Mekanik Özelliklere Göre Ağaç Türlerinin Yapay Sinir Ağları ile Tahmini

Yıl 2018, , 75 - 83, 31.01.2018

Muhammer İlkuçar Ali İhsan Kaya , Ahmet Çifci

https://doi.org/10.17714/gumusfenbil.310585

Cited By: 4

Öz

Mekanik özellikler malzemelerin dayanımını ve
kullanım alanlarını belirleyen en önemli etkenlerdir. Bir ağaç malzemenin hangi
malzeme grubunda olduğu ve hangi ağaç türü olduğu mekanik özelliklerine
bakılarak bilinebilmektedir. Bu çalışmada ticareti yapılan kızılağaç (Alnus
glutinosa subsp. Barbata), doğu kayını (Fagus orientalis Lipsky), karakavak
(Populus nigra), ceviz (Juglans regia), meşe (Quercus robur), kestane (Castena
sativa), sedir (Cedrus libani) ve çam (Pinus) gibi önemli bazı ağaç türlerinin
mekanik özellikleri yapay sinir ağları ile modellenmiştir. Bu çalışma, herhangi
bir konstrüksiyon için ihtiyaç duyulan mekanik özellikleri karşılayacak ideal
ağaç malzemenin tespitinde yardımcı olacaktır. Böylece bilimsel çalışmalarda ve
ticarette ağaç türü ile ilgili sınıflandırmalar daha etkin bir şekilde yapılabilecektir.

Anahtar Kelimeler

Ağaç türleri, Mekanik özellikler, Yapay sinir ağları

Predicting wood types in terms of mechanical properties using artificial neural networks

Öz

The mechanical properties are the most
important factors determining the strength and usage areas of materials. It can
be known from the mechanical properties that a wood material of which material
group is in and which wood species it is. In this study, the mechanical
properties of some important wood species such as alder (Alnus glutinosa subsp.
Barbata), oriental beech (Fagus orientalis Lipsky), black poplar (Populus
nigra), walnut (Juglans regia), oak (Quercus robur), chestnut (Castena sativa),
cedar (Cedrus libani) and pine (Pinus) were modelled by using artificial neural
networks. This study will assist in the determination of ideal wood material
that meets the mechanical properties required for any construction. Thus,
classifications related to wood species can be made more effectively in
scientific studies and in trade.

