Yapay Sinir Ağları ve Regresyon Yöntemleri ile Geri Esneme Tahmini

Yıl 2019, , 433 - 446, 26.12.2019

Süleyman Kılıç

https://doi.org/10.35193/bseufbd.620010

Cited By: 3

Öz

Geri esneme,
imalat süreçlerinde karşılaşılan problemlerin başında gelmektedir. Geri esneme
işleminin giderilmesinde deneme yanılma gibi maliyetli yöntemler
kullanılmaktadır. Günümüz dünyasında bilgisayar teknolojisinin gelişmesiyle
beraber bütün alanlarda bilgisayar ve bilgisayar programlarının kullanımı
yaygınlaşmıştır. Yapay zekâ teknolojisi ile dışarıdan sisteme bilinen veriler
girilerek, sistemin bilinmeyen durumları tahmin etmesi beklenmektedir. Bu
çalışma kapsamında Yapay Sinir Ağları (YSA) ve Regresyon yöntemi kullanarak
geri esneme tahmini yapılmıştır. Farklı parametrelerin etkisini görebilmek için
farklı YSA modelleri oluşturulmuş ve birbiriyle kıyaslanmıştır. Yapılan çalışmalar
sonucunda YSA modellerinde uygun parametre seçiminin oldukça önemli olduğu
görülmüştür. YSA model sonuçlarının, Regresyon model sonuçlarından daha
başarılı tahminler yaptığı görülmüştür.

Anahtar Kelimeler

Yapay Sinir Ağları, Regresyon, AA7075, yaşlandırma

Kaynakça

• [1] Öztemel, E. (2003). Yapay sinir ağlari. Türkiye, 44.
• [2] Hamzaçebi, C. & Kutay, F. (2004). Yapay sinir ağlari ile Türkiye elektrik enerjisi tüketiminin 2010 yılına kadar tahmini. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 19 (3), 227-233.
• [3] Ataseven, B. (2014). Yapay sinir ağları ile öngörü modellemesi. Marmara Üniversitesi, 10 (39), 101-115.
• [4] Uğur, A. & Kınacı, A. C. (2006). Yapay zeka teknikleri ve yapay sinir ağları kullanılarak web sayfalarının sınıflandırılması. XI. Türkiye'de İnternet Konferansı Bildirileri, 362.
• [5] Kutlu, B. & Badur, B. (2009). Yapay sinir ağları ile borsa endeksi tahmini. Yönetim Dergisi, 20 (63), 45-40.
• [6] Yıldıran, A. & Kandemir, S. Y. (2018). Yağış Miktarının Yapay Sinir Ağları ile Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 5 (2), 97-104.
• [7] Güngör, O. (2019). Güneş Panellerinde Cuk Dönüştürücü Tabanlı Değişken Şartlar Altında PNO, BM ve YSA Algoritmalarının Karşılaştırmalı Performans Analizi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 6 (1), 66-76.
• [8] Kubat, C. & Kiraz, A. (2012). Yapay zeka kullanılarak sanal laboratuar tasarımında çekme testinin modellenmesi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 27 (1), 205-210.
• [9] Toktaş, İ. & Aktürk, N. (2011). Yapay sinir ağları tabanlı silindirik düz dişli çark tasarımı. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 13 (3), 387-395.
• [10] Ergür, H. S. (2007). Aşındırıcı su jetinin teorik analizi ve yapay sinir ağı yöntemiyle modellenmesi. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 22 (2), 179-197.
• [11] Bilgiç, H. H., Yağlı, H., Koç, A., & Yapıcı, A. (2016). Deneysel bir organik rankine çevriminde yapay sinir ağları (YSA) yardımıyla güç tahmini. Selçuk Üniversitesi Mühendislik, Bilim Ve Teknoloji Dergisi, 4 (1), 7-17.
• [12] Kılıç, S., Kacar, İ., Öztürk, F., Şahin, M., & Erdem, O. (2019). AA7075 Yaşlandırılmasında Farklı Ön Gerinmelerin Mekanik Özelliklere Etkilerinin İncelenmesi. International Journal of Advances in Engineering and Pure Sciences, 31 23-32.
• [13] Kılıç, S., Öztürk, F., & Toros, S. (2009). DP 800 çeliğinin Mekanik Özelliklerinin ve Geri Esneme Davranışının İncelenmesi. Makina Tasarım ve İmalat Dergisi, 11 (1), 40-45.
• [14] Ozturk, F., Toros, S., Kilic, S., & Bas, M. H. (2009). Effects of cold and warm temperatures on springback of aluminium—magnesium alloy 5083-H111. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 223 (4), 427-431.
• [15] Ozturk, F., Toros, S., & Kilic, S. (2009). Tensile and spring-back behavior of DP600 advanced high strength steel at warm temperatures. Journal of Iron and Steel Research, International, 16 (6), 41-46.
• [16] Inamdar, M., Date, P. P., Narasimhan, K., Maiti, S. K., & Singh, U. P. (2000). Development of an Artificial Neural Network to Predict Springback in Air Vee Bending. The International Journal of Advanced Manufacturing Technology, 16 (5), 376-381.
• [17] Kazan, R., Fırat, M., & Tiryaki, A. E. (2009). Prediction of springback in wipe-bending process of sheet metal using neural network. Materials & Design, 30 (2), 418-423.
• [18] Bozdemir, M. & Gulcu, M. (2008). Artificial neural network analysis of springback in V bending. Journal of Applied Sciences, 8 (17), 3038-3043.
• [19] Liu, W., Liu, Q., Ruan, F., Liang, Z., & Qiu, H. (2007). Springback prediction for sheet metal forming based on GA-ANN technology. Journal of Materials Processing Technology, 187-188 227-231.
• [20] Zhang, J., Zhang, F., Ruan, J., & He, K. (2018). Study on springback behavior of carbon steel during single-point dieless forming based on neural network method. Materials Science and Engineering, 397 (1), 012065.
• [21] Kilic, S., Kacar, I., Sahin, M., Ozturk, F., & Erdem, O. (2019). Effects of Aging Temperature, Time, and Pre-Strain on Mechanical Properties of AA7075. Materials Research, 5 (22), 1-15.
• [22] Çavuşlu, M. A., Becerikli, Y., & Karakuzu, C. (2012). Levenberg-Marquardt algoritması ile YSA eğitiminin donanımsal gerçeklenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 5 (1), 1-7.
• [23] Office, M. (2019). Korelasyon işlevi. https://support.office.com/tr-tr/article/korelasyon-i%C5%9Flevi-995dcef7-0c0a-4bed-a3fb-239d7b68ca92, 01.05.2019.
• [24] Köklü, N., Büyüköztürk, Ş., & Çokluk-Bökeoğlu, Ö. (2006). Sosyal Bilimler İçin İstatistik . Ankara, 264.