Prediction of Cutting Forces Generated During Turning Operations of C45E Material Using Machine Learning Models: Performance Comparison of DNN and XGBoost Models
Öz
It is well known that significant developments have occurred in the fields of artificial intelligence and machine learning alongside advancements in computer and software technology. The cutting force prediction capabilities of deep learning (DNN) and XGBoost machine learning models were compared in this study using a dataset prepared by Vladimir Mitrović and associates. This dataset contains the cutting forces generated during cylindrical turning operations. The DNN and XGBoost models exhibited highly comparable prediction capabilities when the tangential cutting force (Ft) was considered, with R² values of 99.71% and 99.89%, respectively. Similarly, the DNN model demonstrated a prediction capability of R² = 98.65% in axial force (Fa) predictions, while the XGBoost model achieved R² = 99.60%. The XGBoost model could make 5.94% more accurate predictions than the DNN model when radial force (Fr) was examined. In general, the XGBoost model outperformed the DNN model. Additionally, it was determined that the XGBoost model could perform calculations more quickly than the DNN model due to the absence of an iteration count.
Anahtar Kelimeler
Cutting tool Cutting force Deep learning XGBoost Machine learning
Kaynakça
- [1] M. Soori, B. Arezoo, and R. Dastres, “Machine learning and artificial intelligence in CNC machine tools, A review,” Sustainable Manufacturing and Service Economics, vol. 2, no. October 2022, p. 100009, 2023, doi: 10.1016/j.smse.2023.100009.
- [2] M. Q. Tran, H. P. Doan, V. Q. Vu, and L. T. Vu, “Machine learning and IoT-based approach for tool condition monitoring: A review and future prospects,” Measurement (Lond), vol. 207, no. December 2022, p. 112351, 2023, doi: 10.1016/j.measurement.2022.112351.
- [3] A. Przybyś-Małaczek, I. Antoniuk, K. Szymanowski, M. Kruk, and J. Kurek, “Application of Machine Learning Algorithms for Tool Condition Monitoring in Milling Chipboard Process,” Sensors, vol. 23, no. 13, 2023, doi: 10.3390/s23135850.
- [4] H. Mostaghimi, S. S. Park, D. Y. Lee, S. Nam, and E. Nam, “Prediction of Tool Tip Dynamics Through Machine Learning and Inverse Receptance Coupling,” International Journal of Precision Engineering and Manufacturing, vol. 24, no. 10, pp. 1739–1752, 2023, doi: 10.1007/s12541-023-00831-6.
- [5] A. Schueller and C. Saldaña, “Indirect Tool Condition Monitoring Using Ensemble Machine Learning Techniques,” J Manuf Sci Eng, vol. 145, no. 1, pp. 1–10, 2023, doi: 10.1115/1.4055822.
- [6] M. E. Korkmaz et al., “Prediction and classification of tool wear and its state in sustainable machining of Bohler steel with different machine learning models,” Measurement (Lond), vol. 223, no. November 2023, doi: 10.1016/j.measurement.2023.113825.
- [7] M. E. Korkmaz, M. K. Gupta, E. Çelik, N. S. Ross, and M. Günay, “Tool wear and its mechanism in turning aluminum alloys with image processing and machine learning methods,” Tribol Int, vol. 191, no. November 2023, p. 109207, 2024, doi: 10.1016/j.triboint.2023.109207.
- [8] T. T. Truong et al., “Data-driven prediction of tool wear using Bayesian regularized artificial neural networks,” Measurement, vol. 238, no. February, p. 115303, 2024, doi: 10.1016/j.measurement.2024.115303.
- [9] X. Zhang, B. Shi, B. Feng, L. Liu, and Z. Gao, “A hybrid method for cutting tool RUL prediction based on CNN and multistage Wiener process using small sample data,” Measurement (Lond), vol. 213, no. October 2022, p. 112739, 2023, doi: 10.1016/j.measurement.2023.112739.
- [10] X. Zhou et al., “Tool wear classification based on convolutional neural network and time series images during high precision turning of copper,” Wear, vol. 522, no. December 2022, p. 204692, 2023, doi: 10.1016/j.wear.2023.204692.
- [11] I. Asiltürk, M. Kuntoğlu, R. Binali, H. Akkuş, and E. Salur, “A Comprehensive Analysis of Surface Roughness, Vibration” Metals, vol. 13, p. 437, 2023, doi: 10.3390/met13020437.
- [12] N. P. Greis, M. L. Nogueira, S. Bhattacharya, C. Spooner, and T. Schmitz, “Stability modeling for chatter avoidance in self-aware machining: an application of physics-guided machine learning,” J Intell Manuf, vol. 34, no. 1, pp. 387–413, 2023, doi: 10.1007/s10845-022-01999-w.
- [13] K. Biruk-Urban, P. Bere, and J. Józwik, “Machine Learning Models in Drilling of Different Types of Glass-Fiber-Reinforced Polymer Composites,” Polymers (Basel), vol. 15, no. 23, 2023, doi: 10.3390/polym15234609.
- [14] E. Ekici, İ. Pazarkaya, and G. Uzun, “Delamination and thrust force analysis in GLARE: Influence of tool geometry and prediction with machine learning models,” J Compos Mater, vol. 59, no. 10, pp. 1233–1249, 2025, doi: 10.1177/00219983241305706.
- [15] R. Sekhar, T. P. Singh, and P. Shah, “Machine learning based predictive modeling and control of surface roughness generation while machining micro boron carbide and carbon nanotube particle reinforced Al-Mg matrix composites,” Particulate Science and Technology, vol. 40, no. 3, pp. 355–372, 2022, doi: 10.1080/02726351.2021.1933282.
