Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi

Ramazan Katırcı; Hidayet Takcı

doi:10.35234/fumbd.950667

Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi

Öz

Krom kaplama, malzemelerin fiziksel özelliklerini ve korozyon dayanımını iyileştirmek için tüm dünyada yaygın olarak kullanılmaktadır. Bu çalışmada krom kaplamanın örtme gücünü tahmin etmek ve örtme gücüne etki eden öznitelikleri belirlemek için makine öğrenmesi algoritmaları kullanılmıştır. Bu amaçla GP (Gaussian Process), KNN (K-Nearest Neighbors), RF (Random Forest), SVR (Support Vector Regressor) ve XGB (eXtreme Gradient Boosting) algoritmaları seçilmiş ve bu algoritmaların hiper-parametreleri optimize edilmiştir. En yüksek R2 ve en düşük MSE değerlerini veren şartlar belirlenmiştir. Çapraz doğrulama için LOO (Leave One Out) metodu kullanılmıştır. En iyi sonuç SVR metodu ile elde edilmiştir. R2, MSE ve MAPE değeri sırasıyla 0,80, 0,26 ve 18.29 dur. Kaplamanın örtme gücüne etki eden en önemli iki öznitelik borik asit ve A kimyasalıdır. Bu kimyasalların yüksek seviyeleri kaplamanın örtme gücünü artırmıştır. Tüm algoritmaların hiper-parametreleri ızgara tarama yöntemi ile 2 veya daha fazla seviyede optimize edilmiştir. SVR metodunda en etkin iki hiper-parametre kernel ve C parametresidir. Kernel ve C hiper-parametreleri sırasıyla “rbf” ve 1 olduğu durumda en yüksek R2 değeri elde edilmiştir. Bu çalışma makine öğrenmesi algoritmalarını elektrokaplama sahasına uygulayan ilk çalışmalardandır. Bu yönüyle öncü olma niteliği taşımaktadır.

Anahtar Kelimeler

Kaynakça

Chen, T., & Guestrin, C. (2016). XGBoost. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018
Feng, Z., Liu, A., Ren, L., Zhang, J., Yang, P., & An, M. (2016). Computational Chemistry and Electrochemical Mechanism Studies of Auxiliary Complexing Agents Used for Zn-Ni Electroplating in the 5-5’-Diethylhydantoin Electrolyte. Journal of The Electrochemical Society, 163(14), D764–D773. https://doi.org/10.1149/2.0591614jes
Handy, S. L., Oduoza, C. F., & Pearson, T. (2006). Theoretical aspects of electrodeposition of decorative chromium from trivalent electrolytes and corrosion rate study of different nickel/chromium coatings. Transactions of the Institute of Metal Finishing, 84(6), 300–308. https://doi.org/10.1179/174591906X162946
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 770–778. https://doi.org/10.1109/CVPR.2016.90
Holland, C. W., & Cravens, D. W. (1973). Fractional Factorial Experimental Designs in Marketing Research. Journal of Marketing Research, 10(3), 270. https://doi.org/10.2307/3149694
Katirci, R., Aktas, H., & Zontul, M. (2021). The prediction of the ZnNi thickness and Ni % of ZnNi alloy electroplating using a machine learning method. Transactions of the Institute of Metal Finishing, 99(3), 162–168. https://doi.org/10.1080/00202967.2021.1898183
Katırcı, R. (2016). A chrome coating from a trivalent chromium bath containing extremely low concentration of Cr³⁺ ions. International Journal of Surface Science and Engineering, 10(1), 73. https://doi.org/10.1504/IJSURFSE.2016.075318

