Estimation of Deformation in Nanocomposites Using Artificial Neural Networks and Deep Learning Algorithms

Abstract

Nanotechnology is revolutionary for many industries. The investments that countries make scientifically and economically reveal the significance of nanotechnology. In the world of science, data mining has an important place. Data science is used in many areas of technology. The mechanical properties usually determine where the nanocomposites are use. Determining mechanical properties with conventional tests is expensive and time consuming. Data mining techniques can provide solutions to these problems with lower costs. In this study, deep learning and artificial neural network algorithms were used to predict the deformation of different nanocomposites during tensile tests. The study showed that data mining algorithms could be successfully applied to nanocomposite applications. At the same time, it was determined that deep learning algorithms are more successful than artificial neural algorithms. The scientific work of data mining in nanotechnology is very limited. New studies are needed to simulate the production of nanocomposites with data mining algorithms.

Keywords

• Nanotechnology,Deep Learning,Artificial Neural Networks,Data

Yapay Sinir Ağları ve Derin Öğrenme Algoritmaları Kullanarak Nanokompozitlerde Deformasyonun Tahmin Edilmesi

Öz

Nanoteknoloji birçok endüstri için devrim niteliğindedir. Ülkelerin bilimsel ve ekonomik olarak yaptığı yatırımlar, nanoteknolojinin önemini ortaya koymaktadır. Bilim dünyasında veri madenciliği önemli bir yere sahiptir. Teknolojinin birçok alanında veri biliminden faydalanılmaktadır. Nanokompozitlerin kullanım yerini mekanik özellikler genellikle belirler. Geleneksel testler ile mekanik özellikleri belirlemek pahalı ve zaman alıcıdır. Veri madenciliği teknikleri bu problemlere daha düşük maliyetler ile çözümler sunabilmektedir. Bu çalışmada, derin öğrenme ve yapay sinir ağları algoritmaları farklı nanokompozitlerin çekme testleri sırasında deformasyonunu tahmin etmek için kullanılmıştır. Çalışma nanokompozit uygulamalarında veri madenciliği algoritmalarının başarılı bir şekilde uygulanabileceği gösterilmiştir. Aynı zamanda derin öğrenme algoritmalarının, yapay sinir algoritmalarından daha başarılı olduğu belirlenmiştir. Nanoteknoloji alanında veri madenciliğinin uygulandığı bilimsel çalışmalar çok sınırlı sayıdadır. Nanokompozitlerin üretiminin veri madenciliği algoritmaları ile simule edildiği yeni çalışmalara ihtiyaç vardır. 

Anahtar Kelimeler

• Derin Öğrenme,Yapay Sinir Ağları,Veri,Nanoteknoloji,Veri

Kaynakça

1. Bouafif H, Koubaa A, Perré P, Cloutier A. (2009). Effects of fiber characteristics on the physical and mechanical properties of wood plastic composites, Composites Part A: Applied Science and Manufacturing, 40(12), 1975-1981.
2. Chen X, Guo Q, Mi Y. (1998). Bamboo Fiber Reinforced Polypropylene Composites. A Study of the Mechanical Properties,” J. Appl. Polym. Sci., 69(10),1891-1899.
3. Elarabi H, Abdelgalil S.A. (2014). Application of artificial neural network for 242 prediction of Sudan soil profile,” Am. J. Eng. Technol. Soc. 1, 7-10.
4. Emel GG, Taşkın Ç. (2005). Veri Madenciliğinde Karar Ağaçları ve Bir Satış Analizi Uygulaması. Sosyal Bilimler Dergisi, 6(2).
5. Gassan J, Bledzki AK, (1997). The Influence of Fiber Surface Treatment on the Mechanical Properties of Jute-PP Composites,” Composites Part A, 28(12), 993-1000, 1997.
6. Jennings C, Wu D, Terpenny J. (2016). Forecasting obsolescence risk and product life cycle with machine learning. IEEE Transactions on Components, Packaging and Manufacturing Technology, 6(9), 1428-1439.
7. Kaya M, Özel SA. (2014). Açık Kaynak Kodlu Veri Madenciliği Yazılımlarının Karşılaştırılması. Akademik Bilişim Konferansı, 5-7 Şubat, pp: 47-53, Mersin.
8. Kurt R, Karayılmazlar S, İmren E, Çabuk Y. (2017). Yapay Sinir Ağları İle Öngörü Modellemesi: Türkiye Kağıt-Karton Sanayi Örneği. Journal of Bartin Faculty of Forestry, 19(2), 99-106.

