Ark Kaynağı Elektrotlarındaki Kaynak Parametrelerinin Yapay Zekâ Yöntemleri ile İncelenmesi
Abstract
Son yıllarda oldukça popüler bir alan olan yapay zekânın alt yöntemlerinden Yapay Bağışıklık Sistemi (YBS) ile Klonal Seçim Algoritması (KSA) üzerine bir çok çalışma yapılmaktadır. Bu çalışmada, endüstride geniş bir kullanım alanına sahip kaynak makinası elektrotlarının en uygun değerlerinin bulunabilmesi için Yapay Bağışıklık Sistemi (YBS) algoritması ile, Bulanık Mantık yönteminin bir arada kullanıldığı hibrit bir model önerilmektedir. Gerçekleştirilen çalışmada kaynak sarf malzemesinin daha kaliteli bir ürün olması için gerçekleştirilen Ar-Ge faaliyetlerini hızlandırmak ve maliyetlerini düşürmek amacıyla kaynak parametrelerini optimize ederek kombinasyonlarını veren bir yazılım geliştirilmiştir. Visual Studio ortamında gerçekleştirilen bu çalışma ile farklı kaynak girdi parametreleri kullanılarak kaynak sarf malzemelerinin akma mukavemeti (N/mm²) optimize edilmiştir. Bu çalışmada kaynak üretim Ar-Ge faaliyetlerini hızlandırmak ve maliyetlerini düşürmek amacıyla YBS Klonal Seçim Algoritması (KSA) ile Bulanık Mantık hibrit algoritma yöntemi ele alınmıştır.
Keywords
Yapay bağışıklık sistemi, Bulanık mantık, Ark kaynak elektrotu, Hibrit sistemler, Klonal seçim algoritması
References
- [1] G. Casalino, F. Facchini, M. Mortello & G. Mummolo, “ANN modelling to optimize manufacturing processes: the case of laser welding” IFAC-PapersOnLine, vol. 49, no. 12, pp. 378-383, 2016.
- [2] S. Huff, “TIG Welding Skill Extraction using a Machine Learning Algorithm,” Texas State University, San Marcos, Texas, 2017.
- [3] S. Wu, T. Polte and D. Rehfeldt, “A fuzzy logic system for process monitoring and quality evaluation in GMAW,” Welding Journal, vol. 80, no. 2, pp.33-38, 2001.
- [4] S. Mahesh and V. Appalaraju, “Optimization of MIG Welding Parameters for Improving Strength of Welded Joints,” International Journal of Innovative Technology and Research, vol. 5, no. 3, pp. 6453-6458, 2017.
- [5] K. R. Naik and A. K. Khandelwal, “Effects of the Bead Geometry of MIG Arc Welding Analysis by Fuzzy Logic Method,” International Journal of Science, Engineering and Technology, vol. 5, no. 6, pp.166-171, 2017.
- [6] A. Al-Faruk, A. Hasib, N. Ahmed and U. K. Das, “Prediction of Weld Bead Geometry and Penetration in Electric Arc Welding using Artificial Neural Networks,” International Journal of Mechanical & Mechatronics Engineering, vol.10, no. 4, pp.19-24, 2010.
- [7] B. Sunil, B. B. Naik, K. Sammaiah, K. Murti and N. Ananth, “Discretization and artificial neural network approach in resistance spot welding of aluminium alloy AA6063 T6 sheets used in automotive applications,” International Journal of Advanced Research and Development, vol. 2, no.6, pp.371-377, 2017.
- [8] J. Timmis, T. Knight, L. N. Castro and E. Hart, “An Overview of Artificial Immune Systems”, in, Computation in Cells and Tissues, R. Paton, H. Bolouri, M. Holcombe, J. Parish, & R. Tateson Natural Computing Series, Berlin, Heidelberg: Springer, pp. 51-91, 2004.
- [9] S. Forrest, A. P. “Self-nonself discrimination in a computer,” IEEE Computer Society Symposium on Research in Security and Privacy, Oakland, 1994.
- [10] J. Brown, M. Anwar and G. Dozier, “Detection of Mobile Malware: An Artificial Immunity Approach,” IEEE Security and Privacy Workshops, San Jose, CA, 2016, pp. 74-80.