Geri Dön

Yapay sinir ağları tabanlı fonksiyonel yaklaşım ve mühendislik uygulamaları

Artificial neural network based functional approximation and engineering applications

  1. Tez No: 212011
  2. Yazar: MURAT KORKUT
  3. Danışmanlar: YRD. DOÇ. DR. MEHMET ALİ ARSLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2007
  8. Dil: Türkçe
  9. Üniversite: Gebze Yüksek Teknoloji Enstitüsü
  10. Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Tasarım ve İmalat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 84

Özet

Yapay Sinir Agları (YSA) fonksiyonel yaklasımlarda daha güvenilir tahminler yapması ve lineer olmayan problemlerin çözümlerinde geleneksel öngörü metotlarına göre daha etkin sonuçlar vermesinden dolayı son yıllarda mühendislik uygulamalarında daha yaygın kullanılmaya baslanmıstır. Bu çalısmada, mil devri, ilerleme hızı, kesme derinligi, makina titresim ve yüzey pürüzlülük degerlerini içeren degisik boyutlardaki üç farklı parmak frezeleme veri setine mühendislik fonksiyonel yaklasım aracı YSA ile yaklasımda bulunulmustur. YSA kontrol parametrelerinin öngörü sonuçlarına etkileri gözlemlenmis ve karsılastırılmıstır. Veri miktarı azaldıkça yetersiz egitim nedeniyle YSA ile yapılan öngörülerin güvenilirliginin de azaldıgı görülmüstür. Daha iyi öngörüler yapabilmek için YSA programı kullanıcısının deneyimine baglı olarak kontrol parametreleri üzerinde düzenlemeler yapılmıs ve analizler tekrarlanmıstır. Deneme yanılma yöntemi kullanılarak düzenlenen parametrelerle sonuçlarda iyilestirmeler saglanmıstır. Analizler ögrenme oranının YSA egitim ve test yetenegine en fazla etkiyi yapan parametre oldugunu göstermistir. YSA sonuçlarını ve performansını karsılastırmak amacıyla aynı veri setleri seçilen lineer yapılı etkilesimsiz Çoklu Regresyon Analizinde (ÇRA) kullanılmıstır. YSA ve ÇRA öngörü sonuçları grafiksel olarak ve bagıntı faktörleri kullanılarak karsılastırılmıstır. ncelenen veri setleri ile yapılan tüm analizlerin sonuçlarına göre YSA'nın niteliksel ve fonksiyonel açıdan ÇRA'den daha iyi öngörülerde bulundugu gözlemlenmistir.

Özet (Çeviri)

Artificial Neural Networks (ANN) are to be used more widespread in engineering applications in recent years due to their reliable predictions in functional approximations and giving more effective results in solving nonlinear problems compared to conventional prediction methods. In this study, three different size of end milling process data sets including feed rate, spindle speed, depth of cut, machine vibration and surface roughness values are approximated using ANN as an engineering function approximation tool. The effects of ANN control parameters on the prediction results are observed and compared. It is seen that, due to poor training the reliability of the predictions made by ANN decreased as the size of the data sets decreased. In order to get better predictions the control parameters are reorganized depending on experience of the ANN program user and the analyses are repeated. Improvements on the prediction results are achieved with rearranged parameters by adapting trial and error method. Analysis shows the learning rate as being the most effective parameter on the ANN training and testing capability. In order to compare the ANN results and performance, the same data sets are also used in Multiple Regression Analysis (MRA) using linear model without interaction terms. ANN and MRA prediction results are compared with graphics and correlation factors. According to the results of all analysis done via ANN and MRA, it is observed that ANN makes better predictions than MRA from qualitative and functional point of view for the study of interest.

Benzer Tezler

  1. Yapay sinir ağlarında öğrenme algoritmalarının analizi

    Analysis of learning algorithms in neural networks

    SEVİNÇ BAKLAVACI

  2. Çeşitli mikroşerit antenlerin karakteristik parametrelerinin farklı algoritmalarla eğitilen yapay sinir ağları ile hesaplanması

    Computation of characteristics parameters of various type microstrip antennas with the use of artificial neural networks trained by different learning algorithms

    SEYFETTİN SİNAN GÜLTEKİN

    Doktora

    Türkçe

    Türkçe

    2002

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. KERİM GÜNEY

  3. Belirlenmiş mühendislik problemlerinin tasarımı, modellenmesi ve optimizasyonu için çoklu-stokastik nonlineer nöro-regresyon analizi ve geleneksel olmayan arama algoritmaları tabanlı yeni bir sistematik yaklaşım

    A new systematic approach for design, modeling and optimization of the engineering problems based on stochastic multiple-nonlinear neuro-regression analysis and non traditional search algorithms

    MELİH SAVRAN

    Doktora

    Türkçe

    Türkçe

    2023

    Makine Mühendisliğiİzmir Katip Çelebi Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. LEVENT AYDIN

  4. Yönlendirilmiş enerji girdili metal katmanlı imalat yöntemi için topoloji optimizasyonu

    Topology optimization for directed energy deposition metal additive manufacturing

    METİN ÇALLI

    Doktora

    Türkçe

    Türkçe

    2022

    Makine MühendisliğiBursa Uludağ Üniversitesi

    Otomotiv Mühendisliği Ana Bilim Dalı

    PROF. DR. FERRUH ÖZTÜRK

  5. Classification of ten different motor imagery eeg signals by using deep neural networks

    On farklı motor hareket hayaline ait eeg işaretlerinin derin sinir ağları ile sınıflandırılması

    NURİ KORHAN

    Doktora

    İngilizce

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ZÜMRAY ÖLMEZ