Research Article
BibTex RIS Cite

Estimation of Deformation in Nanocomposites Using Artificial Neural Networks and Deep Learning Algorithms

Year 2018, Volume: 20 Issue: 2, 223 - 231, 16.08.2018

Abstract

Nanotechnology is revolutionary for
many industries. The investments that countries make scientifically and
economically reveal the significance of nanotechnology. In the world of
science, data mining has an important place. Data science is used in many areas
of technology. The mechanical properties usually determine where the
nanocomposites are use. Determining mechanical properties with conventional
tests is expensive and time consuming. Data mining techniques can provide
solutions to these problems with lower costs. In this study, deep learning and
artificial neural network algorithms were used to predict the deformation of
different nanocomposites during tensile tests. The study showed that data
mining algorithms could be successfully applied to nanocomposite applications.
At the same time, it was determined that deep learning algorithms are more
successful than artificial neural algorithms. The scientific work of data
mining in nanotechnology is very limited. New studies are needed to simulate
the production of nanocomposites with data mining algorithms.

References

  • Bouafif H, Koubaa A, Perré P, Cloutier A. (2009). Effects of fiber characteristics on the physical and mechanical properties of wood plastic composites, Composites Part A: Applied Science and Manufacturing, 40(12), 1975-1981.
  • Chen X, Guo Q, Mi Y. (1998). Bamboo Fiber Reinforced Polypropylene Composites. A Study of the Mechanical Properties,” J. Appl. Polym. Sci., 69(10),1891-1899.
  • Elarabi H, Abdelgalil S.A. (2014). Application of artificial neural network for 242 prediction of Sudan soil profile,” Am. J. Eng. Technol. Soc. 1, 7-10.
  • Emel GG, Taşkın Ç. (2005). Veri Madenciliğinde Karar Ağaçları ve Bir Satış Analizi Uygulaması. Sosyal Bilimler Dergisi, 6(2).
  • Gassan J, Bledzki AK, (1997). The Influence of Fiber Surface Treatment on the Mechanical Properties of Jute-PP Composites,” Composites Part A, 28(12), 993-1000, 1997.
  • Jennings C, Wu D, Terpenny J. (2016). Forecasting obsolescence risk and product life cycle with machine learning. IEEE Transactions on Components, Packaging and Manufacturing Technology, 6(9), 1428-1439.
  • Kaya M, Özel SA. (2014). Açık Kaynak Kodlu Veri Madenciliği Yazılımlarının Karşılaştırılması. Akademik Bilişim Konferansı, 5-7 Şubat, pp: 47-53, Mersin.
  • Kurt R, Karayılmazlar S, İmren E, Çabuk Y. (2017). Yapay Sinir Ağları İle Öngörü Modellemesi: Türkiye Kağıt-Karton Sanayi Örneği. Journal of Bartin Faculty of Forestry, 19(2), 99-106.
  • Küçüksille EU, Selbas R, Şencan A, (2009). Data mining techniques for thermophysical properties of refrigerants. Energy Convers. Manage, 50(2), 399–412.
  • Leopord H, Cheruiyot WK. Kimani SA. (2016). Survey and Analysis on Classification and Regression Data Mining Techniques for Diseases Outbreak Prediction in
  • Datasets. The International Journal Of Engineering And Science, 5(9), 1-11.
  • Matuana LM, Heiden PA. (2004). Wood Composites, in: Encyclopedia of Polymer Science and Technology, J. I.Kroschwitz, Ed., John Wiley & Sons, Inc., New York.
  • Mengeloğlu F, Karakuş K. (2008). Polymer-Composites from Recyled High Density Polyethylene and Waste Lignocellulosic Materials, Fresenius Environmental Bulletin, 17(2), 211-217.
  • Özel C, Topsakal A. (2014). Veri Madenciliği Kullanarak Beton Basınç Dayanımının Belirlenmesi. Cumhuriyet Science Journal, 35(1), 1-11.
  • Pramanick PK, Dickson B. (1997). Thermoplastic composite from recycled plastic and wood flours,” In: Proceedings of the annual technical conference of the society of plastic engineers (ANTEC), Toronto, pp: 3136–3140.
  • Rende FŞ, Bütün G, Karahan Ş. (2016). Derin Öğrenme Algoritmalarında Model Testleri: Derin Testler. 10. Ulusal yazılım Mühendisliği Sempozyumu,24-26 Ekim, pp:54-59, Çanakkale.
  • Rudolph S. (2000). Boron Nitride (BN), American Ceramic Society Bulletin, 79(6), 2000
  • Söylemez İ, Doğan A, Özcan U. (2016). Trafik Kazalarında Birliktelik Kuralı Analizi: Ankara İli Örneği. Ege Academic Review, 16.
  • Sözen E, Bardak T, Peker H, Bardak S. (2017). Apriori Algoritması Kullanılarak Mobilya Seçimde Etkili Olan Faktörlerin Analizi. İleri Teknoloji Bilimleri Dergisi, 6(3), 679-684.
  • Terzi Ö, Küçüksille EU, Ergin G, İlker A. (2001). Veri madenciliği süreci kullanılarak güneş ışınımı tahmini. SDU International Technologic Science, 3(2), 29-37.
  • Terzi S, (2006). Modelling the pavement present serviceability index of flexible highway pavements using data mining. J. Appl. Sci., 6(1), 193–197.
  • Tiryaki S, Bardak S, Bardak T. (2015). Experimental investigation and prediction of bonding strength of Oriental beech (Fagus orientalis Lipsky) bonded with polyvinyl acetate adhesive. Journal of Adhesion Science and Technology, 29(23), 2521-2536. URL-1: https://medium.com/diaryofawannapreneur/deep-learning-for-computer-vision-for-the-average-person-861661d8aa61 Erişim Tarihi:28.07.2018
  • URL-2: http://docs.rapidminer.com/studio/operators/modeling/predictive/neural_nets/neural_net.html Erişim Tarihi:24.07.2018
  • Vande Velde K, Keikens P. (2001). Thermoplastic Polymers; Overview of Several Properties and Their Consequences in Flax Fiber Reinforced Composites, Polymer Testing., 20(8), 885-893.
  • Wang Y, Mao H, Yi Z. (2017). Protein secondary structure prediction by using deep learning method. Knowledge-Based Systems, 118, 115-123.
  • Wuppertal EW. (1981). Die Textilen Rohstoffe (Natur und Chemiefasern), Dr. Spohr-Verlag/Deutscher Fachverlag, Frankfurt.

