Halojensiz ve alev geciktiricili (HFFR) polimerik kompozit kılıflı kablo kopma uzaması test sonuçlarının makine öğrenmesi yöntemleri kullanılarak tahmin edilmesi

Öz

Son zamanlarda yapay zekâ (YZ) tekniklerinin farklı alanlarda kullanımı ile ilgili artan bir ilgi vardır. Bu çalışmada, halojen içermeyen alev geciktiricili (HFFR) kablolarda, kablo kılıf malzemelerinin mekanik özelliklerinden olan kopma uzamasının tahmin edilmesinde farklı makine öğrenmesi algoritmalarının (MÖA) kullanımı amaçlanmıştır. Geliştirilen tahmin modellerinde kullanılmak amacı ile numunelere çekme deneyi uygulanmış, yüzde uzama değerleri tespit edilmiştir. Elde edilen deney sonuçları farklı yapay zekâ tahmin modellerinde kullanılmıştır. HFFR kablo numunelerinden elde edilen sınırlı sayıda veri ile destek vektör makinası (DVM), yapay sinir ağları (YSA) yöntemlerinin mutlak yüzdesel hataları oldukça kabul edilebilir seviyede elde edilmiştir. Bu metotlar ile elde edilen tahminler, ek olarak MS Excel programı ile regresyon analizi yapılarak elde edilen tahminlerin verileri ile karşılaştırılmıştır. Elde edilen istatiksel sonuçlara göre, bu alanda DVM ve YSA’nın kullanımı ile başarılı tahmin oranı %87.5, gerçekleştirilen tahminler için başarı oranı ortalama %92 elde edilmiştir. Bu alanda MÖA’nın kullanılması, deneme yanılma yöntemi ile yapılan üretimlerde oluşan belirsizliği büyük oranda sonlandıracak ve başarısız üretim oranını azaltacaktır.

Anahtar Kelimeler

• Makine öğrenmesi
• Yapay sinir ağları
• Destek vektör makinesi
• Regresyon
• HFFR kablo
• Polimerik kompozit

Prediction of halogen-free and flame retardant (HFFR) polymeric composite sheathed cable elongation test results using machine learning methods

Öz

Recently, there has been an increasing interest in the use of artificial intelligence techniques in different fields. In this work is aimed to use different machine learning algorithms (MLA) to predict the elongation at break from the mechanical properties of cable sheath materials in halogen-free flame retardant (HFFR) cables. In order to be used in the developed prediction models, tensile test was applied to the samples and the percent elongation values were determined. Obtained experimental results were used in different artificial intelligence prediction models. Absolute percentage errors of support vector machine (SVM) and artificial neural network (ANN) methods were obtained at a quite acceptable level with a limited number of data obtained from HFFR cable samples. The estimations obtained by these methods were compared with the data of the estimations obtained by performing regression analysis with the MS Excel program. According to the statistical results, with the use of SVM and ANN in this area, the successful prediction rate was 87.5%, and the average success rate for the predictions made was 92%. The use of MLA in this area will largely end the uncertainty in the trial and error production and reduce the rate of unsuccessful production.

Anahtar Kelimeler

• Machine learning
• Artificial neural network
• Support vector machine
• Regression
• HFFR cable
• Polymeric composite

Kaynakça

1. [1] Hyvärinen M, Jabeen R, Kärki T. “The modelling of extrusion processes for polymers-a review”. Polymers, 12(6), 1306-1320, 2020.
2. [2] Altarazi S, Allaf R, Alhindawi F. “Machine learning models for predicting and classifying the tensile strength of polymeric films fabricated via different production processes”. Materials, 12(9), 1475-1489, 2019.
3. [3] Altarazi S, Ammouri M, Hijazi A. “Artificial neural network modeling to evaluate polyvinylchloride composites’ properties”. Computational Materials Science, 153, 1-9, 2018.
4. [4] Noor RAM, Ahmad Z, Don MM, Uzir MH. “Modelling and control of different types of polymerization processes using neural networks technique: A review”. The Canadian Journal of Chemical Engineering, 88, 1065-1084, 2010.
5. [5] Çırak B. Tel Kaplama Prosesinin Yapay Sinir Ağları (YSA) İle Modellenmesi ve Öngörülü Kontrol Modeli (MPC) ile Kontrolü. Doktora Tezi, Sakarya Üniversitesi, Sakarya, Türkiye, 2010.
6. [6] Çırak B, Kozan R. “Prediction of the coating thickness of wire coating extrusion processes using artificial neural network (ANN)”. Modern Applied Science, 3(7), 52-66, 2009.
7. [7] Adesanya A, Abdulkareem A, Adesina LM. “Predicting extrusion process parameters in Nigeria cable manufacturing industry using artificial neural network”. Heliyon, 2020. https://doi.org/10.1016/j.heliyon.2020.e04289.
8. [8] Abdulkareem A, Adesanya A, Mutalub AL, Awelewa A. “Predicting extrusion process parameters in Nigeria cable industry for polyethylene cable insulation using artificial neural network”. Journal of Theoretical and Applied Information Technology, 98(23), 3770-3782, 2020.

