A comparative study of deep learning methods on flexural buckling load prediction of aluminum alloy columns
Alümi̇nyum alaşimli kolonlarin eği̇lme burkulma yükü tahmi̇ni̇ üzeri̇ne deri̇n öğrenme yöntemleri̇ni̇n karşilaştirilmali bi̇r çalişmasi
- Tez No: 620055
- Danışmanlar: DR. ÖĞR. ÜYESİ BÜLENT HAZNEDAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Hasan Kalyoncu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Elektronik Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda, Alüminyum alaşımlı sütunlar inşaat alanlarında çok yaygın kullanılmaktadır. Bunun sebebi alüminyum alaşımlarının hafifliği, yüksek korozyon direnci, uzun ömürlülüğü, düşük bakım maliyetleri, geri kazanma imkanı, metalin çok yönlülüğü ve sonsuz değişik şekilde profil elde edebilme olanağı gibi pek çok avantaja sahip olmasıdır. Kolonların kritik burkulma yüklerinin hesaplanması ise buradaki en önemli konudur. Bu problem çeşitli hesaplama teknikleri ve bilinen yaklaşımlar kullanılarak giderilmeye çalışılsa da doğrusal olmayan sonuçları içermektedir. Bu da kritik burkulma yükü tahminini zorlaştırmaktadır. Buna rağmen, Isıl işlem görmüş alüminyum alaşımlarının ısıl işlem görmemiş alüminyum alaşımlarına göre daha yüksek prova gerilimi verim mukavemetine sahip olduğu bilinmektedir. Bu çalışmada, ısıl işlem görmüş alüminyum alaşımlı kolonların derin öğrenme yöntemi kullanılarak burkulma yükü tahmini yapılmış softcomputing teknikleri ve laboratuvar ortamından alınan test sonuçları ile karşılaştırılmıştır. Derin öğrenme yöntemi kullanılırken Sequential Modelinden yararlanılmıştır. Derin öğrenmenin optimizer fonksiyonlarından olan Adam, Adamax, Nadam, Adadelta, Adagrad, RMSProp ve SGD ve kullanılarak ayrı ayrı değerlendirilmiştir. Ayrıca, her bir optimizer için hem MAE hem de MSE Loss fonksiyonları kullanılarak sonuçlar değerlendirilmiştir. Çalışmanın sonucunda, derin öğrenme modelinin kullanıldığı veriseti için değer tahmini yaparken birlikte kullanılan hangi Optimizer ve Loss fonksiyonları ikilisinin daha başarılı olduğu anlaşılmıştır.
Özet (Çeviri)
In recent years, aluminum alloy columns have been widely used in construction fields. This is due to the light weight of aluminum alloys, high corrosion resistance, long life, low maintenance costs, the possibility of recovery, versatility of the metal and the possibility to obtain endless variety of profiles has many advantages. The calculation of the critical buckling loads of the columns is the most important issue. However, it is known that heat treated aluminum alloys have higher proof stress yield strength than non-heat treated aluminum alloys. In this study, buckling load estimation of heat treated aluminum alloy columns is made by using deep learning method and soft computing techniques and laboratory test results are compared. Sequential Model is used while using deep learning method. Adam, Adamax, Nadam, Adadelta, Adagrad, RMSProp and SGD and the optimizer functions of deep learning are evaluated separately. In addition, the results are evaluated using both MAE and MSE Loss functions for each optimizer. As a result of the study, it is understood that the optimizer and loss functions used together are more successful when estimating value for the dataset using deep learning model.
Benzer Tezler
- A comparative study of deep learning methods for classification of rna-seq cancer data
Rna-seq kanser verilerinin sınıflandırılması için derin öğrenme yöntemlerinin karşılaştırmalı bir çalışması
NİHAT YILMAZ ŞİMŞEK
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHasan Kalyoncu ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BÜLENT HAZNEDAR
- Comparison of ordinary kriging and deep learning methods in grade estimation: A pilot study on the Sirakayalar Au mineralization (NW Türki̇ye)
Kaynak tahmininde ortalamasız kriging ve derin öğrenme yöntemlerinin karşılaştırması: Sırakayalar Au mineralizasyonu (KB Türkiye) üzerinde bir pilot çalışma
ALİ BUĞRA ÖZGÜN
Yüksek Lisans
İngilizce
2025
Jeoloji MühendisliğiOrta Doğu Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ALİ İMER
- Lateral yüklü ayak grafilerinde ayak ark açılarının derin öğrenme ile ölçülmesi: Radyolog ölçümleri ile karşılaştırmalı bir çalışma
Measurement of foot arch angles on weight bearing lateral foot radiographs using deep learning: A comparative study with radiologist meaurements
BURAK BÜK
Tıpta Uzmanlık
Türkçe
2026
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. NESLİN ŞAHİN
- A comparative study of deep learning approaches for autonomous vehicle control
Otonom araç kontrolü için ̇derin öğrenme yaklaşımlarının karşılaştırılması
EMRE ŞAHİN
Yüksek Lisans
İngilizce
2024
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY ÖKE GÜNEL
- A comparative study of deep learning techniques in concrete crack detection: Convolutional neural networks and logistic regression
Beton çatlağı tahminde derin öğrenme yöntemlerinin kıyaslamalı bir çalışması: Evrişimsel sinir ağları ve lojistik regresyon
AZHI YASSIN RASUL
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Kültür ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. FADİME YÜKSEKTEPE