- [16] R. Kumar et al., “Exploring the intricacies of machine learning-based optimization of electric discharge machining on squeeze cast TiB2/AA6061 composites: Insights from morphological, and microstructural aspects in the surface structure analysis of recast layer formation and worn-out analysis,” Journal of Materials Research and Technology, vol. 26, pp. 8569–8603, 2023, doi: 10.1016/j.jmrt.2023.09.127.
- [17] İ. Pazarkaya, “Prediction of cutting tool insert parameters using machine learning and its application to industry: Performance of DNN and LSTM models,” Expert Syst Appl, vol. 279, no. April, pp. 0–2, 2025, doi: 10.1016/j.eswa.2025.127471.
- [18] B. Li, T. Liu, J. Liao, C. Feng, L. Yao, and J. Zhang, “Non-invasive milling force monitoring through spindle vibration with LSTM and DNN in CNC machine tools,” Measurement (Lond), vol. 210, Mar. 2023, doi: 10.1016/j.measurement.2023.112554.
- [19] Z. Li and C. Ni, “Prediction of Cutting Force for Different Tools Based on Transfer Learning and Neural Networks,” International Journal of Precision Engineering and Manufacturing, vol. 26, no. 7, pp. 1567–1586, Jul. 2025, doi: 10.1007/s12541-025-01216-7.
- [20] H. Xie et al., “Analysis of the performance of LSTM-DNN models with the consideration of signal complexity in milling processes,” J Intell Manuf, 2025, doi: 10.1007/s10845-025-02646-w.
- [21] V. Kumar, V. Dubey, and A. Kumar Sharma, “Comparative analysis of different machine learning algorithms in prediction of cutting force using hybrid nanofluid enriched cutting fluid in turning operation,” Mater Today Proc, May 2023, doi: 10.1016/j.matpr.2023.05.216.
- [22] C. C. Wang, P. H. Kuo, and G. Y. Chen, “Machine Learning Prediction of Turning Precision Using Optimized XGBoost Model,” Applied Sciences (Switzerland), vol. 12, no. 15, Aug. 2022, doi: 10.3390/app12157739.
- [23] Vladimir Mitrović, Milan Trifunović, Predrag Janković, Miloš Madić, and Milan Zdravković, “Sound and cutting force components in longitudinal turning of C45 steel at different cutting regimes,” mendeley data, May 2025.
- [24] V. Mitrović, M. Zdravković, M. Trifunović, M. Madić, and P. Janković, “Dataset for exploring relation between sound and cutting forces components in longitudinal turning of C45E steel,” Data Brief, vol. 62, Oct. 2025, doi: 10.1016/j.dib.2025.112051.
- [25] P. Seensattayawong, R. Brodmann, G. Stelzer, J. Seewig, and E. Kerscher, “The study of surface in early stages of fatigue failure on carbon steels using a confocal microscope and a scattered light sensor,” Eng Fail Anal, vol. 178, Sep. 2025, doi: 10.1016/j.engfailanal.2025.109720.
- [26] M. Huang et al., “ReScConv-xLSTM: An improved xLSTM model with spatiotemporal feature extraction capability for remaining useful life prediction of Aero-engine,” Results in Engineering, vol. 26, no. March, p. 105513, 2025, doi: 10.1016/j.rineng.2025.105513.
- [27] S. Karasu, A. Altan, Z. Sarac, and R. Hacioglu, “PREDICTION OF SOLAR RADIATION BASED ON MACHINE LEARNING METHODS,” 2017. [Online]. Available: www.dergipark.gov.tr/jcs
- [28] S. Uğuz, Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü, 3rd ed. Ankara: Nobel Akademik Yayıncılık, 2023.
- [29] A. Duran, A. Acir, G. Üniversitesi, T. E. Fakültesi, and M. E. Bölümü, “HSS Torna Kalemindeki Talaş Açısının Kesme Kuvvetlerine Etkisi,” Politeknik Dergisi Journal of Polytechnic, vol. 7, no. 3, pp. 211–215, 2004.
C45E malzemenin Tornalama İşleminde Oluşan Kesme Kuvvetlerinin Makine Öğrenmesi Modelleriyle Tahmini: DNN ve XGBoost Modellerinin Performans Karşılaştırması
Öz
Günümüzde bilgisayar ve yazılım alanındaki gelişmelerle birlikte yapay zeka ve makine öğrenmesi alanında önemli gelişmeler olduğu bilinmektedir. Bu çalışmada, Vladimir Mitrović ve arkadaşlarının oluşturduğu, silindirik tornalama işlemi sırasında oluşan kesme kuvvetlerini barındıran veri seti kullanılarak derin öğrenme (DNN) ve XGBoost makine öğrenmesi modellerinin kesme kuvveti tahmin yetenekleri karşılaştırılmıştır. Teğetsel kesme kuvveti (Ft) ele alındığında DNN ve XGBoost modelin sırasıyla %99,71 ve %99,89 R2 değeriyle birbirlerine oldukça yakın tahmin yetenekleri olduğu görülmüştür. Benzer şekilde eksenel kuvvet (Fa) tahminlerinde ise DNN modelin R2 = %98,65, XGBoost modelin R2 = %99,60 oranında tahmin yeteneğine sahip olduğu tespit edilmiştir. Radyal kuvvet (Fr) incelendiğinde XGBoost modelin, DNN modele göre %5,94 oranında daha iyi tahmin yapabildiği sonucuna varılmıştır. Genel olarak XGBoost modelin, DNN modele göre daha performanslı olduğu belirlenmiştir. Ayrıca XGBoost modelde iterasyon sayısı olmadığından DNN modele göre hızlı hesap yapabildiği görülmüştür.
Anahtar Kelimeler
Kesici takım Kesme kuvveti Derin öğrenme XGBoost Makine öğrenmesi
Kaynakça
- [1] M. Soori, B. Arezoo, and R. Dastres, “Machine learning and artificial intelligence in CNC machine tools, A review,” Sustainable Manufacturing and Service Economics, vol. 2, no. October 2022, p. 100009, 2023, doi: 10.1016/j.smse.2023.100009.