9. Küçüksille EU, Selbas R, Şencan A, (2009). Data mining techniques for thermophysical properties of refrigerants. Energy Convers. Manage, 50(2), 399–412.
10. Leopord H, Cheruiyot WK. Kimani SA. (2016). Survey and Analysis on Classification and Regression Data Mining Techniques for Diseases Outbreak Prediction in
11. Datasets. The International Journal Of Engineering And Science, 5(9), 1-11.
12. Matuana LM, Heiden PA. (2004). Wood Composites, in: Encyclopedia of Polymer Science and Technology, J. I.Kroschwitz, Ed., John Wiley & Sons, Inc., New York.
13. Mengeloğlu F, Karakuş K. (2008). Polymer-Composites from Recyled High Density Polyethylene and Waste Lignocellulosic Materials, Fresenius Environmental Bulletin, 17(2), 211-217.
14. Özel C, Topsakal A. (2014). Veri Madenciliği Kullanarak Beton Basınç Dayanımının Belirlenmesi. Cumhuriyet Science Journal, 35(1), 1-11.
15. Pramanick PK, Dickson B. (1997). Thermoplastic composite from recycled plastic and wood flours,” In: Proceedings of the annual technical conference of the society of plastic engineers (ANTEC), Toronto, pp: 3136–3140.
16. Rende FŞ, Bütün G, Karahan Ş. (2016). Derin Öğrenme Algoritmalarında Model Testleri: Derin Testler. 10. Ulusal yazılım Mühendisliği Sempozyumu,24-26 Ekim, pp:54-59, Çanakkale.
17. Rudolph S. (2000). Boron Nitride (BN), American Ceramic Society Bulletin, 79(6), 2000
18. Söylemez İ, Doğan A, Özcan U. (2016). Trafik Kazalarında Birliktelik Kuralı Analizi: Ankara İli Örneği. Ege Academic Review, 16.
19. Sözen E, Bardak T, Peker H, Bardak S. (2017). Apriori Algoritması Kullanılarak Mobilya Seçimde Etkili Olan Faktörlerin Analizi. İleri Teknoloji Bilimleri Dergisi, 6(3), 679-684.
20. Terzi Ö, Küçüksille EU, Ergin G, İlker A. (2001). Veri madenciliği süreci kullanılarak güneş ışınımı tahmini. SDU International Technologic Science, 3(2), 29-37.
21. Terzi S, (2006). Modelling the pavement present serviceability index of flexible highway pavements using data mining. J. Appl. Sci., 6(1), 193–197.
22. Tiryaki S, Bardak S, Bardak T. (2015). Experimental investigation and prediction of bonding strength of Oriental beech (Fagus orientalis Lipsky) bonded with polyvinyl acetate adhesive. Journal of Adhesion Science and Technology, 29(23), 2521-2536. URL-1: https://medium.com/diaryofawannapreneur/deep-learning-for-computer-vision-for-the-average-person-861661d8aa61 Erişim Tarihi:28.07.2018
23. URL-2: http://docs.rapidminer.com/studio/operators/modeling/predictive/neural_nets/neural_net.html Erişim Tarihi:24.07.2018
24. Vande Velde K, Keikens P. (2001). Thermoplastic Polymers; Overview of Several Properties and Their Consequences in Flax Fiber Reinforced Composites, Polymer Testing., 20(8), 885-893.
25. Wang Y, Mao H, Yi Z. (2017). Protein secondary structure prediction by using deep learning method. Knowledge-Based Systems, 118, 115-123.
26. Wuppertal EW. (1981). Die Textilen Rohstoffe (Natur und Chemiefasern), Dr. Spohr-Verlag/Deutscher Fachverlag, Frankfurt.