St37 Çeliğinin Tornalanmasında Yüzey Pürüzlülüğünün Destek Vektör Regresyonu Kullanılarak Tahmini

Yıl 2022, Cilt: 34 Sayı: 2, 743 - 750, 30.09.2022

Osman Altay Turan Gürgenç

https://doi.org/10.35234/fumbd.1131241

Cited By: 1

Öz

St37 çeliği birçok yapısal elemanda sıklıkla tercih edilen bir malzemedir. Düşük yüzey pürüzlülük değerine sahip parçalar yorulma, aşınma ve korozyon açısından tercih sebebidir. Yüzey pürüzlülüklerinin deneysel olarak belirlenmesi zaman alıcı ve maliyetli olduğundan makine öğrenmesi yöntemleri ile yüzey pürüzlülükleri tahmin edilerek bu durumlar elemine edilebilir. Bu çalışmada, St37 çeliği CNC torna tezgâhında farklı parametrelerde işlenmiştir. Deneysel numunelerin yüzey pürüzlülükleri (Ra, µm) farklı işlem parametreleri için ayrı ayrı profilometre ile ölçülmüş ve 72 adet veri elde edilmiştir. Elde edilen deneysel değerler destek vektör regresyon (DVR) kullanılarak modellenmiştir. DVR iki farklı çekirdek fonksiyon kullanarak modellenmiştir. Bunlar lineer ve Gauss çekirdek fonksiyonlarıdır. Modellerde giriş parametreleri olarak iki farklı koşul (kuru ve ıslak durum), iş mili hızı (dev/dak) ve ilerleme hızı (mm/dev) kullanılmıştır. Çıkış parametresi ise yüzey pürüzlülüğüdür (Ra, µm) Tasarlanan modellerin sonucunda Gauss çekirdek fonksiyonunun kullanıldığı DVR’nin daha iyi performans gösterdiği görülmüştür. Bu modelde R-kare değeri 0.8876 olarak elde edilirken lineer fonksiyona sahip DVR’de 0.7231 olarak elde edilmiştir. Gauss çekirdek fonksiyonuna sahip DVR’nin tornalama ile St37 çeliğinden parçalar üreten endüstrilerde kullanılmasıyla zaman, malzeme ve maliyet kayıplarının azaltılabileceği beklenmektedir.

Anahtar Kelimeler

Destek vektör regresyon, Çekirdek fonksiyonları, Makine öğrenmesi, Yüzey pürüzlülüğü, Tornalama