- [2] M. Q. Tran, H. P. Doan, V. Q. Vu, and L. T. Vu, “Machine learning and IoT-based approach for tool condition monitoring: A review and future prospects,” Measurement (Lond), vol. 207, no. December 2022, p. 112351, 2023, doi: 10.1016/j.measurement.2022.112351.
- [3] A. Przybyś-Małaczek, I. Antoniuk, K. Szymanowski, M. Kruk, and J. Kurek, “Application of Machine Learning Algorithms for Tool Condition Monitoring in Milling Chipboard Process,” Sensors, vol. 23, no. 13, 2023, doi: 10.3390/s23135850.
- [4] H. Mostaghimi, S. S. Park, D. Y. Lee, S. Nam, and E. Nam, “Prediction of Tool Tip Dynamics Through Machine Learning and Inverse Receptance Coupling,” International Journal of Precision Engineering and Manufacturing, vol. 24, no. 10, pp. 1739–1752, 2023, doi: 10.1007/s12541-023-00831-6.
- [5] A. Schueller and C. Saldaña, “Indirect Tool Condition Monitoring Using Ensemble Machine Learning Techniques,” J Manuf Sci Eng, vol. 145, no. 1, pp. 1–10, 2023, doi: 10.1115/1.4055822.
- [6] M. E. Korkmaz et al., “Prediction and classification of tool wear and its state in sustainable machining of Bohler steel with different machine learning models,” Measurement (Lond), vol. 223, no. November 2023, doi: 10.1016/j.measurement.2023.113825.
- [7] M. E. Korkmaz, M. K. Gupta, E. Çelik, N. S. Ross, and M. Günay, “Tool wear and its mechanism in turning aluminum alloys with image processing and machine learning methods,” Tribol Int, vol. 191, no. November 2023, p. 109207, 2024, doi: 10.1016/j.triboint.2023.109207.
- [8] T. T. Truong et al., “Data-driven prediction of tool wear using Bayesian regularized artificial neural networks,” Measurement, vol. 238, no. February, p. 115303, 2024, doi: 10.1016/j.measurement.2024.115303.
- [9] X. Zhang, B. Shi, B. Feng, L. Liu, and Z. Gao, “A hybrid method for cutting tool RUL prediction based on CNN and multistage Wiener process using small sample data,” Measurement (Lond), vol. 213, no. October 2022, p. 112739, 2023, doi: 10.1016/j.measurement.2023.112739.
- [10] X. Zhou et al., “Tool wear classification based on convolutional neural network and time series images during high precision turning of copper,” Wear, vol. 522, no. December 2022, p. 204692, 2023, doi: 10.1016/j.wear.2023.204692.
- [11] I. Asiltürk, M. Kuntoğlu, R. Binali, H. Akkuş, and E. Salur, “A Comprehensive Analysis of Surface Roughness, Vibration” Metals, vol. 13, p. 437, 2023, doi: 10.3390/met13020437.
- [12] N. P. Greis, M. L. Nogueira, S. Bhattacharya, C. Spooner, and T. Schmitz, “Stability modeling for chatter avoidance in self-aware machining: an application of physics-guided machine learning,” J Intell Manuf, vol. 34, no. 1, pp. 387–413, 2023, doi: 10.1007/s10845-022-01999-w.
- [13] K. Biruk-Urban, P. Bere, and J. Józwik, “Machine Learning Models in Drilling of Different Types of Glass-Fiber-Reinforced Polymer Composites,” Polymers (Basel), vol. 15, no. 23, 2023, doi: 10.3390/polym15234609.
- [14] E. Ekici, İ. Pazarkaya, and G. Uzun, “Delamination and thrust force analysis in GLARE: Influence of tool geometry and prediction with machine learning models,” J Compos Mater, vol. 59, no. 10, pp. 1233–1249, 2025, doi: 10.1177/00219983241305706.
- [15] R. Sekhar, T. P. Singh, and P. Shah, “Machine learning based predictive modeling and control of surface roughness generation while machining micro boron carbide and carbon nanotube particle reinforced Al-Mg matrix composites,” Particulate Science and Technology, vol. 40, no. 3, pp. 355–372, 2022, doi: 10.1080/02726351.2021.1933282.
- [16] R. Kumar et al., “Exploring the intricacies of machine learning-based optimization of electric discharge machining on squeeze cast TiB2/AA6061 composites: Insights from morphological, and microstructural aspects in the surface structure analysis of recast layer formation and worn-out analysis,” Journal of Materials Research and Technology, vol. 26, pp. 8569–8603, 2023, doi: 10.1016/j.jmrt.2023.09.127.
- [17] İ. Pazarkaya, “Prediction of cutting tool insert parameters using machine learning and its application to industry: Performance of DNN and LSTM models,” Expert Syst Appl, vol. 279, no. April, pp. 0–2, 2025, doi: 10.1016/j.eswa.2025.127471.
- [18] B. Li, T. Liu, J. Liao, C. Feng, L. Yao, and J. Zhang, “Non-invasive milling force monitoring through spindle vibration with LSTM and DNN in CNC machine tools,” Measurement (Lond), vol. 210, Mar. 2023, doi: 10.1016/j.measurement.2023.112554.
- [19] Z. Li and C. Ni, “Prediction of Cutting Force for Different Tools Based on Transfer Learning and Neural Networks,” International Journal of Precision Engineering and Manufacturing, vol. 26, no. 7, pp. 1567–1586, Jul. 2025, doi: 10.1007/s12541-025-01216-7.
- [20] H. Xie et al., “Analysis of the performance of LSTM-DNN models with the consideration of signal complexity in milling processes,” J Intell Manuf, 2025, doi: 10.1007/s10845-025-02646-w.
