Yüzey Pürüzlülüğünün Tahmininde Farklı Yöntemlerin İncelenmesi

Yıl 2022, Cilt: 37 Sayı: 2, 531 - 542, 30.06.2022

Mehmet Fatih Demirdöğen , Süleyman Kılıç Fahrettin Öztürk

https://doi.org/10.21605/cukurovaumfd.1146582

Öz

Kalıpçılık sektöründe talaşlı imalat en yaygın kullanılan yöntemlerden birisi olup maliyeti önemli ölçüde etkilemektedir. Özellikle istenilen yüzey pürüzlülüğü/kalitesini düşük maliyetle minimum işleme zamanında elde etmek temel amaçtır. Yüzey kalitesi: kesme hızı, ilerleme, talaş derinliği, titreşim, soğutma sıvısı, kullanılan kesici uç özellikleri/geometrisi gibi birçok parametreye bağlı olarak değişmektedir. Bu çalışmada, sıcak iş takım çeliğinin farklı parametrelerde tornalanması sonucu yüzey pürüzlülüğü incelenmiştir. Aynı zamanda, elde edilen deneysel verilerden regresyon, yapay sinir ağları ve bulanık mantık tahmin modelleri oluşturulmuştur. Bu sayede farklı parametrelerdeki yüzey pürüzlülük değerleri elde edilmiştir. Deneysel sonuçlarla model sonuçları karşılaştırıldığında, yaklaşık %5 hata ile en yakın tahmin Sugeno bulanık mantık modeli ile elde edilmiştir.

Anahtar Kelimeler

Yapay sinir ağları, Sugeno, Anfis, Regresyon, Yüzey pürüzlülüğü

Investigation of Different Methods for Estimating Surface Roughness

Öz

Machining is one of the most widely used manufacturing processes in the mold industry and which affects the manufacturing cost significantly. Particularly, the desired surface roughness/quality at a low cost at minimum machining time is the ultimate target. Surface quality depends on many parameters such as cutting speed, feed, depth of cut, vibration, coolant, insert properties/geometry used. In this study, surface roughnesses after turning of hot work tool steel at different parameters are investigated. At the same time, regression, artificial neural network, and fuzzy logic prediction models are developed from the experimental data. Therefore, surface roughness values at the different parameters are determined. The closest estimate with approximately 5% error is obtained by the Sugeno fuzzy logic model when it compared to experimental results.

