Metalik malzemelerin sürtünme ve aşınma özelliklerinin makine öğrenmesi yöntemleri ile tahmin edilmesi
Prediction of friction and wear properties of metallic materials by machine learning methods
- Tez No: 815997
- Danışmanlar: DOÇ. DR. HALİM KOVACI
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Bu çalışmada, metalik malzemelerin sürtünme ve aşınma davranışlarının değişken deney şartları (kayma ortamı, süre, hız ve yük) altında Yapay Zekâ uygulamalarından olan Makine Öğrenmesi teknikleri ile tahmin edilmesi amaçlanmıştır. Elde edilen sonuçların özellikle mühendislik uygulamalarında malzeme seçimi, tasarım optimizasyonu, deney sayısının azaltılması ve bakım stratejileri gibi konularda daha hassas ve etkili kararlar alınmasına olanak sağlayabileceği düşünülmektedir. Bu çalışmada, özellikle otomotiv sanayi başta olmak üzere farklı birçok sektörde sıklıkla kullanılan AISI 4140 düşük alaşımlı çeliğinden hazırlanan numuneler, malzemenin sürtünme ve aşınma özelliklerini etkileyen parametreler değiştirilerek farklı deney şartları altında aşınma deneylerine tabii tutulmuştur. Deneyler, farklı kayma ortamları (kuru, tuzlu su ve yağ), süreler (30, 60 ve 120 dk.), hızlar (8, 16 ve 32 mm/sn.) ve yükler (1,3 ve 5 N) altında gerçekleştirilmiştir. Veri seti, değişken deney şartlarından elde edilen verilerin %70'i eğitim, %30'u test olacak şekilde ayrılmış ve bu veriler makine öğrenmesi modellerinin eğitiminde ve test edilmesinde kullanılmıştır. Sürtünme katsayısı ve aşınma oranı tahmini için altı farklı denetimli makine öğrenmesi regresyon modeli kullanılmıştır. Aynı zamanda veri seti üzerinde, k-fold cross-validation yöntemi kullanılarak her bir modelin hata metrikleri dikkate alınarak performansları değerlendirilmiştir. Elde edilen sonuçlar, modellerin performans ölçütleri kıyaslayarak en iyi sonucun hangi modelde olduğu tespit edilmiştir. Yapılan analizler sonucunda, sürtünme katsayısı tahminleri için en yüksek R2 değeri 0.80 ile Destek Vektör Regresyon (SVR) modelinde elde edilmiştir. Bu sonuç, SVR modelinin sürtünme katsayısı tahminlerinde diğer modellere göre daha iyi bir uyum gösterdiğini göstermektedir. Ayrıca, aşınma oranı tahminleri için en yüksek R2 değeri 0.95 ile Lineer Regresyon modelinde elde edilmiştir. Bu sonuç, Lineer Regresyon modelinin aşınma oranı tahminlerinde diğer modellere göre daha yüksek bir başarı gösterdiğini göstermektedir. Bu durum, farklı modellerin farklı tahminlerde daha iyi performans gösterebileceğini ve kullanılan veri seti ve değişkenlere bağlı olarak farklı sonuçlar elde edilebileceğini göstermektedir. Bu çalışmada uygulanan modellerden elde edilen istatistiksel performans ölçütleri, geliştirilen makine öğrenimi modellerinin AISI 4140 çeliğinin sürtünme katsayısı (CoF) ve aşınma oranının malzeme ve tribolojik değişkenler dikkate alındığında tatmin edici bir düzeyde tahmin edebileceğini göstermektedir. Çalışmanın sonuçlarının, mühendislik uygulamalarında daha fazla eğitim veri seti kullanılarak, farklı yük, hız ve ortam koşullarında sürtünme ve aşınma davranışları ile ilgili tribolojik uygulamalara katkı sağlayabileceği düşünülmektedir.