- [21] V. Kumar, V. Dubey, and A. Kumar Sharma, “Comparative analysis of different machine learning algorithms in prediction of cutting force using hybrid nanofluid enriched cutting fluid in turning operation,” Mater Today Proc, May 2023, doi: 10.1016/j.matpr.2023.05.216.
- [22] C. C. Wang, P. H. Kuo, and G. Y. Chen, “Machine Learning Prediction of Turning Precision Using Optimized XGBoost Model,” Applied Sciences (Switzerland), vol. 12, no. 15, Aug. 2022, doi: 10.3390/app12157739.
- [23] Vladimir Mitrović, Milan Trifunović, Predrag Janković, Miloš Madić, and Milan Zdravković, “Sound and cutting force components in longitudinal turning of C45 steel at different cutting regimes,” mendeley data, May 2025.
- [24] V. Mitrović, M. Zdravković, M. Trifunović, M. Madić, and P. Janković, “Dataset for exploring relation between sound and cutting forces components in longitudinal turning of C45E steel,” Data Brief, vol. 62, Oct. 2025, doi: 10.1016/j.dib.2025.112051.
- [25] P. Seensattayawong, R. Brodmann, G. Stelzer, J. Seewig, and E. Kerscher, “The study of surface in early stages of fatigue failure on carbon steels using a confocal microscope and a scattered light sensor,” Eng Fail Anal, vol. 178, Sep. 2025, doi: 10.1016/j.engfailanal.2025.109720.
- [26] M. Huang et al., “ReScConv-xLSTM: An improved xLSTM model with spatiotemporal feature extraction capability for remaining useful life prediction of Aero-engine,” Results in Engineering, vol. 26, no. March, p. 105513, 2025, doi: 10.1016/j.rineng.2025.105513.
- [27] S. Karasu, A. Altan, Z. Sarac, and R. Hacioglu, “PREDICTION OF SOLAR RADIATION BASED ON MACHINE LEARNING METHODS,” 2017. [Online]. Available: www.dergipark.gov.tr/jcs
- [28] S. Uğuz, Makine Öğrenmesi Teorik Yönleri ve Python Uygulamaları ile Bir Yapay Zeka Ekolü, 3rd ed. Ankara: Nobel Akademik Yayıncılık, 2023.
- [29] A. Duran, A. Acir, G. Üniversitesi, T. E. Fakültesi, and M. E. Bölümü, “HSS Torna Kalemindeki Talaş Açısının Kesme Kuvvetlerine Etkisi,” Politeknik Dergisi Journal of Polytechnic, vol. 7, no. 3, pp. 211–215, 2004.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Makine Mühendisliği (Diğer) |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 18 Aralık 2025 |
| Kabul Tarihi | 8 Ocak 2026 |
| Erken Görünüm Tarihi | 23 Şubat 2026 |
| Yayımlanma Tarihi | 23 Şubat 2026 |
| DOI | https://doi.org/10.29109/gujsc.1844435 |
| IZ | https://izlik.org/JA99UB45JB |
| Yayımlandığı Sayı | Yıl 2026 Sayı: Advanced Online Publication |
Kaynak Göster
Amaç ve Kapsam
Dergi ulusal ve uluslararası düzeyde ;
1- Bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini
2- Yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan derleme makalelerini yayınlamaktadır.
Gazi Üniversitesi Fen Bilimleri Dergisi: Tasarım ve Teknoloji” dergisi temel mühendislik konularını kapsayan bir dergidir. Mühendislik bilimlerindeki en güncel bilimsel ve teknolojik gelişmeleri araştırmacılara, mühendislere ve ilgili kitlelere ulaştırmayı hedefler. Dergi ulusal ve uluslararası düzeyde bilim, teknoloji ve mühendislik alanlarında orijinal bir araştırmayı bulgu ve sonuçlarıyla yansıtan ve bilime katkısı olan araştırma makalelerini veya yeterli sayıda bilimsel makaleyi tarayıp, konuyu bugünkü bilgi ve teknoloji düzeyinde özetleyen, değerlendirme yapan ve bulguları karşılaştırarak yorumlayan tarama makalelerini kabul etmektedir.
Mimarlık,sanat, spor ve sağlık alanları dergimiz kapsamı alanında değildir.
Yazım Kuralları
Genel Bakış
DERGİMİZ TÜBİTAK-ULAKBİM DERGİ DİZİN İNDEKSİ (TR DİZİN)-MÜHENDİSLİK ve TEMEL BİLİMLER VERİ TABANI, EBSCO, GOOGLE SCHOLAR, DOAJ, CITEFACTOR İNDEKSLERİNDE TARANMAKTADIR.
Makale gönderimi sırasında aşağıdaki 3 belgenin sisteme yüklenmesi gerekmektedir. Bu belgelerin herhangi birinin eksik olması durumunda makale REDDEDİLECEKTİR.
* Makale Dosyası (Word formatında)
* Telif Hakkı Devir Formu
* Benzerlik Raporu (iThenticate / Turnitin - maksimum benzerlik oranı %20 olmalıdır)
1- Bütün makale/makale dosyaları elektronik ortamda ve http://dergipark.org.tr/journal/358/submission/start adresinde yer alan
formları kullanarak yapılmalıdır.
2- Yüklenen makale başka bir dergiye gönderilmemiş/basılmamış olmalıdır. Aynı şekilde dergiye gönderilen bilimsel çalışmaların, yayımlanmış/sözlü/poster/sunum olarak başka yerde yayın için değerlendirme aşamasında bulunmaması gereklidir.
3- Makale kabul edildikten sonraki düzenleme aşamasında, sorumlu yazar makalede varsa diğer yazarlarının isim ve imzalarının olduğu Telif Formu'nu DERGİPARK sistemine yüklemek zorundadır.
