An artificial neural network approach to predict the results of strain gauge measurements in the tensile testing of unidirectional laminated composites
Tek yönlü katmanlı kompozitlerin çekme testi gerinim ölçer sonuçlarını tahmin etmek için yapay sinir ağları yaklaşımı
- Tez No: 831180
- Danışmanlar: DR. ÖĞR. ÜYESİ DEMET BALKAN
- Tez Türü: Yüksek Lisans
- Konular: Havacılık ve Uzay Mühendisliği, Savunma ve Savunma Teknolojileri, Aeronautical Engineering, Defense and Defense Technologies
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Savunma Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Savunma Teknolojileri Bilim Dalı
- Sayfa Sayısı: 73
Özet
Malzeme bilimi alanında malzeme özelliklerini test yöntemleriyle elde etmek yorucu ve maliyetli bir süreç olabilir. Özellikle çekme testi, kupon hazırlama sürecinin zaman alıcı olması ve kuponların satın alınmasıyla ilgili yüksek maliyetler nedeniyle zorlu bir süreci içerir. Ayrıca, güvenilir sonuçlar elde etmek için genellikle birden fazla kupon tahrip edilir, bu da test sistemlerini birçok araştırmacı için maddi açıdan zorlayıcı hale getirir. Özellikle savunma teknolojilerinde kompozit materyal geliştirme sürecinde yapılması gereken malzeme testleri için ciddi maliyet yükleri ortaya çıkmaktadır. Bu nedenle, maddelerin test edilmesinde bu ekonomik yükü hafifletebilecek yeni yöntemlere ihtiyaç vardır. Bu tez, test cihazı ile gerilme ölçerler arasındaki ilişkiyi tahmin eden yapay sinir ağı (YSA) modelini tanıtarak bu sorunu ele almaya yönelik bir amaç taşır. Gerinim ölçerlerden elde edilen veriler, malzeme özelliklerini elde etmek için kritik bir sonuç olan gerilme-gerinim eğrisini içerir. Çalışmada geliştirilen YSA modeli, bu eğriyi tahmin etmek için çeşitli algoritmaların modellenmesi ve karşılaştırılması ile seçilen en iyi algoritmayı kullanmaktadır. Katmanlı kompozit malzemeler, günümüzde savunma teknolojileri alanında yaygın bir şekilde kullanılan önemli malzemelerdir. Bu malzemeler, mükemmel mukavemet ve hafiflik kombinasyonunu bir araya getiren çok katmanlı yapılardır. Savunma sanayindeki uygulamaları, uçaklar, helikopterler, zırhlı araçlar, deniz araçları ve personel koruma ekipmanları gibi birçok alana yayılmış durumdadır. Farklı malzeme tabakalarının bir araya gelmesiyle oluşan katmanlı kompozitler, aralarında epoksi reçine gibi bir matris malzemesinin bulunduğu karbon elyaf, cam elyaf, aramid elyaf gibi güçlendirici malzemelerden oluşur. Bu güçlendirici malzemeler, lamine kompozitlere yüksek mukavemet ve sertlik kazandırırken, matris malzemesi ise bu tabakaları bir arada tutarak dayanıklılığı artırır. Savunma teknolojilerinde katmanlı kompozit malzemelerin kullanımı birçok avantaj sağlar. İlk olarak, bu malzemelerin mükemmel mukavemet/ağırlık oranı sayesinde uçaklar ve helikopterler gibi hava taşıtlarında kullanılan yapısal parçaların ağırlığı azaltılabilir. Bu da yakıt verimliliğini artırır, menzili uzatır ve daha yüksek performans elde etmeyi sağlar. Bu çalışmada kullanılan test numuneleri vakum infüzyon yöntemi kullanılarak üretilmiştir. Numunelere uygulanan çekme testleri sonucu deney veri setleri oluşturulmuştur. Çalışma genel olarak YSA modellerinin çekme testi sonuçlarını analiz etmek ve özetlemek için kullanıldığı bir yaklaşımı benimser. Modeller, yer değiştirme, eksenal kuvvet, kalınlık, uzunluk, gerilme ve MTS cihazından elde edilen deplasman ve kuvvet verilerinden hesaplanmış gerinim gibi giriş değerlerini içeren bir veri kümesi kullanılarak eğitilirken çıkış parametresi gerinim ölçerlerden okunan değerlerdir. Amaç, bu giriş değerlerine dayanarak mekanik özellikleri doğru bir şekilde tahmin edebilen bir model geliştirmektir. Bu kapsamda kullanılan yöntemin isabeti çekme testleri sonucu elde edilen veri seti üzerinden yapılan eğitimle doğrudan orantılı olacaktır. İteratif bir eğitim süreci aracılığıyla, YSA modelleri giriş değişkenleri ile çekme testi sonuçları arasındaki karmaşık ilişkileri öğrenir. Eğitim tamamlandıktan sonra, modeller görülmemiş lamine kompozit örnekleri için tahminler yapabilir ve geniş çaplı fiziksel testlere ihtiyaç duymadan mekanik davranışları hakkında değerli bilgiler sunabilir. Eğitimin etkisini arttırmak için kullanılan