Anahtar Kelimeler

Wood species, Mechanical properties, Artificial neural networks

Kaynakça

• Arisariyawong, S. ve Charoenseang, S., 2002, Dynamic Self-Organized Learning for Optimizing the Complexity Growth of Radial Basis Function Neural Networks, IEEE International Conference on Industrial Technology, 11-14 Dec. 2002, Bankok, Thailand, p. 655-660.
• As, N., Dündar, T. ve Büyüksarı, Ü., 2016. Classification of wood species grown in Turkey according to some physico-mechanic properties, Journal of the Faculty of Forestry Istanbul University, 66, 2, 727-735.
• ASTM D2017–81, 1986. Accelerated Laboratory Test of Natural Decay Resistance of Woods.
• Ay, N., & Şahin, H. (2002). Maçka-Çatak Bölgesi Anadolu Kestanesi (Castanea Sativa Mill.) Odununun Bazi Mekanik Özellikleri. Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi, 3(1), 87-95.
• Bal B. C., Bektaş İ. ve Kaymakçı A., 2012. Toros sedirinde genç odun ve olgun odunun bazı fiziksel ve mekanik özellikleri, Kahramanmaraş Sutcu Imam University Journal of Engineering Sciences, 15, 2, 17-27.
• Berkel A., 1972, Ağaç Malzeme Teknolojisi, Ağaç Malzemenin Korunması ve Emprenye Tekniği, İ.Ü. Orman Fakültesi, Yayın No: 1745/183, Sermet Matbaası, İstanbul.
• Bozkurt, A. Y., ve Erdin, N., 1997, Ağaç Teknolojisi, Yayın No: 3998, ISBN 975-404-449-X, İstanbul, s. 346-357.
• Broomhead D. S. ve Lowe D., 1988. Multivariable functional interpolation and adaptive network, Complex Systems, 2, 321-355.
• Dündar, T. (2002). Demirköy yöresi ıstranca meşelerinin (Quercus hartwissiana stev.) mekanik özellikleri. Journal of the Faculty of Forestry Istanbul University| İstanbul Üniversitesi Orman Fakültesi Dergisi, 52(2), 159-176.
• Düzkale, G., Bektaş, İ., Tunç, H. H. ve Doğanlar, Y., 2015. Zeytin ağacı (Olea europaea) odunun bazı fiziksel ve mekanik özelliklerinin belirlenmesi, Düzce Üniversitesi Ormancılık Dergisi, 10, 2, 29-35.
• Erdin, N., 2003, Ağaç Malzeme Kullanımı ve Çevreye Etkisi, İnterteks İnşaat 2003 Fuarı, Ahşap Seminerleri, 20-22 Şubat, İstanbul.
• Findlay, W. P. K., 1985, Preservation of Timber in the Tropics, Martinus Nijhoof/DR W. Junk Publishers, ISBN 90-247-3112-7, Dordrecht, Netherlands.
• Güller B. ve Ay N., 2001. Artvin yöresi sakallı kızılağaç (Alnus glutinosa subsp. barbata (C. A. Mey.) Yalt.) odununun bazı mekanik özellikleri, Turkish Journal of Agriculture and Forestry, 25, 2, 129-138.
• Güller, B., Isik, K. ve Cetinay, S. (2011). Genetic variation in Pinus brutia Ten.: Wood density traits. BioResources, 6(4), 4012-4027.
• İlkuçar, (2017). http://www.ilkucar.com/data/ agacmek.xlsx (Erişim tarihi:25.08.2017)
• Kahveci, E. (2012). Farklı Yetişme Ortamı Koşullarının Sakallı Kızılağaç (Alnus glutinosa subsp. barbata (CA Mey.) Yalt.) Odununun Bazı Fiziksel ve Mekanik Özelliklerine Etkileri. Yüksek Lisans Tezi, Karadeniz Teknik Üniversitesi, Trabzon.
• Kantay, R., As, N. ve Ünsal, Ö., 2000. The mechanical properties of walnut (Juglans regiaL.) wood, Turkish Journal of Agriculture and Forestry, 24, 6, 751-756.
• Kaymakcı, A., Bal, B. C. ve Bektaş, İ., 2011. Pavlonya odununun bazı özellikleri ve kullanım alanları, Kastamonu Üniversitesi Orman Fakültesi Dergisi, 11, 2, 228-238.
• Korkut, S., ve Bektas, I., 2008. The effects of heat treatment on physical properties of Uludag fir (Abies bornmuelleriana Mattf.) and Scots pine (Pinus sylvestris L.) wood, Forest Products Journal, 58, 3, 95-99.
• Malkoçoğlu, A. K. (1994). Doğu Kayını (Fagus orientalis Lipsiky) Odununun Teknolojik Özellikleri, Doktora Tezi, KT Ü. Orman Fakültesi, Trabzon.
• McCulloch W. S. ve Pitts W., 1943. A logical calculus of the ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, 5, 115-133.
• Moradkhani H., Hsu K., Gupta H. V. ve Sorooshian S., 2004. Improved streamflow forecasting using self-organizing radial basis function artificial neural networks, Journal of Hydrology, 295, Issues 1–4, 246-262.
• Panshin, A. J. ve De Zeeuw, C., 1980, Textbook of Wood Technology, Mc Graw-Hill, Inc. Fourth Edition, ISBN: 0-07-04844-4, New York.
• Rowell, R. M., 1990, Materials Science of Lignocellulosics, Materials Research Society Symposium Proceedings, 197, Pittsburgh, PA, p. 3-9.
• Wen, L., Li, Z., Han, Z., Xie, X., Zhang, R., 2016, The External Characteristics Simulation System of Diesel Engine Based on Levenberg-Marquardt Algorithm, IEEE International Conference on Industrial Informatics - Computing Technology, Intelligent Technology, Industrial Information Integration (ICIICII), 3-4 Dec. 2016, Wuhan, China, p. 30-33.
• Yu, H. ve Wilamowski, B. M., 2011, Levenberg–Marquardt training. Industrial Electronics Handbook Intelligent Systems. Wilamowski, B. M. and Irwin, J. D. (eds.), CRC Press, Boca Raton. pp. 1-16.