4- Ön Yükleme Formatı_Fen Bilimleri Dergisi Part C formunda çalışmada katkısı olan yazar isim ve adreslerinin hiçbiri yazılmamalıdır. Böylece makalenin değerlendirme aşamasında hakemler çalışmanın hangi yazar/yazarlara ait olduğunu göremeyeceklerdir. ( Kör Hakem Değerlendirme Süreci)
5- Yüklenen makalenin kabulü en az iki hakem görüşü alındıktan ve ilgili bölüm editörü kabul ettikten sonra gerçekleşir.
6- Makalenin değerlendirme ve kabul süreci ile ilgili ayrıntılı bilgiye https://dergipark.org.tr/gujsc/page/3430 adresinden ulaşılabilir.
7- Çalışmanın özgünlüğü ve benzerlik oranı Turnitin programı ile taranmakta olup sadece orijinallik oranının % 20'nin altında olan makaleler değerlendirmeye alınmaktadır.
8- Sadece makalesinin yayınlanması kabul edilen yazarlar https://dergipark.org.tr/journal/358/submission/start adresinde yer alan " Kabul Edilen Makale Formatı" na uygun şekilde makaleyi düzenlemelidir.
9- Makale isim kısaltmaları " Web of Science Kısaltmaları " kullanılarak yapılmalıdır.
11- Yüklenen makale metni toplamı 10-12 sayfa ve 18,000-20,000 kelimeyi geçmemelidir.
12- Yüklenen makalede Öz ve Abstract metni 400 sözcük/boşluklarla beraber 2800 karakteri geçmemelidir.
Makale Hazırlanması
Makalede zorunlu başlıklar:
1- Öz: Çalışmanın ana taslağını, yapılış amacını, kullanılan yöntem/metodu, ede edilen bulguların kısaca belirtildiği kısımdır. Son cümlelerde mutlaka çalışma sonrası elde edilen kazanım ve sonuçlar belirtilmelidir. Yüklenen makalede Öz metni 400 sözcük/boşluklarla beraber 2800 karakteri geçmemelidir.
2- Abstract (İngilizce Özet): Türkçe öz metninin tam olarak ingilizce tercüme metnidir. Yüklenen makalede Abstract metni 400 sözcük/boşluklarla beraber 2800 karakteri geçmemelidir.
3- Anahtar Kelimeler ve Keywords: Çalışmanın aranması ve bulunmasını kolaylaştıracak türkçe ve ingilizce kelimelerdir. En az 3(üç), en çok 6(beş) adet kelime/kelime grubundan oluşabilir.
4- Giriş: Çalışmayla ele alınan konunun, problemin ne olduğuna, araştırmanın amacı ve önemine, sınırlılıklarının belirtildiği ve bu bilgilerin literatür taraması ile desteklendiği metin kısmıdır.
5- Materyal ve Metod: Çalışmanın yapılması ve sonuca varılması için yapılan deney/gözlem ve uğraşların tamamının belirtildiği kısımdır.
6- Bulgular ve Tartışma: Yapılan çalışmanın, daha önce yapılan çalışmalarla benzerlik, paralellik ve farklılıkları ile tartışıldığı kısımdır.
7- Sonuç: Yapılan çalışmanın bilimsel/günlük hayata katkısı, literatüre ne kazandırdığı, teori ve uygulama açısından hangi kanılara varıldığının yazıldığı kısımdır.
8- Teşekkür: Yapılan çalışmanın gerçekleşmesinde katkısı olan kişi/kuruluşların belirtildiği kısımdır.
9- Çıkar Çatışması(varsa): Yapılan çalışmayla ilgili çıkar çatışması olabilecek kişi/kurumların belirtildiği kısımdır.
10- Kaynaklar: Yapılan çalışmanın gerçekleşmesinde yararlanılan bilimsel kitap/dergi/web sayfası/görsel ve yazılı materyallerin belirtildiği kısımdır.
Makale Metin Yazısı
1- Ön yükleme makale formatında metin yazım stili Times New Roman/Arial ve 11 punto olmalıdır.
2- Tablo sola yaslı, tablo açıklaması 11 punto ve italik olmalıdır.
3- Şekil/harita ortaya yaslı, şekil/harita açıklaması 11 punto ve italik olmalıdır.
4- Yazım metni satır boşluk/arası tek satır, aralıklar ise önce ( 8 nk) sonra (12 nk) olacak şekilde düzenlenmelidir.
5- Kaynak gösteriminde sıkı kurallar olmamasına rağmen makalede yer alan kaynakta yazar isimleri, kitapta bölüm başlığı/makale başlığı, cilt/sayı/ ve sayfa numarası, Kitap bölümü ve varsa mutlaka DOI numarası verilmelidir. Örnek kaynak listesi ön yükleme formatında görülebilir. Aşağıda kaynak gösterimi için örnekler bulunmaktadır;
- Kahraman HT, Bayindir R., Sagiroglu S. A new approach to predict the excitation current and parameter weightings of synchronous machines based on genetic algorithm-based k-NN estimator. Energy Conversion and Management, 64(129-138), (2012). (makale)
- Mitchell, T. R. and Larson, J. R. (1987). People in organizations (Third edition). New York: McGraw-Hill, 87,92. (kitap)
- Kirazoğlu, F. (2010). Metal-Yalıtkan-Yarıiletken Yapıların Elektrik Özelliklerinin Frekans ve Sıcaklığa Bağlı İncelenmesi, Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 118-120. (Tez)
Makaledeki yazarlar konuyla ilgili kaynakların tam olarak ve bütün detayları ile verildiğinden sorumludur.
