Teknikleri Dersi Ders Notları. Karabük: Karabük Üniversitesi Elektronik ve Bilgisayar Eğitimi Bölümü.
• 12. Saraç, T., (2004). Yapay Sinir Ağlan Seminer Projesi. Ankara: Gazi Üniversitesi Endüstri Mühendisliği Bölümü.
• 13. Taşkın, M. and Çalıgülü, U., (2006). Modelling of Microhardness Values By Means of Artificial Neural Networks of Al/Sicp Metal Matrix Composite Material Couples Processed With Diffusion Method. Mathematical and Computational Applications: Vol:11(3), pp:163-172.
• 14. Taşkin, M., Çaligulu, U., and Gur, A.K., (2008). Modeling Adhesive Wear Resistance of Al-Si-Mg-/Sicp PM Compacts Fabricated By Hot Pressing Process, By Means Of ANN. The International Journal of Advanced Manufacturing Technology: Vol:37(7), pp:715-721.
• 15. Durmuş, H.K., Özkaya, E., and Meriç, C., (2006). The Use of Neural Networks For The Prediction of Wear Loss and Surface Roughness of AA 6351 Aluminum Alloy. Materials & Design, Vol:27(2), pp:156-159.
• 16. Canakci, A., Ozsahin, S., and Varol, T., (2014). Prediction of Effect of Reinforcement Size and Volume Fraction on the Abrasive Wear Behavior of AA2014/B4C MMC Using Artificial Neural Network. Arabian Journal for Science & Engineering: Vol:39(8), pp:6351–6361.
• 17. Canakci, A., Varol, T., and Ozsahin, S., (2015). Artificial Neural Network To Predict The Effect Of Heat Treatment, Reinforcement Size, And Volume Fraction On Alcumg Alloy Matrix Composite Properties Fabricated By Stir Casting Method. The International Journal of Advanced Manufacturing Technology: Vol:78(1-4), pp:305-317.
• 18. Prakash, K.S., Thankachan, T., and Radhakrishnan, R., (2017). Parametric Optimization of Dry Sliding Wear Loss of Copper–MWCNT Composites. Transactions of Nonferrous Metals Society of China: Vol:27(3), pp:627-637.