Estimation of Ramberg-Osgood Parameters Using Artificial Neural Networks: Investigating The Effects of Input Parameters and Hidden Neuron Numbers on Estimation Accuracy

Year 2023, Volume: 64 Issue: 713, 633 - 651, 16.01.2024

Mehmet Alperen Soyer Ozler Karakas

Abstract

In this study, Ramberg-Osgood parameters, which are the cyclic strength coefficient (K’) and the cyclic strain-hardening exponent (n’) belonging to various steels, are estimated by means of artificial neural networks (ANN). The effects of input parameters and hidden neuron numbers on estimation accuracy are investigated. The ANN structure consists of nine input parameters, one hidden layer, and two output parameters. In order to investigate the effect of the parameters on the estimation accuracy, first the results for nine input parameters were found, then each input parameter was excluded from the estimation, and finally new results were obtained with eight input parameters. The number of hidden neurons, which is another factor affecting the results was varied in the range of 1-30, and its effect on the estimation results was observed. To reduce the randomization of the estimation results, 100 replications made for each parameter. As a result, while estimating the cyclic strength coefficient (K’), the best neuron number was 1, the most effective parameter on the result was yield strength (σy), and the least effective parameter on the result was Brinell hardness (BHN). While estimating the cyclic strain-hardening exponent (n’), the best neuron number was 17, the most effective parameter on the result was fatigue strength exponent (b), and the least effective parameter on the result was Young’s modulus (E). Also, the output parameters were estimated with high estimation accuracy.

Keywords

Ramberg-Osgood, artificial neural networks, estimation, machine learning, fatigue

Yapay Sinir Ağları Kullanılarak Ramberg-Osgood Parametrelerinin Tahmin Edilmesi: Girdi Parametreleri ve Nöron Sayılarının Tahminleme Doğruluğu Üzerindeki Etkilerinin İncelenmesi

Abstract

Bu çalışma kapsamında çeşitli çeliklere ait Ramberg-Osgood parametreleri olan çevrimsel dayanım katsayısı (K’) ve çevrimsel uzama sertleşme üsteli (n’) yapay sinir ağları (YSA) kullanılarak tahmin edilmiştir. Girdi parametrelerinin ve nöron sayılarının tahminleme doğruluğu üzerindeki etkileri incelenmiştir. YSA yapısında dokuz girdi parametresi, bir gizli katman ve iki çıktı parametresi içermektedir. Parametrelerin tahminleme doğruluğu üzerine etkisini gözlemlemek için önce dokuz girdi parametresine ait sonuçlar bulunmuş sonrasında sırasıyla her bir girdi parametresi tahminleme dışarısına çıkartılıp en sonunda sekiz girdi parametresi kalacak şekilde yeni sonuçlar elde edilmiştir. Bu sonuçlara etki eden diğer bir faktör olan nöron sayısı ise 1-30 aralığında değiştirilerek tahminleme sonuçlarına etkisi gözlemlenmiştir. Tahminleme sonuçlarının rastgeleliğini en aza indirmek için ise her bir parametre için 100 adet replikasyon yapılmıştır. Sonuç olarak çevrimsel dayanım katsayısı (K’) tahmin edilirken en iyi nöron sayısı 1, sonuca en çok etki eden parametre akma dayanımı (σy) ve en az etki eden parametre ise Brinell sertliği (BHN) olmuştur. Çevrimsel uzama sertleşme üsteli (n’) tahmin edilirken en iyi nöron sayısı 17, sonuca en çok etki eden parametre yorulma dayanım üsteli (b) ve en az etki eden parametre ise elastisite modülü (E) olmuştur. Ayrıca, çıktı parametreleri yüksek tahminleme doğruluğu ile tahmin edilmiştir.

Keywords

Ramberg-Osgood, yapay sinir ağları, tahminleme, makine öğrenmesi, yorulma

References

• Baranowski, P., & Malachowski, J., (2015). “Numerical Study of Selected Military Vehicle Chassis Subjected to Blast Loading in Terms of Tire Strength Improving’’. Bulletin of the polish academy of sciences Technical Sciences, vol. 63, no. 4, p. 867-878. Doi: https://doi.org/10.1515/bpasts-2015-0099.
• Cho, J.R., Lee J.H., Jeong K.M., Kim K.W., (2011). ‘‘Optimum Design of Run-Flat Tire Insert Rubber by Genetic Algorithm’’. Finite elements in analysis and design, vol 52, p. 60-70.
• Ejsmont, J., Jackowski J., Luty W., Motrycz G., Stryjek P., & Zurek, B.S., (2014). “Analysis of Rolling Resistance of Tires with Run Flat Insert’’. Key engineering materials, vol. 597, p. 165-170. Doi: https://doi.org/10.4028/www.scientific.net/KEM.597.165.
• Geredelioğlu, O., (2012). Taşıt Lastikleri. http://www.mmo.org.tr/resimler/dosya_ekler/ec629c5a05155f1 _ ek.pdf (Retrieved: 10.12.2022).
• Grimaldi, F.R., (1998). ‘‘Run-Flats for People Mover System’’. Transactions on the built environment, vol. 33, p. 511-520.
• “Hutchinson Defense and Mobility Systems’’. (2023). https://www.hutchinsoninc.com/about-us/ (Retrieved: 18- December-2023).
• Liu, H., Pan, Y., Bian, H., Wang, C., (2021). Optimize Design of RunFlat Tires by Simulation and Experimental Research. Materials, vol 14, p. 474-487.
• “Materials Informations Research’’. (2023). https://www.matweb.com/search/DataSheet.aspx?MatGUID= 10b74ebc2 7344380ab16b1b69f1cffbb (Retrieved: 31-January-2023).
• Mohamed Ali, N., Seng, C.H., Din, A.I., Hakim, A., & Mohamed, M.S., (2016). Design and Development of the Mechanism for Run Flat Tyre Part 1, Faculty of Mechanical Engineering, Universiti Malaysia Pahang.
• Pamuk, C., (2018). Run Flat sistemlerinin analizi. (Yüksek Lisans Tezi). Karabük Üniversitesi Fen Bilimleri Enstitüsü, Karabük.
• Zhou, G., Ma, Z.D., Cheng, A., Li, G., & Huang, J., (2014). ‘‘Design Optimization of a Run Flat Structure Based on Multi-Objectivegenetic Algorithm’’. Struct multidisc optim, vol. 51, p. 1363-1371. Doi: https://doi.org/ 10.1007/s00158-014-1217-5.