Geri Dön

Yapay sinir ağı tekniği kullanılarak polipropilen BCF ipliklerinin uzama, mukavemet ve kıvrımlılık değerlerinin tahminlemesi: Tekstil sektöründe bir uygulama

Estimation of the elongation, tensile strength and crimp values of polypropylene BCF yarns by using artificial neural network technique: An application in textile sector

  1. Tez No: 588709
  2. Yazar: EMİNE ÇOT
  3. Danışmanlar: DR. ÖĞR. ÜYESİ EMRE YAKUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Endüstri ve Endüstri Mühendisliği, Computer Engineering and Computer Science and Control, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Osmaniye Korkut Ata Üniversitesi
  10. Enstitü: Sosyal Bilimler Enstitüsü
  11. Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
  12. Bilim Dalı: Yönetim Bilişim Sistemleri Bilim Dalı
  13. Sayfa Sayısı: 147

Özet

Günümüzde halı üretiminde hav ipliği olarak en çok tüketilen lif olan polipropilen (PP) ipliğin, tüketici talepleri değerlendirildiğinde daha yumuşak, parlak, görünümü muhafaza etme ve rezilyansı iyileştirilmiş özellikte olması istenmektedir. PP ipliğin makine halısı üretiminde kullanılan doğal veya diğer sentetik ipliklere nazaran yumuşaklık ve parlaklık anlamında dezavantaja sahip olduğu bilinmesine rağmen son dönemlerde PP ipliğin özellikleri ve üretim parametreleri ile yapılan çalışmalar neticesinde bu özelliklerin iyileştirildiği görülmektedir. Bu çalışmada, PP BCF (Bulked Continous Filament) iplik üretim parametreleri ile kıvrımlılık, mukavemet ve uzama gibi ticari değeri yüksek özellikler arasında modelleme yapılması, bu özelliklerin önceden tahminlenmesi, üretim bileşenlerinin belirlenmesinde deneme yanılma olarak nitelendirilen geleneksel yöntemlere göre çok daha seri ve yüksek doğrulukta üretim optimizasyonunun yapılması amaçlanmıştır. Bu kapsamda Kartal Halı firmasında 2017-2018 yılları arasında üretilen PP BCF ipliğin üretim parametreleri ile ipliğin uzama, mukavemet ve kıvrımlılık çıktı değerleri yapay sinir ağ (YSA) modellerinden İleri beslemeli geri yayılım ağı, İleri kademeli geri yayılım (Cascade) ağı ve Elman ağı kullanılarak tahminlenmiştir. Oluşturulan YSA modellerinin performansları, belirlilik katsayısı (R2) ve yüzde doğruluk istatistiksel performans gösterge değerleri (MSE, MAPE, MAE, RMSE, MSPE, MPE gibi) ile karşılaştırılmıştır. Eğitim seti için 108 adet YSA modelleri oluşturularak her üç YSA yöntemi için üçer adet en iyi sonucu veren modeller (FeedForward14-15-16, CascadeForward13-14-15, Elman1-2-3) belirlenmiştir. YSA modellerinin PP BCF ipliklerin test verilerine ilişkin tahmin değerleri ile ölçülen değerler arasındaki farkları doğrulamak için t testi analizi uygulanmış ve istatistiksel performans değerlerine göre en iyi üç YSA modeli (FeedForward15, CascadeForward15, Elman3) seçilmiştir. Bu üç modeldeki ipliklerin uzama, mukavemet ve kıvrımlılık tahmin değerleri belirlenmiştir. En iyi sonuç veren İleri beslemeli geri yayılım ağı (FeedForward15) modelinin eğitim setine ait R2 değerleri uzama, mukavemet ve kıvrımlılık için sırasıyla 0.8954 – 0.7992 – 0.9047; MSE değeri için 53.65 – 0.33 – 0.25; MAPE değeri için ise %10 - %20 - %9 değerleri; test setine ait R2 değerleri için sırasıyla 0.9124 – 0.8687 – 0.7919; MSE değeri için 57.12 – 0.26 – 0.22; MAPE değeri için ise%11, %46 ve %8 değerleri elde edilmiştir. Yapılan çalışmalar neticesinde İleri beslemeli geri yayılım ağ modeli istatistiksel performans değerlerinin, Elman ağı ve İleri kademeli geri yayılım (Cascade) ağı modellerinin değerlerinden biraz daha iyi sonuçlar verdiği tespit edilmiştir.

