Prediction of the Effect of Chuck and Tailstock Pressure on Vibration and Surface Roughness in Turning Using ANN Method

Öz

In this study, the workpieces were machined under constant cutting conditions using five different chuck and tailstock pressure levels, and the corresponding surface roughness and vibration values were obtained. The surface roughness and vibration values were trained using an artificial neural network (ANN) based on the chuck and tailstock pressures defined as input parameters. In the ANN model, the Levenberg–Marquardt training algorithm was used. Subsequently, the accuracy of the obtained results was evaluated using the K-fold cross-validation method. As a result of the trained ANN model, the regression coefficient values for the vibration data were obtained as 0.96702, 0.91189, 0.98019, and 0.85546 for the test, validation, training, and overall datasets, respectively. For the surface roughness values, the regression coefficient values were determined to be 0.87425, 0.9952, 0.87581, and 0.84159 for the test, validation, training, and overall datasets, respectively. As a result of the K-fold cross-validation, the error rates were found to be quite low, indicating that the developed ANN model can be used reliably.

Anahtar Kelimeler

• Artificial Neural Network
• Chuck and Tailstock Pressure
• Surface roughness
• Vibration
• AISI 304
• K fold cross-validation

Proje Numarası

TÜBİTAK (2209/B destek programı)

Tornalamada Ayna ve Punta Basıncının Titreşim ve Yüzey Pürüzlülüğü Üzerindeki Etkisinin YSA Yöntemi Kullanılarak Tahmini

Öz

Bu çalışmada, sabit kesme şartlarında beş farklı ayna ve punta basıncı seçilerek iş parçaları işlenmiş ve yüzey pürüzlülük ile titreşimleri değerleri elde edilmiştir. Yüzey pürüzlülük ve titreşim değerleri giriş parametresi olarak belirlenen ayna ve punta basınçlarına bağlı olarak yapay sinir ağı (YSA) ile eğitilmiştir. YSA modelinde, Levenberg–Marquardt eğitim algoritması kullanılmıştır. Daha sonra K-fold çapraz doğrulama yöntemi ile de elde edilen sonuçların doğruluğu test edilmiştir. Eğitilen YSA modeli sonucunda, titreşim değerleri için test, doğrulama, eğitim ve tüm regresyon katsayı değerleri sırasıyla 0,96702 – 0,91189 – 0,98019 ve 0,85546 olarak elde edilmiştir. Yüzey pürüzlülük değerleri için ise test, doğrulama, eğitim ve tüm regresyon katsayı değerlerinin sırasıyla 0,87425 – 0,9952 – 0,87581 ve 0,84159 olduğu belirlenmiştir. K-fold çapraz doğrulama sonucunda hata oranları oldukça düşük çıkmış ve elde edilen YSA modelinin güvenli bir şekilde kullanılabileceğini göstermiştir.

Anahtar Kelimeler

• Yapay Sinir Ağları
• Ayna ve Punta Basıncı
• Yüzey Pürüzlülüğü
• Titreşim
• K fold çapraz doğrulama

Destekleyen Kurum

TÜBİTAK

Proje Numarası

TÜBİTAK (2209/B destek programı)

Teşekkür

TÜBİTAK (2209/B destek programı), Yavuzlar Kardeşler ve Batman Üniversitesi’ne sunmuş oldukları desteklerden dolayı teşekkür ederiz.

Kaynakça

1. 1. Kam, M. & Demirtaş, M. (2021). Analysis of tool vibration and surface roughness during turning process of tempered steel samples using Taguchi method. Proceedings of the Institution of Mechanical Engineers, Part E, 235(5), 1429-1438.
2. 2. Abellán-Nebot, J.V., Vila Pastor, C. & Siller, H.R. (2024). A review of the factors influencing surface roughness in machining and their impact on sustainability. Sustainability, 16(5), 1917.
3. 3. Akkuş, H. & Yaka, H. (2022). Optimization of cutting parameters in turning of titanium alloy (Grade 5) by analysing surface roughness, tool wear and energy consumption. Exp Tech, 46, 945-956.
4. 4. Şahinoğlu, A. & Ulas, E. (2020). An investigation of cutting parameters effect on sound level, surface roughness, and power consumption during machining of hardened AISI 4140. Mechanics & Industry, 21(5), 523.
5. 5. Mahajan, K.A., Pawade, R.S. & Mishra, V. (2022). Tool vibration effect on surface roughness of polymethylmethacrylate in diamond turning. Materials and Manufacturing Processes, 37(3), 271-282.
6. 6. Yousefi, S. & Zohoor, M. (2019). Effect of cutting parameters on the dimensional accuracy and surface finish in the hard turning of MDN250 steel with cubic boron nitride tool, for developing a knowledged base expert system. International Journal of Mechanical and Materials Engineering, 14, 1-13.
7. 7. Şahinoğlu, A. & Rafighi, M. (2020). Investigation of vibration, sound intensity, machine current and surface roughness values of AISI 4140 during machining on the lathe. Arabian Journal for Science and Engineering, 45, 765-778.
8. 8. Asiltürk, I. & Çunkaş, M. (2011). Modeling and prediction of surface roughness in turning operations using artificial neural network and multiple regression method. Expert Systems With Applications,38(5), 5826-5832.

9. 9. Akkuş, H. (2021). AISI 1040 Çeliğinin işlenebilirliği sırasında oluşan yüzey pürüzlülüğü değerlerinin farklı tahmin modelleri ile araştırılması. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 24(2), 84-92.
10. 10. Gürbüz, H. & Gönülaçar Y.E. (2021). Analysis of experimental values obtained at different cutting parameters and MQL flows with S/N ratios and ANN. Journal of Polytechnic, 24(3), 1093-1107.
11. 11. Bober, P., Zgodavová, K., Čička, M., Mihaliková, M. & Brindza, J. (2024). Predictive quality analytics of surface roughness in turning operation using polynomial and artificial neural network models. Processes, 12(1), 206.
12. 12. Demirdöğen, M.F., Kılıç, S. ve Öztürk, F. (2022). Yüzey pürüzlülüğünün tahmininde farklı yöntemlerin incelenmesi. Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, 37(2), 531-542.
13. 13. Akkuş, H. (2020). AISI 1040 çeliğinin tornalanması sonucu oluşan yüzey pürüzlülük değerlerinin RSM ve YSA ile araştırılması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 7(100. Yıl Özel Sayı), 186-197.
14. 14. Gürbüz, H., Sözen, A. & Şeker, U. (2016). Modelling of effects of various chip breaker forms on surface roughness in turning operations by utilizing artificial neural networks. Journal of Polytechnic, 19(1), 71-83.
15. 15. Serin, G., Kahya, M., Özbayoğlu, M. ve Ünver, H.Ö. (2019). Ti6Al4V malzemesinin tornalama işleminde özgül kesme enerjisi ve yüzey pürüzlüğünün incelenmesi ve yapay sinir ağları temelli tahmin modeli geliştirilmesi. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 24(2), 517-536.
16. 16. Arapoğlu, R.A., Sofuoğlu, M.A. & Orak, S. (2017). An ANN-based method to predict surface roughness in turning operations. Arabian Journal for Science and Engineering, 42, 1929-1940.
17. 17. Bayram, B.S., Yıldız, O. ve Korkut, İ. (2025). Yüzey pürüzlülüğünün makine öğrenmesi ile tahmin edilmesi. Politeknik Dergisi, 28(1), 187-195.