Katırcı, R., Sezer, E., & Ustamehmetoğlu, B. (2015). Statistical optimisation of organic additives for maximum brightness and brightener analysis in a nickel electroplating bath. Transactions of the IMF, 93(2), 89–96. https://doi.org/10.1179/0020296714Z.000000000219
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
Lee, J.-Y., Kim, M., & Kwon, S.-C. (2009). Effect of polyethylene glycol on electrochemically deposited trivalent chromium layers. Transactions of Nonferrous Metals Society of China, 19(4), 819–823. https://doi.org/10.1016/S1003-6326(08)60357-X
Lenz, B., Hasselbruch, H., Großmann, H., & Mehner, A. (2020). Application of CNN networks for an automatic determination of critical loads in scratch tests on a-C:H:W coatings. Surface and Coatings Technology, 393(February), 125764. https://doi.org/10.1016/j.surfcoat.2020.125764
Muralidhara, H. B., & Arthoba Naik, Y. (2008). Electrochemical deposition of nanocrystalline zinc on steel substrate from acid zincate bath. Surface and Coatings Technology, 202(14), 3403–3412. https://doi.org/10.1016/j.surfcoat.2007.12.012
Pavlov, Y. L. (2019). Random forests. Random Forests, 1–122. https://doi.org/10.1201/9780429469275-8
Peterson, L. (2009). K-nearest neighbor. Scholarpedia, 4(2), 1883. https://doi.org/10.4249/scholarpedia.1883
Rasmussen, C. E., & Williams, C. K. I. (2005). Gaussian Processes for Machine Learning (Adaptive Computation and Machine Learning). The MIT Press.
Ren, X., Song, Y., Liu, A., Zhang, J., Yuan, G., Yang, P., Zhang, J., An, M., Matera, D., & Wu, G. (2015). Computational Chemistry and Electrochemical Studies of Adsorption Behavior of Organic Additives during Gold Deposition in Cyanide-free Electrolytes. Electrochimica Acta, 176, 10–17. https://doi.org/10.1016/j.electacta.2015.06.147
Sasaki, K., Kabushiki, G. C., Abstracts, C., & Waddell, P. E. E. (1976). United States Patent [ 191. 1985, 575–585.
Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, 1–14.
Surviliene, S., Nivinskiene, O., Češuniene, A., & Selskis, A. (2006). Effect of Cr(III) solution chemistry on electrodeposition of chromium. Journal of Applied Electrochemistry, 36(6), 649–654. https://doi.org/10.1007/s10800-005-9105-8
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the Inception Architecture for Computer Vision. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 2818–2826. https://doi.org/10.1109/CVPR.2016.308
Webb, G. I., Sammut, C., Perlich, C., Horváth, T., Wrobel, S., Korb, K. B., Noble, W. S., Leslie, C., Lagoudakis, M. G., Quadrianto, N., Buntine, W. L., Quadrianto, N., Buntine, W. L., Getoor, L., Namata, G., Getoor, L., Han, Xin Jin, J., Ting, J.-A., Vijayakumar, S., … Raedt, L. De. (2011). Leave-One-Out Cross-Validation. In Encyclopedia of Machine Learning (pp. 600–601). Springer US. https://doi.org/10.1007/978-0-387-30164-8_469
Zeng, Z., Sun, Y., & Zhang, J. (2009). The electrochemical reduction mechanism of trivalent chromium in the presence of formic acid. Electrochemistry Communications, 11(2), 331–334. https://doi.org/10.1016/J.ELECOM.2008.11.055
Zhu, J., Wang, X., Kou, L., Zheng, L., & Zhang, H. (2020). Prediction of control parameters corresponding to in-flight particles in atmospheric plasma spray employing convolutional neural networks. Surface and Coatings Technology, 394(May), 125862. https://doi.org/10.1016/j.surfcoat.2020.125862

Ayrıntılar

Birincil Dil

Türkçe

Konular

Mühendislik

Bölüm

Araştırma Makalesi

Yazarlar

Ramazan Katırcı ^*
0000-0003-2448-011X
Türkiye

Hidayet Takcı
0000-0002-4448-4284
Türkiye

Yayımlanma Tarihi

15 Eylül 2021

Gönderilme Tarihi

10 Haziran 2021

Kabul Tarihi

23 Ağustos 2021

Yayımlandığı Sayı

Yıl 2021 Cilt: 33 Sayı: 2

DOI

https://doi.org/10.35234/fumbd.950667

IZ

https://izlik.org/JA44SF67YZ

Kaynak Göster

RIS / Bibtex

APA

Katırcı, R., & Takcı, H. (2021). Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33(2), 709-719. https://doi.org/10.35234/fumbd.950667

AMA

1.Katırcı R, Takcı H. Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2021;33(2):709-719. doi:10.35234/fumbd.950667

Chicago

Katırcı, Ramazan, ve Hidayet Takcı. 2021. “Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 33 (2): 709-19. https://doi.org/10.35234/fumbd.950667.

EndNote

Katırcı R, Takcı H (01 Eylül 2021) Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 33 2 709–719.

IEEE

[1]R. Katırcı ve H. Takcı, “Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 33, sy 2, ss. 709–719, Eyl. 2021, doi: 10.35234/fumbd.950667.

ISNAD

Katırcı, Ramazan - Takcı, Hidayet. “Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 33/2 (01 Eylül 2021): 709-719. https://doi.org/10.35234/fumbd.950667.

JAMA

1.Katırcı R, Takcı H. Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2021;33:709–719.

MLA

Katırcı, Ramazan, ve Hidayet Takcı. “Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 33, sy 2, Eylül 2021, ss. 709-1, doi:10.35234/fumbd.950667.

Vancouver

1.Ramazan Katırcı, Hidayet Takcı. Makine Öğrenmesi Kullanarak Krom Kaplama Örtme Gücünün Tahmin Edilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 01 Eylül 2021;33(2):709-1. doi:10.35234/fumbd.950667

Cited By

Innovation in the Breeding of Common Bean Through a Combined Approach of in vitro Regeneration and Machine Learning Algorithms

Frontiers in Genetics

https://doi.org/10.3389/fgene.2022.897696