Yapay Sinir Ağları ve Derin Öğrenme Algoritmaları Kullanarak Nanokompozitlerde Deformasyonun Tahmin Edilmesi

Year 2018, Volume: 20 Issue: 2, 223 - 231, 16.08.2018

Abstract

Nanoteknoloji
birçok endüstri için devrim niteliğindedir. Ülkelerin bilimsel ve ekonomik
olarak yaptığı yatırımlar, nanoteknolojinin önemini ortaya koymaktadır. Bilim
dünyasında veri madenciliği önemli bir yere sahiptir. Teknolojinin birçok
alanında veri biliminden faydalanılmaktadır. Nanokompozitlerin kullanım yerini
mekanik özellikler genellikle belirler. Geleneksel testler ile mekanik
özellikleri belirlemek pahalı ve zaman alıcıdır. Veri madenciliği teknikleri bu
problemlere daha düşük maliyetler ile çözümler sunabilmektedir. Bu çalışmada,
derin öğrenme ve yapay sinir ağları algoritmaları farklı nanokompozitlerin
çekme testleri sırasında deformasyonunu tahmin etmek için kullanılmıştır.
Çalışma nanokompozit uygulamalarında veri madenciliği algoritmalarının başarılı
bir şekilde uygulanabileceği gösterilmiştir. Aynı zamanda derin öğrenme
algoritmalarının, yapay sinir algoritmalarından daha başarılı olduğu
belirlenmiştir. Nanoteknoloji alanında veri madenciliğinin uygulandığı bilimsel
çalışmalar çok sınırlı sayıdadır. Nanokompozitlerin üretiminin veri madenciliği
algoritmaları ile simule edildiği yeni çalışmalara ihtiyaç vardır. 

