Doğu Kayını Ahşabının Yüzey Pürüzlülüğünün Bir Yapay Sinir Ağı ile Modellenmesi

Year 2019, , 1867 - 1878, 31.07.2019

Abdullah Cemil İlçe , Hilal Singer

https://doi.org/10.29130/dubited.564000

Abstract

Bu çalışmanın amacı yapay sinir ağı
(YSA) yaklaşımı ile doğu kayını (Fagus
orientalis Lipsky) ahşabının yüzey pürüzlülüğünü modellemektir. İlk olarak,
yatay bant zımpara makinesinin çalışma parametreleri (60-80-100 zımpara numarası,
4-7-10 m/dk besleme hızı ve 0,1-0,2-0,3 mm kesme derinliği) belirlenmiştir.
Numunelerin yüzey pürüzlülüğü deneysel olarak kaydedildikten sonra veriler
eğitim ve test veri setlerine ayrılmıştır. Daha sonra,
mevcut veriler Ra, Rq ve Rz’nin tahmin değerlerini doğru bir şekilde elde etmek
için YSA yaklaşımı ile modellenmiştir. Deneysel sonuçlar ile teorik bulgular
arasındaki karşılaştırma (R_Ra = 0,99869, R_Rq = 0,9982 ve
R_Rz = 0,99882) birbirleriyle iyi bir uyum içinde olduğunu
göstermektedir. Bu bağlamda, bu çalışma, kayın yüzey pürüzlülüğünün yapay sinir
ağları yaklaşımı kullanılarak çok daha yüksek doğrulukta ve daha düşük
hatalarda mükemmel bir şekilde tahmin edildiğini göstermiştir.

Keywords

Yüzey pürüzlülüğü, Yapay sinir ağı, Zımpara kum büyüklüğü, Besleme hızı, Kesme derinliği

Modeling of Surface Roughness Belonging to Oriental Beech Wood with an Artificial Neural Networks

Abstract

The
aim of this study was to model the surface roughness of Oriental beech (Fagus orientalis Lipsky) wood with the aid
of artificial neural network (ANN) approach. Firstly, the working parameters of
a wide belt sanding machine were adjusted to be the sanding belt grit size of
60-100, feeding speed from 4 m/min to 10 m/min, and sanding cutting depth from
0.1 mm until 0.3 mm, respectively.  Secondly, after the surface roughness
of the samples was experimentally recorded, the data were divided into two
basic cathagories: namely, (I) the training sets and (II) test data sets. Thirdly,
they were modeled by the approach of artificial neural networks so that the
fundamental surface roughness parameters (Ra, Rq and Rz) can be anticipated
thoroughly. The comparisons between the experimental results and
theoretical findings (R_Ra = 0.99869, R_Rq =
0.9982 and R_Rz = 0.99882) show well-agreement with each
other’s. In this respect, this study declares that the surface roughness of the
solid beech was perfectly predicted within far higher accuracy and relatively
lower error by using the artificial neural networks approach.

Keywords

Surface roughness, Artificial neural network, Sandpaper grit size, Feed speed, Cutting depth