9. [9] Khayyami S. Predicting Mechanical Properties of Polymer Films After Extrusion Coating Using Supervised Machine Learning Algorithms. MSc Thesis, Lund University, Lund, Sweden, 2019.
10. [10] García V, Picón LR, Sánchez JS, Mendez L. “Using regression models for predicting the product quality in a tubing extrusion process”. Journal of Intelligent Manufacturing, 30(6), 2535-2544, 2019.
11. [11] Yadollahi MM, Benli A, Demirboğa R. “Prediction of compressive strength of geopolymer composites using an artificial neural network”. Materials Research Innovations, 19(6), 453-458, 2015.
12. [12] Nguyen HT, Nguyen KTQ, Le TC, Zhang G. “Review on the use of artificial intelligence to predict fire performance of construction materials and their flame retardancy”. Molecules, 26(4), 1022-1050, 2021.
13. [13] Kiyici İ, Doruk İ, Kaçamaz M, Baklan RO, Çomak E. “Prediction of cable mechanical properties using machine learning methods for production of halogen-free and flame retardant(hffr) cables”. International Conference on Engineering Technologies 2020, Konya, Turkey, 19-21 November 2020.
14. [14] Abeykoon C, Kelly AL, Vera-Sorroche J, Brown CE, Coates PD, Deng J, Li K, Harkin-Jones E, Price M. “Process efficiency in polymer extrusion: Correlation between the energy demand and melt thermal stability”. Applied Energy, 135, 560-571, 2014.
15. [15] Kök F. “Yangında açığa çıkan gazların, insan sağlığına vereceği zararın engellenmesi”. Ulusal Çevre Bilimleri Araştırma Dergisi, 3(2), 83-94, 2020.
16. [16] International Electrotechnical Commission. “Common Test Methods for Insulating And Sheathing Materials of Electric and Optical Cables”. New York, USA, International Standart, 60811-1-1, 2001.
17. [17] Kıyıcı İ. Akıllı, Otonom ve Korumalı Priz. Yüksek Lisans Tezi, Pamukkale Üniversitesi, Denizli, Türkiye, 2019.
18. [18] Maltarollo VG, Honório KM, Silva ABF. Applications of Artificial Neural Networks in Chemical problems. Editor: Kenji S. Artificial Neural Networks-Architectures and Applications, 204-220, Rejika, Croatia, IntechOpen Publishing, 2013.
19. [19] Anderson JA. An Introduction to Neural Networks. 1st ed. New Delhi, India, Prentice-Hall of India Private Limited, 2006.
20. [20] Beheshti Z, Shamsuddin S, Beheshti E, Yuhaniz S. “Enhancement of artificial neural network learning using centripetal accelerated particle swarm optimization for medical diseases diagnosis”. Soft Computing, 18(11), 2253-2270, 2014.
21. [21] Vapnik V. "An overview of statistical learning theory." IEEE Transactions on Neural Networks, 10(5), 988-999, 1995.
22. [22] Jiaohui X, Wen T, Tingshun L. “Predicting fan blade icing by using particle swarm optimization and support vector machine algorithm”. Computers & Electrical Engineering, 87, 1-11, 2020.
23. [23] Chen N, Lu W, Yang J, Li G. Support Vector Machine in Chemistry. 1st ed. Singapore, Singapore, World Scientific Publishing Company, 2004.
24. [24] Shevade S, Keerthi S, Bhattacharyya C, Murthy K. “Improvements to the SMO algorithm for SVM regression”. IEEE Transactions on Neural Networks, 11(5), 1188-1193, 2000.
25. [25] Smola AJ, Scholkopf B. “A tutorial on support vector regression”. Statistics and Computing, 14(3), 199-222, 2004.
26. [26] Başak H, Baday Ş. “Küreselleştirilmiş orta karbonlu bir çeliğin işlenmesinde, kesme parametrelerinin kesme kuvvetleri ve yüzey pürüzlülüğüne etkilerinin regresyon analizi ile modellenmesi”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 22(4), 253-258, 2016.
27. [27] Özden C, Acı Ç. “Makine öğrenmesi yöntemleri ile yaralanmalı trafik kazalarının analizi: Adana örneği”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 24(2), 266-275, 2018.
28. [28] Montgomery DC, Peck EA, Vining GG. Introduction to Linear Regression Analysis. 6th ed. New York, USA, John Wiley& Sons, 2021.
29. [29] Lewis CD. Industrial and Business Forecasting Methods. 1st ed. London, England, Butterworths Publishing, 1982.