References

  • Bouafif H, Koubaa A, Perré P, Cloutier A. (2009). Effects of fiber characteristics on the physical and mechanical properties of wood plastic composites, Composites Part A: Applied Science and Manufacturing, 40(12), 1975-1981.
  • Chen X, Guo Q, Mi Y. (1998). Bamboo Fiber Reinforced Polypropylene Composites. A Study of the Mechanical Properties,” J. Appl. Polym. Sci., 69(10),1891-1899.
  • Elarabi H, Abdelgalil S.A. (2014). Application of artificial neural network for 242 prediction of Sudan soil profile,” Am. J. Eng. Technol. Soc. 1, 7-10.
  • Emel GG, Taşkın Ç. (2005). Veri Madenciliğinde Karar Ağaçları ve Bir Satış Analizi Uygulaması. Sosyal Bilimler Dergisi, 6(2).
  • Gassan J, Bledzki AK, (1997). The Influence of Fiber Surface Treatment on the Mechanical Properties of Jute-PP Composites,” Composites Part A, 28(12), 993-1000, 1997.
  • Jennings C, Wu D, Terpenny J. (2016). Forecasting obsolescence risk and product life cycle with machine learning. IEEE Transactions on Components, Packaging and Manufacturing Technology, 6(9), 1428-1439.
  • Kaya M, Özel SA. (2014). Açık Kaynak Kodlu Veri Madenciliği Yazılımlarının Karşılaştırılması. Akademik Bilişim Konferansı, 5-7 Şubat, pp: 47-53, Mersin.
  • Kurt R, Karayılmazlar S, İmren E, Çabuk Y. (2017). Yapay Sinir Ağları İle Öngörü Modellemesi: Türkiye Kağıt-Karton Sanayi Örneği. Journal of Bartin Faculty of Forestry, 19(2), 99-106.
  • Küçüksille EU, Selbas R, Şencan A, (2009). Data mining techniques for thermophysical properties of refrigerants. Energy Convers. Manage, 50(2), 399–412.
  • Leopord H, Cheruiyot WK. Kimani SA. (2016). Survey and Analysis on Classification and Regression Data Mining Techniques for Diseases Outbreak Prediction in
  • Datasets. The International Journal Of Engineering And Science, 5(9), 1-11.
  • Matuana LM, Heiden PA. (2004). Wood Composites, in: Encyclopedia of Polymer Science and Technology, J. I.Kroschwitz, Ed., John Wiley & Sons, Inc., New York.
  • Mengeloğlu F, Karakuş K. (2008). Polymer-Composites from Recyled High Density Polyethylene and Waste Lignocellulosic Materials, Fresenius Environmental Bulletin, 17(2), 211-217.
  • Özel C, Topsakal A. (2014). Veri Madenciliği Kullanarak Beton Basınç Dayanımının Belirlenmesi. Cumhuriyet Science Journal, 35(1), 1-11.
  • Pramanick PK, Dickson B. (1997). Thermoplastic composite from recycled plastic and wood flours,” In: Proceedings of the annual technical conference of the society of plastic engineers (ANTEC), Toronto, pp: 3136–3140.
  • Rende FŞ, Bütün G, Karahan Ş. (2016). Derin Öğrenme Algoritmalarında Model Testleri: Derin Testler. 10. Ulusal yazılım Mühendisliği Sempozyumu,24-26 Ekim, pp:54-59, Çanakkale.
  • Rudolph S. (2000). Boron Nitride (BN), American Ceramic Society Bulletin, 79(6), 2000
  • Söylemez İ, Doğan A, Özcan U. (2016). Trafik Kazalarında Birliktelik Kuralı Analizi: Ankara İli Örneği. Ege Academic Review, 16.
  • Sözen E, Bardak T, Peker H, Bardak S. (2017). Apriori Algoritması Kullanılarak Mobilya Seçimde Etkili Olan Faktörlerin Analizi. İleri Teknoloji Bilimleri Dergisi, 6(3), 679-684.
  • Terzi Ö, Küçüksille EU, Ergin G, İlker A. (2001). Veri madenciliği süreci kullanılarak güneş ışınımı tahmini. SDU International Technologic Science, 3(2), 29-37.
  • Terzi S, (2006). Modelling the pavement present serviceability index of flexible highway pavements using data mining. J. Appl. Sci., 6(1), 193–197.
  • Tiryaki S, Bardak S, Bardak T. (2015). Experimental investigation and prediction of bonding strength of Oriental beech (Fagus orientalis Lipsky) bonded with polyvinyl acetate adhesive. Journal of Adhesion Science and Technology, 29(23), 2521-2536. URL-1: https://medium.com/diaryofawannapreneur/deep-learning-for-computer-vision-for-the-average-person-861661d8aa61 Erişim Tarihi:28.07.2018
  • URL-2: http://docs.rapidminer.com/studio/operators/modeling/predictive/neural_nets/neural_net.html Erişim Tarihi:24.07.2018
  • Vande Velde K, Keikens P. (2001). Thermoplastic Polymers; Overview of Several Properties and Their Consequences in Flax Fiber Reinforced Composites, Polymer Testing., 20(8), 885-893.
  • Wang Y, Mao H, Yi Z. (2017). Protein secondary structure prediction by using deep learning method. Knowledge-Based Systems, 118, 115-123.
  • Wuppertal EW. (1981). Die Textilen Rohstoffe (Natur und Chemiefasern), Dr. Spohr-Verlag/Deutscher Fachverlag, Frankfurt.
There are 26 citations in total.

Details

Primary Language Turkish
Journal Section Biomaterial Engineering, Bio-based Materials, Wood Science
Authors

Eser Sözen

Timuçin Bardak

Deniz Aydemir

Selahattin Bardak

Publication Date August 16, 2018
Published in Issue Year 2018 Volume: 20 Issue: 2

Cite

APA Sözen, E., Bardak, T., Aydemir, D., Bardak, S. (2018). Yapay Sinir Ağları ve Derin Öğrenme Algoritmaları Kullanarak Nanokompozitlerde Deformasyonun Tahmin Edilmesi. Bartın Orman Fakültesi Dergisi, 20(2), 223-231.


Bartin Orman Fakultesi Dergisi Editorship,

Bartin University, Faculty of Forestry, Dean Floor No:106, Agdaci District, 74100 Bartin-Turkey.

Fax: +90 (378) 223 5077, Fax: +90 (378) 223 5062,

E-mail: bofdergi@gmail.com