Özet (Çeviri)

Nowadays, polypropylene (PP) yarn which is the most consumed fiber as a pile yarn in carpet production is demanded to be softer, brighter, to maintain appearance and to improve its resilience. Although it is known that PP yarn has a disadvantage in terms of softness and brightness compared to natural or other synthetic yarns used in the production of machine made carpets, it has been observed that these properties have been improved with the properties of PP yarn and production parameters. In this study, it is aimed to estimate between PP BCF (Bulked Continous Filament) yarn production parameters and high commercial value properties such as crimp, tensile strength and elongation. In addition, these properties in the determination of the production components, it is aimed to make much more serial and high accuracy production optimization than the traditional methods described as trial and error. In this context, the production parameters of the PP BCF yarn produced by Kartal Halı in 2017-2018 and the elongation, tensile strength and crimp output values of the yarn were estimated by using the Feedforward back-propagation network, Elman network and the Cascade back propagation network from the artificial neural network models. The performance of the ANN models was compared with the coefficient of determination (R2) and the percent accuracy statistical performance indicator values (MSE, MAPE, MAE, RMSE, MSPE, MPE). For the training set, 108 ANN models were created and nine best ANN models (FeedForward14-15-16, CascadeForward13-14-15, Elman1-2-3) were determined. In order to confirm the differences between the measured values of the test data of PP BCF yarns and the measured values of the ANN models, t test analysis was applied and the best three ANN models (FeedForward15, CascadeForward15, Elman3) were selected according to the statistical performance values. The elongation, tensile strength and crimp estimation values of the yarns in these three models were determined. R2 values of the training set of the feed forward back propagation network (FeedForward15) model which gives the best results are 0.8954 – 0.7992 – 0.9047; For the MSE value, 53.65 – 0.33 – 0.25; For MAPE values, values of 10% - 20% - 9%, respectively; 0.9124 – 0.8687 – 0.7919 for the R2 values of the test set, respectively; The MSE value was found to be 57.12 - 0.26 - 0.22, respectively; The values of MAPE were 11%, 46% and 8%, respectively. As a result of these studies, it has been found that the Feedforward back-propagation network model statistical performance values give slightly better results than Elman network and the Cascade back propagation network models.

Benzer Tezler

  1. Model ortamda ve patates kızartmasında gerçekleşen maıllard reaksiyonunun akrilamid, renk ve antioksidan kapasite açısından yapay sinir ağı kullanılarak modellenmesi

    Modelling the maillard reaction in model systems and fried potatos by using artificial neural network with respect to acrylamide, color and antioxidant capacity

    ARDA SERPEN

    Doktora

    Türkçe

    Türkçe

    2010

    Gıda MühendisliğiHacettepe Üniversitesi

    Gıda Mühendisliği Ana Bilim Dalı

    PROF. DR. VURAL GÖKMEN

  2. Görüntü işleme tekniği ile korunan alanlarda kaynak değeri oluşturan yaban hayvanlarının envanterine yönelik tür ve sayı tespiti yapılması

    Image processing techniques in the protected areas that make up the value of the resource identified by making the type and number for the inventory of wild animals

    KADİR KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik MühendisliğiAfyon Kocatepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. İSMAİL YABANOVA

  3. Drum accompaniment generation using midi music database and sequence to sequence neural network

    Mıdı müzik veritabanı ve diziden diziye yapay sinir ağı kullanımı ile davul eşliği üretimi

    YAVUZ BATUHAN AKYÜZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİzmir Yüksek Teknoloji Enstitüsü

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞEVKET GÜMÜŞTEKİN

  4. Havai dağıtım hatlarında yapay sinir ağları kullanılarak arıza analizi

    Artificial neural network based fault location for overhead distribution lines

    YUNUS EMRE YAĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    Elektrik ve Elektronik MühendisliğiDumlupınar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YILMAZ ASLAN

  5. Image enhancement based breast cancer detection using artificial neural network

    Meme kanseri algılamada yapay sinir ağını kullanılarak görüntü geliştirme

    HAKAR J.MOHAMMED SALIH MOHAMMED SALIH

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. AHMET ÇINAR