Yapay Sinir Ağı Yaklaşımı İle Tornalamada Yüzey Pürüzlülüğünün Tahmin Edilmesi

Year 2009, Volume: 22 Issue: 3, 65 - 75, 31.12.2009

Süleyman Neşeli Şakir Taşdemir Süleyman Yaldız

Abstract

Bu çalışmada, tornada takım geometrisinin yüzey pürüzlülüğüne etkisi incelenmiştir. Bunun için üniversal torna tezgâhında değişik yaklaşma açıları ve talaş açıları ile kuru kesme şartlarında, AISI 1040 çeliği üzerinden 0.5 mm derinliğinde talaş kaldırılarak 27 numune işlenmiş bu işlemden sonra yüzey pürüzlülük değerleri MAHR M1 Perthometer ile ölçülmüştür. Yapılan deneylerde elde edilen veriler bir Yapay Sinir Ağının (YSA) eğitiminde kullanılmıştır. YSA modellemesinde giriş parametreleri; uç radyüsü (r) yaklaşma açısı (Κ), talaş açısı (γ) ve çıkış parametresi; yüzey pürüzlülüğü (Ra) olarak belirlenmiştir. Bu modelleme ile yüzey pürüzlülük değerleri tahmin edilmiştir. YSA, Centrino Duo 1.83 GHz işlemcili Windows XP işletim sistemli bir donanıma sahip bilgisayarda MATLAB 7 programı kullanılarak tasarlanmıştır. Deneysel sonuçlarla YSA sonuçları istatistiksel olarak karşılaştırıldığında, tasarlanan modelin başarılı bir şekilde uygulandığı ve deney sonuçlarına yakın sonuçlar verdiği görülmüştür.

Keywords

Takım Geometrisi, Yüzey Pürüzlülüğü, Yapay Sinir Ağları.

Prediction Of Surface Roughness On Turning With Artificial Neural Network

Abstract

In this study, a surface roughness prediction model using artificial neural

network (ANN) is developed. For this purpose various machining operations are made on a

universal lathe in dry cutting conditions using various insert geometries of 27 samples. At the

end of the cutting operations, surface roughness has been measured using MAHR M1

Perthometer. After experimental study, to predict the surface roughness, an artificial neural

network (ANN) is developed using the data obtained. In modelling of ANN; tool nose radius (r),

approach angle (Κ), rake angle (γ) have been used as input parameters where the output

parameter is surface roughness (Ra). The ANN has been designed on a PC, with a Centrino Duo

1.83 GHz processor and Windows XP operation system, by using Matlab 7 software. Statistical

comparisons of the experimental data against ANN results show that the result of ANN model is

resembled to ANN results very closely.

Keywords

Tool geometry, Surface Roughness, Artificial Neural Network.

References

• [1] Y. Işık, M.C. Çakır, “Hız Çeliği Takımlar İçin Kesme Parametrelerinin Yüzey Pürüzlülüğüne Etkilerinin Deneysel Olarak İncelenmesi”, Teknoloji Dergisi, Sayı 1-2, ss. 111-118, 2001.
• [2] Ş. Taşdemir, S. Neşeli, İ. Sarıtaş, S. Yaldız, “Prediction of surface roughness using artificial neural network in Lathe”, CompSysTech’08, Gabrovo, Bulgaristan, 2008.
• [3] P.G. Benardos, G.C. Vosniakos, “Predicting surface roughness in machining: a review”, Int. J. Mach. Tools Manuf. 43, pp. 833–844, 2003.
• [4] G.P. Petropoulos, N.M. Vaxevanidis, C.N. Pandazaras, A.A. Antoniadis, “Multi-parameter identification and control of turned surface textures”, Int. J. Adv. Manuf. Technol, Vol. 29, pp. 118–128, 2006.
• [5] G. Boothroyd, W.A. Knight, “Fundamentals of Machining and Machine Tools”, Marcel Dekker, New York, 1989.
• [6] A.E. Diniz, R. Micaroni, “Cutting conditions for finish turning process aiming: the use of dry cutting”, Int. J. Mach. Tools Manuf., pp. 432, 899–904, 2002.
• [7] N. Allahverdi, “Uzman Sistemler, Bir Yapay Zeka Uygulaması”, Atlas Yayın Dağıtım, İstanbul, 2002.
• [8] E. Öztemel, “Yapay Sinir Ağları”, Papatya Yayıncılık, İstanbul, 2003.
• [9] S. Tasdemir, I. Saritas, M. Ciniviz, C. Cinar ve N. Allahverdi, “Application of artificial neural network for definition of a gasoline engine performance”, 4th International Advanced Technologies Symposium, Konya, Turkey, pp. 1030-1034, 28-30 Sept, 2005.
• [10] N.R. Abburi, U.S. Dixit, “A knowledge-based system for the prediction of surface roughness in turning process”, Rob. Comp. Integr. Manuf., Vol. 22, pp. 363–372, 2006.
• [11] T. Erzurumlu, H. Oktem, “Comparison of response surface model with neural network in determining the surface quality of moulded parts”, Mater. Des., Vol. 28, pp. 459–465, 2007.
• [12] J. Paulo Davim, V.N. Gaitonde, S.R. Karnik, “Investigations into the effect of cutting conditions on surface roughness in turning of free machining steel by ANN models”, Journal of Materials Processing Technology, Vol. 205, pp. 16–23, 2008.
• [13] C. Lu, “Study on prediction of surface quality in machining process”, Journal of Materials Processing Technology, Vol. 205, 439–450, 2008.
• [14] S. Neşeli, S. Yaldız, “Tornalamada Yaklaşma Açısı ve Talaş Açısına Bağlı Tırlama Titreşimlerinin Yüzey Pürüzlülüğüne Etkileri”, Politeknik Dergisi, Cilt.10, Sayı. 4, ss.219- 227, 2007.
• [15] M.A. Akçayol, C. Çınar, H.İ. Bülbül ve A. Kılıçarslan, “Artificial neural network based modeling of injection pressure in diesel engines”, World Scientific and Engineering Academy and Society (WSEAS) Transactions on Computers, ISSN 1109-2750, 3(5), pp. 1538-1544, 2004.
• [16] A. Şencan, “Artificial intelligent methods for thermodynamic evaluation of ammonia–water refrigeration systems”, Energy Conversion and Management, Vol. 47, pp. 3319-3332, 2006.
• [17] G. Scalabrin, M. Condosta ve P. Marchi, “Mixtures flow boiling: modeling heat transfer through artificial neural Networks”, International Journal of Thermal Sciences, Vol. 45, No. 7, pp. 664-680, 2006.
• [18] Y. Islamoglu ve A. Kurt, “Heat transfer analysis using ANNs with experimental data for air flowing in corrugated channels”, International Journal of Heat and Mass Transfer, 47, pp. 1361-1365, 2004.
• [19] C.S. Lee, W. Hwang,, H.C. Park ve K.S. Han, “Failure of carbon/epoxy composite tubes under combined axial and torsional loading 1. Experimental results and prediction of biaxial strength by the use of neural networks”, Composites Science and Technology, Vol. 59, No. 12, pp. 779-1788, 1999.