3+ ions. International Journal of Surface Science and Engineering, 10(1), 73. https://doi.org/10.1504/IJSURFSE.2016.075318" />
Krom kaplama, malzemelerin fiziksel özelliklerini ve korozyon dayanımını iyileştirmek için tüm dünyada yaygın olarak kullanılmaktadır. Bu çalışmada krom kaplamanın örtme gücünü tahmin etmek ve örtme gücüne etki eden öznitelikleri belirlemek için makine öğrenmesi algoritmaları kullanılmıştır. Bu amaçla GP (Gaussian Process), KNN (K-Nearest Neighbors), RF (Random Forest), SVR (Support Vector Regressor) ve XGB (eXtreme Gradient Boosting) algoritmaları seçilmiş ve bu algoritmaların hiper-parametreleri optimize edilmiştir. En yüksek R2 ve en düşük MSE değerlerini veren şartlar belirlenmiştir. Çapraz doğrulama için LOO (Leave One Out) metodu kullanılmıştır. En iyi sonuç SVR metodu ile elde edilmiştir. R2, MSE ve MAPE değeri sırasıyla 0,80, 0,26 ve 18.29 dur. Kaplamanın örtme gücüne etki eden en önemli iki öznitelik borik asit ve A kimyasalıdır. Bu kimyasalların yüksek seviyeleri kaplamanın örtme gücünü artırmıştır. Tüm algoritmaların hiper-parametreleri ızgara tarama yöntemi ile 2 veya daha fazla seviyede optimize edilmiştir. SVR metodunda en etkin iki hiper-parametre kernel ve C parametresidir. Kernel ve C hiper-parametreleri sırasıyla “rbf” ve 1 olduğu durumda en yüksek R2 değeri elde edilmiştir. Bu çalışma makine öğrenmesi algoritmalarını elektrokaplama sahasına uygulayan ilk çalışmalardandır. Bu yönüyle öncü olma niteliği taşımaktadır.
Makine öğrenmesi Cr(III) Elektrokaplama Destek Vektör Regresyonu (SVR) Rassal Orman (RF) K-En Yakın Komşu Algoritması (KNN)
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | MBD |
Authors | |
Publication Date | September 15, 2021 |
Submission Date | June 10, 2021 |
Published in Issue | Year 2021 Volume: 33 Issue: 2 |