Anahtar Kelimeler

Artificial neural networks, Sugeno, Anfis, Regression, Surface roughness

Kaynakça

• 1. MEB, 2003. Metal Mesleğinde Tablolar, Milli Eğitim Basımevi, İstanbul, 304.
• 2. Bodur, M.S., 2022. AISI 304 Paslanmaz Çelik Talaşlı Şekil Verme Işlemlerinde Yüzey Pürüzlülüğü ve Güç Tüketimini Azaltmaya Yönelik İstatiksel Yaklaşım. Niğde Ömer Halisdemir Üniversitesi, Mühendislik Bilimleri Dergisi, 11(2), 379-86.
• 3. Pul, M., Özerkan, H.B., 2022. Al 6061 Alaşımının Işlenmesinde Kesme Derinliği ve Kesici Takım Geometrisinin Yüzey Pürüzlülüğüne ve Takım Aşınma Davranışına Etkisi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 37(4), 2013-2024.
• 4. Mamedov, A., 2021. Taguchi Yöntemleri Kullanılarak Frezeleme İşleminde Kesme Parametrelerinin Yüzey Pürüzlülüğüne Etkisinin Araştırılması. Mühendis ve Makina, 62(703), 321-331.
• 5. Gökçe, H., 2021. Al 1050-H14 Alaşımının Delinmesi Sürecinde Yüzey Pürüzlülüğü, Çapak Oluşumu, Takım Aşınması, Çaptan ve Silindiriklikten Sapmanın Modellenmesi ve Tahmini. İmalat Teknolojileri ve Uygulamaları, 2(1), 23-40.
• 6. Gürbüz, H., Baday, Ş., Ersöz, E., 2021. Kriyojenik İşlem Uygulanmış Kesici Takımlarla AISI 1050 Çeliğinin İşlenmesinde Yüzey Pürüzlülüğü ve Kesme Kuvvetlerinin Regresyon Analizi. 5th International Mardin Artuklu Scientific Researches Conference, 15- 16 Ocak 2021, Mardin, Turkey.
• 7. Çelik, E., Şirin, Ş., Kıvak, T., 2021. AISI 2507 Süper Dubleks Paslanmaz Çeliğinin Hibrit Soğutma/Yağlama Yöntemleri Altında Tornalanmasında Yüzey Kalitesinin İncelenmesi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 9(2), 929-942.
• 8. Kılıç, S., 2019. Yapay Sinir Ağları ve Regresyon Yöntemleri ile Geri Esneme Tahmini. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 6(2), 433-446.
• 9. Erdemir F., Özkan, M.T., 2018. Tırnaklı Birleştirmelerde Sıkma/Çözme Kuvvetinin Malzeme Türü ve Sürtünme Katsayısına Göre Yapay Sinir Ağları Metodu ile Modellenmesi. Gazi Mühendislik Bilimleri Dergisi, 4(3), 207-215.
• 10.Çakıroglu, R., Uzun, G., 2021. Yüksek İlerleme ile Frezeleme İşlemi Esnasında Oluşan Kesme Kuvvetinin ve İş Parçası Yüzey Pürüzlülüğünün Yapay Sinir Ağları ile Modellenmesi. Gazi Mühendislik Bilimleri Dergisi, 7(1), 58-66.
• 11. Akkuş, H., 2021. AISI 1040 Çeliğinin İşlenebilirliği Sırasında Oluşan Yüzey Pürüzlülüğü Değerlerinin Farklı Tahmin Modelleri ile Araştırılması. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 24(2), 84-92.
• 12. Ridwan, W., Wiranto, I., Dako, R.D.R., 2021. Computerized Adaptive Test Based on Sugeno Fuzzy Inference System. IOP Conference Series: Materials Science and Engineering, 1098(3), 032077.
• 13. Haj Hamad, I., Chouchaine, A., Bouzaouache, H., 2021. A Takagi-Sugeno Fuzzy Model for Greenhouse Climate. Engineering, Technology & Applied Science Research, 11(4), 7424-7429.
• 14. Robson, W., Ernawati, I., Nugrahaeni, C., 2021. Design of Multisensor Automatic Fan Control System Using Sugeno Fuzzy Method. Journal of Robotics and Control, 2(4), 5.
• 15. Zangeneh, M., Aghajari, E., Forouzanfar, M., 2022. Design and Implementation of an Intelligent Multi-input Multi-output Sugeno Fuzzy Logic Controller for Managing Energy Resources in a Hybrid Renewable Energy Power System Based on Arduino Boards. Soft Computing, 26(3), 1459-1473.
• 16. İşlek, C., 2021. Robot Elin Hassas Kavrama Görevi için Bulanık Mantık ile Kavrama Kuvvetinin Kontrolü. Yüksek Lisans Tezi, İskenderun Teknik Üniversitesi, Mühendislik ve Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Hatay, 133.
• 17. Molla, B., Cagıl. G., Uyaroğlu, Y., 2021. BİST 100 Getiri Zaman Serisinin Kaotik Analizi ve Anfis ile Kısa Dönemli Öngörülebilirliği. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(2), 577-592.
• 18. Avcı, M., 2021. Döküm Yöntemi ile Üretilen AISI304 Paslanmaz Çeliğin Frezelenmesinde İşleme Parametrelerinin Araştırılması. Yüksek Lisans, Fen Bilimleri Enstitüsü, İmalat Mühendisliği Anabilim Dalı, Karabük, 91.
• 19. Özdülkar, K., Üneş, F., Demirci, M., Kaya, Y.Z., 2019. Günlük Buharlaşma Miktarının Bulanık Mantık Yöntemleri Kullanılarak Bölgesel Olarak Modellenmesi. Osmaniye Korkut Ata Üniversitesi, Fen Bilimleri Enstitüsü Dergisi, 2(1), 23-29.
• 20.Yıldırım, E., Avcı, E., Yılmaz, B., 2021. Serbest Basınç Dayanımının Tahmininde Sugeno Bulanık Mantık Yaklaşımı. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 26(1), 97-108.
• 21. Salcedo, A.T., Arbizu, I.P., Pérez, C.J.L., 2017. Analytical Modelling of Energy Density and Optimization of the Edm Machining Parameters of Inconel 600. Metals, 7(5), 166.
• 22. Jamali, A., Babaei, H., Nariman-Zadeh, N., Ashraf Talesh, S., Mirzababaie Mostofi, T., 2020. Multi-Objective Optimum Design of Anfis for Modelling and Prediction of Deformation of Thin Plates Subjected to Hydrodynamic Impact Loading, Proceedings of the Institution of Mechanical Engineers. Part L: Journal of Materials: Design and Applications, 234(3), 368-378.
• 23. Sun, J., Dai, Y., Zhao, K., Jia, Z., 2021. Second Order Takagi-sugeno Fuzzy Model with Domain Adaptation for Nonlinear Regression. Information Sciences, 570(1), 34-51.
• 24. Dilipak, H., Asal, Ö., Yalçınkaya, A., Ünal, Ş., 2021. Minimum Miktarda Yağlama Tekniği ile Frezeleme İşleminde Yüzey Pürüzlülüğünün Anfis ile Modellenmesi. International Journal of Innovative Engineering Applications, 5(2), 162-170.
• 25. Velmurugan, N., Muniappan, A., Harikrishna, K.L., Sakthivel, T.G., 2021. Surface Roughness Modelling in Wire Edm Machining Aluminium of Al6061 Composite by Anfis. Materials Today: Proceedings, In Press.
• 26. Kumar, R., Hynes, N.R.J., 2020. Prediction and Optimization of Surface Roughness in Thermal Drilling Using Integrated Anfis and Ga Approach. Engineering Science and Technology, an International Journal, 23(1), 30-41.
• 27. Mathur, N., Glesk, I., Buis, A., 2016. Comparison of Adaptive Neuro-fuzzy Inference System (Anfis) and Gaussian Processes for Machine Learning (Gpml) Algorithms for the Prediction of Skin Temperature in Lower Limb Prostheses. Medical Engineering & Physics, 38(10), 1083-1089.
• 28. Sharma, D., Bhowmick, A., Goyal, A., 2022. Enhancing EDM Performance Characteristics of Inconel 625 Superalloy Using Response Surface Methodology and Anfis Integrated Approach. CIRP Journal of Manufacturing Science and Technology, 37(1), 155-173.
• 29. MathWorks, 2022. Mamdani and Sugeno Fuzzy Inference Systems, https://www.mathworks.com/help/fuzzy/typesof- fuzzy-inference-systems.html, Erişim Tarihi: 18.05.2022.
• 30. 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.