Özet (Çeviri)
The aim of this study is to predict the friction and wear behavior of metallic materials under variable experimental conditions (slip environment, time, speed and load) using machine learning techniques, one of the artificial intelligence applications. It is thought that the results obtained can enable more sensitive and effective decisions to be made, especially in engineering applications, such as material selection, design optimization, reducing the number of experiments/tests and maintenance strategies. In this study, samples of AISI 4140 low-alloy steel, which is widely used in many different industries, especially in the automotive industry, were subjected to wear tests under different test conditions by changing the parameters that affect the friction and wear properties of the material. The experiments were performed under different sliding environments (dry, salt water and oil), times (30, 60 and 120 min), speeds (8, 16 and 32 mm/s) and loads (1.3 and 5 N). The data set was split into 70% of the data obtained from the variable experimental conditions and 30% of the test, and these data were used in training and testing machine learning models. Six different supervised machine learning regression models were used to estimate the coefficient of friction and wear rate. At the same time, the performances of each model were evaluated by using the k-fold cross-validation method on the data set, taking into account the error metrics of each model. The results obtained were compared to the performance criteria of the models and it was determined which model achieved the best result. As a result of the analysis, the highest R2 value for the friction coefficient estimates in the Support Vector Regression (SVR) model was 0.80. This result shows that the SVR model fits the coefficient of friction estimates better than the other models. In addition, the highest R2 value for wear rate estimates, 0.95, was obtained in the linear regression model. This result shows that the linear regression model has greater success in estimating wear rate than other models. This shows that different models may perform better for different predictions, and different results may be obtained depending on the data set and variables used. The SVR model performed better on datasets with nonlinear relationships, while the linear regression model performed better on variables with linear relationships. The statistical performance measures obtained from the models used in this study demonstrate that the developed machine learning models can predict the coefficient of friction (CoF) and wear rate of AISI 4140 steel at a satisfactory level when the material and tribological variables are taken into account. It is believed that the results of the study can contribute to tribological applications related to friction and wear behavior under different load, speed and environmental conditions by using more training datasets in engineering applications.
Benzer Tezler
- TiSiN kaplamaların üretilmesi, mekanik ve aşınma özelliklerinin araştırılması
Deposition of TiSiN coatings, investigation of mechanical and wear properties
YUNUS EMRE ACAR
Yüksek Lisans
Türkçe
2022
Makine MühendisliğiErzurum Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HİKMET ÇİÇEK
- Bilyalı dövme, plazma nitrürleme ve bilyalı dövme/plazma nitrürleme dubleks yüzey işlemi uygulanmış AISI 4140 çeliğinin manyetik alan altındaki tribolojik özelliklerinin incelenmesi
Investigation of the tribological properties of shot peened, plasma nitrided and shot peening/plasma nitriding duplex surface treated AISI 4140 steel under magnetic field
HALİL ÇELİK
Yüksek Lisans
Türkçe
2019
Makine MühendisliğiAtatürk ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HALİM KOVACI
- Metalik malzemelerin bilyalı dövme uygulaması sonrası tribolojik davranışının deneysel olarak incelenmesi
Experimental investigation of tribological behaviour of metallic materials after shot peening implementation
HARUN ARDA BALYALI
Yüksek Lisans
Türkçe
2015
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ZEYNEP PARLAR
YRD. DOÇ. DR. EGEMEN AVCU
- Düşük karbonlu çeliğin Ni-P-B ve Ni-P-B-W akımsız kaplamalar ile aşınma, korozyon ve tribokorozyon performansının geliştirilmesi
Improving the wear, corrosion and tribocorrossion performance of low carbon steel with Ni-P-B and Ni-P-B-W electroless coatings
MEHMET SARIOĞLU
Yüksek Lisans
Türkçe
2022
Makine MühendisliğiBilecik Şeyh Edebali ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN MİNDİVAN
- Plazma ile polimer kaplanmış metalik malzemelerin bazı (tribolojik) özelliklerinin araştırılması
Investigation of some (tribological) properties of metalic materials polymer coated with plasma
HATİCE VAROL ÖZKAVAK
Doktora
Türkçe
2013
Makine MühendisliğiSüleyman Demirel ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. CAHİT KURBANOĞLU