Etik İlkeler ve Yayın Politikası
YAYIN ETİĞİ BİLDİRİMİ
Yayın etiği, en iyi uygulama kılavuzlarını sağlamak ve bu nedenle derginin editörleri, yazarları ve hakemler tarafından uyulması açısından çok önemlidir. Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji (e-ISSN: 2147-9526), COPE'nin Davranış Kuralları ve Dergi Editörleri İçin En İyi Uygulama Kılavuz İlkeleri (https://publicationethics.org/resources/code-conduct) tarafından açıklanan ilkelere uygundur ve sadece şeffaflık ilkeleri değil, aynı zamanda en iyi bilimsel uygulama Yayın Etik Kurulu (COPE) tarafından belirlenen kurallara uygun olan makaleleri yayınlar.
Baş Editör ve Alan Editörlerinin Görevleri
Tarafsızlık
Derginin baş editörü ve bölüm editörleri, dergiye gönderilen makalelerin hangisinin yayınlanması gerektiğine karar vermekten sorumludur. Bu süreçte yazarlar ırk, etnik köken, cinsiyet, din ve vatandaşlıklarına göre editörler tarafından ayırt edilmez. Editörlerin yayınlanacak bir makaleyi kabul etme, gözden geçirme veya reddetme kararları, yalnızca makalenin önemi, özgünlüğü ve açıklığına ve ayrıca makalede yapılan çalışmanın derginin kapsamına uygunluğuna dayanmaktadır.
Gizlilik
Baş editör ve bölüm editörleri, gönderilen bir makale hakkında herhangi bir bilgiyi başkasıyla paylaşmamalıdır. Ayrıca ilgili yazar, hakemler / muhtemel hakemler ve yayıncı personel tarafından açıklanmamalıdır. Editörler, yazarlar tarafından sunulan tüm materyallerin inceleme sürecinde gizli kalmasını sağlayacaktır.
Çıkar Çatışması ve Açıklama
Gönderilmiş bir makalede açıklanan yayınlanmamış materyaller, yazarın yazılı izni olmadan hiçbir hakemin kendi çalışmalarında kullanılmamalıdır. Hakem değerlendirmesi sürecinden elde edilen münhasır bilgi veya görüşler gizli tutulmalı ve kişisel çıkarlar için kullanılmamalıdır. Hakemler, rekabetçi, işbirlikçi veya makalelere bağlı yazarlar, şirketler veya kurumlardan herhangi biriyle olan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları yazıları dikkate almamalıdır.
Akran inceleme süreci
Baş editör / bölüm editörleri, dergi sistemine gönderilen her bir yazı için çift kör bir akran inceleme sürecinin etkin bir şekilde yapılmasını sağlamalıdır.
Etik olmayan davranışların yönetimi
Editörler, yayıncılarla birlikte, gönderilen bir makale veya yayınlanan bir makale hakkında etik şikâyetler sunulduğunda rasyonel olarak duyarlı önlemler almalıdır.
Yazar(lar)ın Görevleri
Makalenin Yazarı
Tasarım, yorumlama ve uygulama dâhil olmak üzere bildirilen çalışmaya önemli bir katkı sağlayanlara daraltılmalıdır. Gönderilen yazıya önemli katkılarda bulunan tüm yazarlar ortak yazar olarak listelenmelidir.
Özgünlük ve intihal
Gönderdikleri makalenin içeriğinden, dilinden ve özgünlüğünden yazarlar sorumludur. Yazarlar, orijinal eserlerini tamamen oluşturduğunu ve yazarlar çalışmayı ve / veya diğer yazarların sözlerini kullanmışlarsa, bunun uygun bir şekilde alıntılandığını veya alıntı yapıldığını temin etmelidir. İntihal, bir başkasının makalesini yazarın kendi makalesi olarak göstermek, bir başkasının makalesinin önemli kısımlarını (atıfta bulunmadan) kopyalamak veya başka bir deyişle, başkaları tarafından yapılan araştırmaların sonuçlarını almaktan farklı biçimlerdedir. Tüm formlarındaki intihal, etik olmayan yayıncılık davranışını içerir ve kabul edilemez. Hakemlere bir makale gönderilmeden önce, intihal araştırması için iThenticate aracılığıyla benzerlik açısından kontrol edilir.
Fon kaynaklarının tanınması
Makalede bildirilen araştırma için tüm finansman kaynakları, referanslar öncesinde makalenin sonunda ayrıntılı olarak belirtilmelidir.
İfşa ve çıkar çatışmaları
Tüm yazarlar makalelerinde, makalelerinin bulgularını veya yorumunu etkilemek için yorumlanabilecek herhangi bir maddi veya diğer maddi çıkar çatışmasını açıklamalıdır. Proje için tüm finansal destek kaynakları da açıklanmalıdır. Açıklanan potansiyel çıkar çatışmaları örnekleri arasında istihdam, danışmanlıklar, hisse senedi mülkiyeti, onur, ücretli uzman tanıklığı, patent başvuruları / kayıtları ve hibeler veya diğer fonlar yer almaktadır. Potansiyel çıkar çatışmaları mümkün olan en erken aşamada bildirilmelidir.
Raporlama standartları
Makalenin yazarları, yapılan çalışmanın doğru bir açıklamasını ve önemi ile ilgili objektif bir tartışma sunmalıdır. Temel veriler, metinde doğru olarak verilmelidir. Bir makale, diğer araştırmacıların çalışmayı tekrar etmelerine izin vermek için yeterli ayrıntıyı ve referansları içermelidir. Zor veya bilerek kesin olmayan ifadeler etik olmayan davranışlar oluşturur ve kabul edilemez. İnceleme ve profesyonel yayın makaleleri de kesin olmalı, özgün ve objektif olmalı ve editoryal düşünce çalışmaları açıkça ifade edilmelidir.
Veri erişimi ve saklama
Yazarlardan editoryal inceleme süreci için bir makaleyle bağlantılı ham verileri sağlamaları istenebilir ve herhangi bir durumda, yayınlandıktan sonra belirli bir süre için bu verileri saklamaları gerekebilir.