References

• [1] E. Csanády, E. Magoss, and L. Tolvaj, Quality of Machined Wood Surfaces, Basel: Springer International Publishing, 2015.
• [2] J. B. Taylor, A. L. Carrano and R. L. Lemaster, “Quantification of process parameters in a wood sanding operation,” Forest Products Journal, vol. 49, no. 5, pp. 41–46, 1999.
• [3] Y. Fujiwara, Y. Fujii, Y. Sawada and S. Okumura, “Development of a parameter to reflect the roughness of a wood surface that corresponds to tactile roughness,” Holz als Roh- und Werkstoff, vol. 59, no. 5, pp. 351–355, 2001.
• [4] P. L. Tan, S. Sharif and I. Sudin, “Roughness models for sanded wood surfaces,” Wood Science and Technology, vol. 46, no. 1–3, pp. 129–142, 2012.
• [5] M. Budakçı, A. C. İlçe, D. S. Korkut and T. Gürleyen, “Evaluating the surface roughness of heat-treated wood cut with different circular saws,” BioResources, vol. 6, no. 4, pp. 4247–4258, 2011.
• [6] Y. Örs and I. Baykan, “The effect of planning and sanding on surface roughness of massive wood,” Turkish Journal of Agriculture and Forestry, vol. 23, no. 3, pp. 577–582, 1999.
• [7] B. C. Bal, “CNC makinelerinin bazı ayarlarının parça işleme süresi ve lif levhanın yüzey pürüzlülüğü üzerine etkileri,” Mobilya ve Ahşap Malzeme Araştırmaları Dergisi, c. 1, s. 1, ss. 21–30, 2018.
• [8] B. C. Bal ve E. Akçakaya, “CNC makineleri ile işlenen lif levhaların yüzey pürüzlülüğü üzerine bıçak adımı, besleme hızı ve kesme derinliğinin etkileri,” Mobilya ve Ahşap Malzeme Araştırmaları Dergisi, c. 1, s. 2, ss. 86–93, 2018.
• [9] Y. Örs ve L. Gürleyen, “Ağaç malzemede yüzey düzgünlüğüne, rendelemede kesiş yönü, bıçak sayısı ve çeşidinin etkileri,” Politeknik Dergisi, c. 5, s. 4, ss. 335–339, 2002.
• [10] H. Efe ve L. Gürleyen, “Bazı ağaç malzemelerde kesiş yönü, kesici adeti ve devir sayısının yüzey düzgünlüğüne etkileri,” Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, c. 11, s. 12, ss. 34–44, 2003.
• [11] C. Söğütlü, “Bazı yerli ağaç türlerinin kündekâri yapımında kullanım imkânları,” Doktora Tezi, Fen Bilimleri Enstitüsü, Gazi Üniversitesi, Ankara, Türkiye, 2004.
• [12] S. Tiryaki, A. Malkoçoğlu and Ş. Özşahin, “Using artificial neural networks for modeling surface roughness of wood in machining process,” Construction and Building Materials, vol. 66, pp. 329–335, 2014.
• [13] S. Tiryaki, Ş. Özşahin and A. Aydın, “Employing artificial neural networks for minimizing surface roughness and power consumption in abrasive machining of wood,” European Journal of Wood and Wood Products, vol. 75, no. 3, pp. 347–358, 2017. [14] Ş. Özşahin ve H. Singer, “Odunun yüzey pürüzlülüğünün ve adezyon direncinin yapay sinir ağları ile tahmini,” Politeknik Dergisi, doi: 10.2339/politeknik.481762.
• [15] U. Atici, “Prediction of the strength of mineral admixture concrete using multivariable regression analysis and an artificial neural network,” Expert Systems with Applications, vol. 38, no.8, pp. 9609–9618, 2011.
• [16] S. Mahdevari and S. R. Torabi, “Prediction of tunnel convergence using Artificial Neural Networks,” Tunnelling and Underground Space Technology, vol. 28, pp. 218–228, 2012.
• [17] Method of taking samples for physical and mechanical experiments on wood and general properties, Türk Standartlar Enstitüsü TS 2470, 1976.
• [18] Wood-determination of moisture content for physical and mechanical tests, Türk Standartlar Enstitüsü TS 2471, 1976.
• [19] Geometrical Product Specifications (GPS) - Surface texture: Profile method - Terms, definitions and surface texture parameters, Uluslararası Standartlar Teşkilâtı ISO 4287, 1997.
• [20] P. T. Nastos, A. G. Paliatsos, K. V. Koukouletsos, I. K. Larissi and K. P. Moustris, “Artificial neural networks modeling for forecasting the maximum daily total precipitation at Athens, Greece,” Atmospheric Research, vol. 144, pp. 141–150, 2014.
• [21] A. K. Yadav and S. S. Chandel, “Solar radiation prediction using artificial neural network techniques: a review,” Renewable and Sustainable Energy Reviews, vol. 33, pp. 772–781, 2014.
• [22] T. B. M. J. Ouarda and C. Shu, “Regional low-flow frequency analysis using single and ensemble artificial neural networks,” Water Resources Research, vol. 45, no. 11, W11428, 2009.
• [23] T. Varol, A. Canakci and S. Ozsahin, “Prediction of the influence of processing parameters on synthesis of Al2024-B4C composite powders in a planetary mill using an artificial neural network,” Science and Engineering of Composite Materials, vol. 21, no. 3, pp. 411–420, 2014.
• [24] S. Tiryaki, S. Bardak and T. Bardak , “Experimental investigation and prediction of bonding strength of Oriental beech (Fagus orientalis Lipsky) bonded with polyvinyl acetate adhesive,” Journal of Adhesion Science and Technology, vol. 29, no. 23, pp. 2521–2536, 2015.
• [25] A. Akkoyunlu, K. Yetilmezsoy, F. Erturk and E. Oztemel, “A neural network-based approach for the prediction of urban SO2 concentrations in the Istanbul Metropolitan Area,” International Journal of Environment and Pollution, vol. 40, no. 4, pp. 301–321, 2010.
• [26] P. Singh and B. Borah, “Indian summer monsoon rainfall prediction using artificial neural network,” Stochastic Environmental Research and Risk Assessment, vol. 27, no. 7, pp. 1585–1599, 2013.
• [27] M. Çuhadar, İ. Güngör ve A. Göksu, “Turizm talebinin yapay sinir ağları ile tahmini ve zaman serisi yöntemleri ile karşılaştırmalı analizi: Antalya iline yönelik bir uygulama,” Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, c. 14, s. 1, pp. 99–114, 2009. [28] I. Yildirim, S. Ozsahin and K. C. Akyuz, “Prediction of the financial return of the paper sector with artificial neural networks,” BioResources, vol. 6, no. 4, pp. 4076–4091, 2011.
• [29] C. Hamzaçebi, D. Akay and F. Kutay, “Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting,” Expert Systems with Applications, vol. 36, no. 2, pp. 3839–3844, 2009.
• [30] G. Cybenko, “Approximation by superposition of a sigmoidal function,” Mathematics of Control, Signals and Systems, vol. 2, no. 4, pp. 303–314, 1989.
• [31] K. P. Somashekhar , N. Ramachandran and J. Mathew, “Optimization of material removal rate in micro-edm using artificial neural network and genetic algorithms,” Materials and Manufacturing Processes, vol. 25, no. 6, pp. 467–475, 2010.
• [32] H. Küçükönder, S. Boyacı and A. Akyüz, “A modeling study with an artificial neural network: developing estimation models for the tomato plant leaf area,” Turkish Journal of Agriculture and Forestry, vol. 40, pp. 203–212, 2016.