Kaynakça

• [1] Solomon M M, Gerengi H, Kaya T, Kaya E, Umoren S A. Synergistic inhibition of St37 steel corrosion in 15% H2SO4 solution by chitosan and iodide ion additives. Cellulose 2017; 24(2): 931-950.
• [2] Khalilpourazary S, Kashtiban P, Payam N. Optimizing turning operation of St37 steel using grey relational analysis. J. Comput. Appl. Res. Mech. Eng. 2014; 3(2): 135-144.
• [3] Singh D, Rao P V. A surface roughness prediction model for hard turning process. Int. J. Adv. Manuf. Technol. 2007; 32(11): 1115-1124.
• [4] Asiltürk I, Çunkaş M. Modeling and prediction of surface roughness in turning operations using artificial neural network and multiple regression method. Expert Syst. Appl. 2011; 38(5): 5826-5832.
• [5] Wang X, Feng C. Development of empirical models for surface roughness prediction in finish turning. Int. J. Adv. Manuf. Technol. 2002; 20(5): 348-356.
• [6] Barzani M M, Zalnezhad E, Sarhan A A, Farahany S, Ramesh S. Fuzzy logic based model for predicting surface roughness of machined Al–Si–Cu–Fe die casting alloy using different additives-turning. Measurement 2015; 61: 150-161.
• [7] Khorasani A, Yazdi M R S. Development of a dynamic surface roughness monitoring system based on artificial neural networks (ANN) in milling operation. Int. J. Adv. Manuf. Technol. 2017; 93(1): 141-151.
• [8] Garg A, Mago V. Role of machine learning in medical research: A survey. Comput. Sci. Rev. 2021; 40: 100370.
• [9] Altay O, Ulas M, Alyamac K E. DCS-ELM: a novel method for extreme learning machine for regression problems and a new approach for the SFRSCC. PeerJ Comput. Sci. 2021; 7: e411.
• [10] Okcu M, Fırat M, Varol Y, Altun Ş, Kamışlı F, Atila O. Combustion of high carbon (C7-C8) alcohol fuels in a reactivity controlled compression ignition (RCCI) engine as low reactivity fuels and ANN approach to predict RCCI emissions. Fuel 2022; 319: 123735.
• [11] Altay E V, Gurgenc E, Altay O, Dikici A. Hybrid artificial neural network based on a metaheuristic optimization algorithm for the prediction of reservoir temperature using hydrogeochemical data of different geothermal areas in Anatolia (Turkey). Geothermics 2022; 104: 102476.
• [12] Xia C, Pan Z, Polden J, Li H, Xu Y, Chen S. Modelling and prediction of surface roughness in wire arc additive manufacturing using machine learning. J. Intell. Manuf. 2022; 33(5): 1467-1482.
• [13] Ramesh P, Mani K. Prediction of surface roughness using machine learning approach for abrasive waterjet milling of alumina ceramic. Int. J. Adv. Manuf. Technol. 2022; 119(1): 503-516.
• [14] Ulas M, Altay O, Gurgenc T, Özel C. A new approach for prediction of the wear loss of PTA surface coatings using artificial neural network and basic, kernel-based, and weighted extreme learning machine. Friction 2020; 8: 1102-1116.
• [15] Gurgenc T, Altay O. Surface roughness prediction of wire electric discharge machining (WEDM)-machined AZ91D magnesium alloy using multilayer perceptron, ensemble neural network, and evolving product-unit neural network. Mater. Test. 2022; 64(3): 350-362.
• [16] Karayel D. Prediction and control of surface roughness in CNC lathe using artificial neural network. J. Mater. Process. Technol. 2009; 209(7): 3125-3137.
• [17] Pal S K, Chakraborty D. Surface roughness prediction in turning using artificial neural network. Neural Computing & Applications 2005; 14(4): 319-324.
• [18] Sahu N K, Andhare A B, Andhale S, Abraham R R, Prediction of surface roughness in turning of Ti-6Al-4V using cutting parameters, forces and tool vibration. IOP Conf. Ser.: Mater. Sci. Eng. 2018; 346(1): 012037.
• [19] Meddour I, Yallese M A, Bensouilah H, Khellaf A, Elbah M. Prediction of surface roughness and cutting forces using RSM, ANN, and NSGA-II in finish turning of AISI 4140 hardened steel with mixed ceramic tool. Int. J. Adv. Manuf. Technol. 2018; 97(5): 1931-1949.
• [20] Çaydaş U, Ekici S. Support vector machines models for surface roughness prediction in CNC turning of AISI 304 austenitic stainless steel. J. Intell. Manuf. 2012; 23(3): 639-650.
• [21] Wang X, Kang M, Fu X, Li C. Predictive modeling of surface roughness in lenses precision turning using regression and support vector machines. Int. J. Adv. Manuf. Technol. 2016; 87(5): 1273-1281.
• [22] Zhang N, Shetty D. An effective LS-SVM-based approach for surface roughness prediction in machined surfaces. Neurocomputing 2016; 198: 35-39.
• [23] Cortes C. WSupport-vector network. Machine learning 1995; 20: 1-25.
• [24] Drucker H, Burges C J, Kaufman L, Smola A J, Vapnik V, Support vector regression machines. Adv. Neural. Inf. Process. Syst. 1996; 9: 155-161.
• [25] Dash R K, Nguyen T N, Cengiz K, Sharma A. Fine-tuned support vector regression model for stock predictions. Neural. Comput. Appl. 2021; 1-15.
• [26] Gurgenc T, Altay O, Ulas M, Ozel C. Extreme learning machine and support vector regression wear loss predictions for magnesium alloys coated using various spray coating methods. J. Appl. Phys. 2020; 127(18): 185103.
• [27] Tang Y, Guo W, Gao J. Efficient model selection for support vector machine with Gaussian kernel function. IEEE Symposium on Computational Intelligence and Data Mining. IEEE Nashville, TN 2009; 40-45.