Çoklu, gereksiz veya eşzamanlı yayın
Gönderilen makaleler başka herhangi bir dergiye gönderilmemiş olmalıdır. Aynı makaleyi aynı anda birden fazla dergiye göndermek etik olmayan yayıncılık davranışını içerir. Yazarlar ayrıca makalenin daha önce başka bir yerde yayınlanmadığından da emin olmalıdır.
Yayınlanmış çalışmalarda ana hatalar
Bir yazar yayınlanmış eserinde önemli bir hata veya yanlışlıkla karşılaştığında, dergi editörünü veya yayıncısına bu durumu derhal bildirmek ve makaleyi geri çekmek veya düzeltmek için editörle işbirliği yapmak yükümlülüğündedir.
Hakemlerin Görevleri
Hakemler, makale le ilgili görüşlerini tamamlayarak yorumlarını kendisine tanımlanan zaman içerisinde göndermelidir. Eğer makale, hakemin ilgi alanına uygun değilse, makale editöre geri gönderilmelidir, böylece diğer hakemler zaman kaybetmeden atanabilirler.
Katkı
Hakemler, hakemli bir dergi olan derginin kalitesine katkıda bulunan ana üyelerdir. Alınan makaleyi incelemesi için kalifiye olmayan hakemler derhal editöre bildirmeli ve bu makaleyi incelemeyi reddetmelidir.
Gizlilik
İnceleme için gönderilen yazılar gizli belgeler olarak değerlendirilmelidir. Editör tarafından yetkilendirilmedikçe başkalarıyla gösterilmemeli veya tartışılmamalıdır.
Nesnellik standartları
Yorumlar objektif olarak gerçekleştirilmelidir. Yazarın kişisel eleştirisi uygun değildir. Hakemler açıkça destekleyici argümanlarla görüşlerini ifade etmelidir.
Kaynakların tanınması
Hakemler, yazarlar tarafından alıntılanmayan yayınlanmış çalışmaları tanımlamalıdır. Bir gözlem, türetme veya argümanın daha önce bildirildiği herhangi bir ifadeye ilgili atıfta bulunulmalıdır. Bir gözden geçiren aynı zamanda editörün dikkatini, ele alınan yazı ile kişisel bilgileri olan yayınlanmış diğer herhangi bir makale arasında hayati bir benzerlik ya da çakışma olduğuna dikkat etmelidir.
İfşa ve çıkar çatışması
Hakemler, rekabetçi, işbirlikçi veya yazılarla bağlantılı yazarlar, şirketler veya kurumlarla yapılan diğer ilişkilerden / bağlantılardan kaynaklanan çıkar çatışmalarına sahip oldukları makaleleri dikkate almamalıdır.
Ücret Politikası
Dergimizde, makalelerin yayınlanması, okunması ve indirilmesi ücretsizdir, hiç bir işlem için ücret talep edilmemektedir.
Dizinler
Dergi Kurulları
Sahibi
Yayın Yönetmeni
Baş Editör
Editör Yardımcı
Editörler Kurulu
Kurum Bilgileri: Mühendislik Fakültesi, Enerji Sistemleri Mühendisliği, Nükleer Araştırma
Araştırma Alanları: Makina Mühendisliği, Enerji, Diğer Yenilenebilir Enerji Sistemleri, Nükleer Enerji, Güneş Enerjisi, Hidrojen teknolojileri ve yakıt hücreleri, Rüzgar Enerjisi, Termodinamik, Isı ve Madde Transferi, Yakıtlar ve Yanma, Hesaplamalı akışkanlar dinamiği, Mühendislik ve Teknoloji
Prof. Dr. Sait Dündar SOFUOĞLU 1974 yılında Kütahya’nın Simav ilçesinde doğdu. İlk, orta ve lise öğrenimini İstanbul’da tamamladı. Lisans eğitimini 1996 yılında İstanbul Üniversitesi Orman Fakültesi, Orman Endüstri Mühendisliği Bölümü’nde, yüksek lisansını 2001 yılında İstanbul Üniversitesi Fen Bilimleri Enstitüsü Orman Endüstri Mühendisliği Bölümü, Orman Endüstrisi Makinaları ve İşletme Anabilim Dalı’nda, doktorasını ise 2008 yılında İstanbul Üniversitesi Fen Bilimleri Enstitüsü Orman Endüstri Mühendisliği Bölümü, Orman Endüstrisi Makinaları ve İşletme Anabilim Dalı’nda tamamlamıştır.
1996-2003 yılları arasında Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü’nde, 2003-2008 yılları arasında İstanbul Üniversitesi Orman Fakültesi, Orman Endüstri Mühendisliği Bölümü’nde (35. Madde) Araştırma görevlisi olarak çalışmıştır. 2008-2009 yılları arasında Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü’nde Dr. Araştırma görevlisi olarak çalışmıştır. 2009-2012 yılları arasında Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü’nde Yrd. Doç. Dr. olarak çalışmış, 2012-2017 yılları arasında Dumlupınar Üniversitesi Simav Teknoloji Fakültesi Ağaç İşleri Endüstri Mühendisliği Bölümü’nde Yrd. Doç. Dr. çalışmıştır. 06.10.2017 tarihinde Orman Endüstri Mühendisliği Bilim Alanında Üniversite Doçenti unvanı ve yetkisi verilmiştir. Halen aynı Anabilim Dalında çalışmaya devam etmektedir.
2009 yılından itibaren Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü Mobilya Eğitimi Anabilim Dalı Başkanlığı’nı, 2011 yılından itibaren Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Mobilya ve Dekorasyon Eğitimi (Yüksek Lisans) Anabilim Dalı Başkanlığı’nı, 2012 yılından itibaren Dumlupınar Üniversitesi Simav Teknoloji Fakültesi Ağaç İşleri Endüstri Mühendisliği Bölümü Tasarım ve İmalat Endüstrisi Anabilim Dalı Başkanlığı’nı yürütmektedir. 2009 yılından itibaren Dumlupınar Üniversitesi Simav Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölüm Başkanlığını, 2012-2015 yılları arasında Dumlupınar Üniversitesi Simav Teknoloji Fakültesi Ağaç İşleri Endüstri Mühendisliği Bölüm Başkanlığı’nı, 2015-2018 yılları arasında Dumlupınar Üniversitesi Pazarlar Meslek Yüksekokulu Müdürlük görevini yürütmüştür. 2023 yılından itibaren Kütahya Dumlupınar Üniversitesi Simav Teknoloji Fakültesi Ağaç İşleri Endüstri Mühendisliği Bölümü, Tasarım ve İmalat Endüstrisi Anabilim Dalında Prof. Dr. olarak çalışmaya devam etmaktedir. 2024 yılından itibaren Kütahya Dumlupınar Üniversitesi Şaphane Meslek Yüksekokulu Müdürlük görevini yürütmektedir.Evli ve bir çocuk babasıdır.
Gazi Üniversitesi Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü’nden ‘fakülte birincisi’ olarak mezun oldu. Mardin’de (1995-1996) ve Ankara’da (1996-1997) Endüstri Meslek Lisesi Mobilya ve Dekorasyon Bolümü Öğretmeni olarak görev yaptı.
1997 yılında, Gazi Üniversitesi Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü Dekorasyon Anabilim Dalı’na Araştırma Görevlisi olarak atandı. Fen Bilimleri Enstitüsü’nde tamamladığı Yüksek Lisans (1998) ve Doktora (2004) sonrasında Teknik Eğitim Fakültesi Mobilya ve Dekorasyon Eğitimi Bölümü Dekorasyon Anabilim Dalı’na “Yardımcı Doçent” unvanıyla (2005) atanarak 2005-2007 yılları arasında bölüm başkan yardımcısı olarak görev yaptı. 2010 yılında Georgia State Üniversitesi’nde (ABD), 2014 yılında ise Michigan State Üniversitesi’nde (ABD) misafir öğretim üyesi olarak çalıştı. Gazi Üniversitesi Teknik Eğitim Fakültesi (2011-2012) ve Teknoloji Fakültesi (2015-2016, 2019-2020) dekan yardımcısı, Teknik Eğitim Fakültesi (2014-2016) Yönetim Kurulu üyesi olarak görev yaptı. Kültür ve Turizm Bakanlığı ile TÜBİTAK’tan ödüller aldı.
2017 yılında 29 uncusu yapılan “The XXIXth International Conference Research for Furniture Industry” konresinin Düzenleme Kurulu Başkanı olan Söğütlü, Kültür ve Turizm Bakanlığı ve TİKA tarafından gerçekleştirilen çeşitli restorasyon çalışmalarında Bilim Kurulu Üyesi olarak görev yaptı.
Prof. Dr. Cevdet SÖĞÜTLÜ’nün 16 yüksek lisans, 5 doktora danışmanlığı, 50’si WoS’da taranan dergilerde olmak üzere 100’ün üzerinde yayımlanmış makalesi, ulusal ve uluslararası 4 adet kitap bölümü yazarlığı, 15 adet projesi, eserlerine yapılmış 850 atfı, uluslararası kongrelerde 20’nin üzerinde davetli konuşma ve oturum başkanlığı, WoS’da taranan dergide editörlüğü bulunmaktadır.
Hâlen, Teknoloji Fakültesi Ağaçişleri Endüstri Mühendisliği Bölümünde çalışmalarına devam eden Cevdet Söğütlü evli ve iki çocuk babasıdır.
Doç. Dr. Şenol ŞİRİN, OF/Trabzon doğumludur. Lisansını; Gazi Üniversitesi Talaşlı Üretim Öğretmenliğinde (2004-2008), Yüksek Lisansını; Karabük Üniversitesi Makine Eğitiminde (2008-2012), Doktorasını; Düzce Üniversitesi Makine Mühendisliğinde (2016-2020) tamamladı. Özel sektör kuruluşlarında; Tasarım/Üretim Uzmanlığı, Proses ve Takım Mühendisliği gibi çeşitli görevlerde bulunmuştur. 2013 yılında Düzce Üniversitesi'nde başladığı akademik kariyerinde, Müdür Yardımcılığı, Yönetim Kurulu Üyeliği, Disiplin Kurulu Üyeliği, Topluluk Akademik Danışmanlığı gibi görevler de yürütmüştür. Halen Gümüşova Meslek Yüksekokulu müdürlüğüne devam etmektedir. Güncel araştırma alanları; sürdürülebilir imalat, eklemeli imalat, nanoakışkan, triboloji, takım aşınması ve mekanizmaları, sürtünme katsayısı, minimum miktarda yağlama, kriyojenik işlem ve kriyojenik soğutmadır. Dr. ŞİRİN, Evli ve 2 çocuk babasıdır.
Mehmet Erdi Korkmaz graduated from his Phd in 2018. He is currently working as Assoc. Prof. Dr. at Karabük University. He got his master degree in Mechanical Engineering from the same university. He also takes a Bachelor degree in mechanical engineering from Middle East Technical University. He had been studied as guest researcher at Ghent University, Belgium in 2017. His research areas are mechanical behaviour of materials, Constitutive material model parameters, Finite element modeling of machining process, tribology in machining and additive manufacturing. He has authored or co-authored over 100 publications, including scientific papers in high impact international journals and conference proceedings. His expertise and contributions in the field of machining have afforded him many collaborative works with important Institutions. He is a reviewer for many international Journals (for Elsevier, Springer, Sage, etc.).