algoritma ve veri setinin büyüklüğü oldukça önemlidir. Etkili eğitim süreci sonrasında yapılacak tahminlerin isabeti artacaktır. YSA modellerinin doğruluğu ve güvenilirliği, göreceli hata, kök ortalama kare hatası, belirleme katsayısı ve korelasyon gibi istatistiksel ölçümler kullanılarak değerlendirilir. Sonuçlar, geliştirilen YSA modellerinin giriş değişkenlerine dayanarak katmanlı kompozitlerin çekme özelliklerini ve MTS test cihazından ekstensometreler ile ölçülen değerler ve gerinim ölçer verilerini kullanarak yeni testleri doğru şekilde tahmin edebildiğini göstermektedir. Bu çalışmada YSA'nın kullanımı birkaç avantaj sunar. Modeller, büyük miktarda veriyi hızlı bir şekilde analiz edebilme ve gerçek zamanlı tahminler sunabilme açısından geleneksel deneysel testlere kıyasla daha hızlı ve düşük maliyetli bir alternatif sunmaktadır. Ayrıca, YSA modelleri giriş değişkenleri ile çekme özellikleri arasındaki karmaşık nonlineer ilişkileri yakalayabilir, ki bu geleneksel analitik yöntemlerle belirlenmesi zor olabilecek bir süreçtir. İlk olarak, YSA modelinin yapısı ile ilgili literatür araştırmaları da göz önünde bulundurularak 6 giriş değeri olan, 1 gizli katmanda 25 nörona sahip ve 1 çıkış değeri olan bir mimari belirlenmiştir. Model bir çok farklı tek katmanlı ve çok katmanlı modeller ile karşılaştırılmıştır. Ağ yapısı, yer değiştirme, eksenal kuvvet, kalınlık, uzunluk, gerilme ve MTS'nin kuvvet ve deplasman ile hesaplanan gerinimi gibi giriş değerlerini içeren bir veri kümesi kullanılarak eğitilirken, çıkış parametresi gerinim ölçerlerin okumalarıdır. Eğitim algoritması yine literatür araştırmalarına dayanarak Levenberg-Marquardt algoritması olarak belirlenmiştir. Geri yayılım algoritması ile eğitim algoritması desteklenmiş ve hata düşürmek için gerekli olduğu vurgulanmıştır. İkinci aşamada, test numunelerinin yapım aşamaları anlatılmıştır. Destek malzemesi olarak karbon fiber matlar kullanılmıştır. 15 numuneye uygulanan test sonucu ile ortaya çıkartılan veri seti anlatılmış ve tüm giriş ile çıkış parametreleri için 7000'den fazla değer içeren bir veri seti tanıtılmıştır. Sonrasında katman sayısı belirlenirken oluşturulan farklı modeller ile doğrulama performansları karşılaştırılmış, seçilen modelin çok katmanlı yapılara göre daha hızlı olduğu ve karmaşanın az olması sebebiyle çok daha az bir hatayla veri setini çözümlediği ortaya koyulmuştur. Üçüncü aşamada, seçilen 1, 2 ve 3 gizli katmanlı ağlar tanıtılmıştır. Katmanlarda ikinci aşamada en iyi sonucu veren 25 nöronlu yapı kullanılmıştır. 3 ağ yapısının da bağıl hataları, gerilme-gerinim diyagramları ve eğri uydurma performansları incelenmiştir. İnceleme sonucu tek katmanlı yapının avantajları tekrar ortaya koyulmuş ve gerçek test sonuçları ile karşılaştırılmıştır ve geliştirilen modelin isabeti ortaya çıkarılmıştır. Sonuç olarak, bu çalışma, yapay sinir ağlarının katmanlı kompozitlerin çekme testlerinde gerinim ölçer sonuçlarını analiz etmek ve özetlemek için etkili bir şekilde kullanılabileceğini ortaya koymaktadır. Geliştirilen YSA modelleri, araştırmacılara ve mühendislere, belirli bileşim ve tasarım parametrelerine dayanarak katmanlı kompozitlerin mekanik özelliklerini tahmin etme konusunda değerli bir araç sağlar. Geliştirilen model üzerinden benzer numunelerin test sonuçları ile gerinim ölçer sonuçlarının tahmin edilebileceği ortaya konmuştur. YSA modellerinin kullanımıyla, maliyetli ve zaman alıcı fiziksel testlere olan bağımlılık azaltılabilir, böylece malzeme bilimi alanında daha verimli ve maliyet etkin bir malzeme testi gerçekleştirilebilir.
Özet (Çeviri)
In the area of material science, obtaining material properties by using test methods is an exhausting and an expensive process. Especially in tensile testing, The specimen preparation is time-consuming, and buying specimens is also costly. In order to obtain reliable outcomes, a significant number of test samples incur damage. Therefore, the cost of testing systems is hardly affordable for many researchers, especially in the composite material development process for defense technologies area. New methods in the material testing area are necessary to avoid the economic burden of testing. The main idea of this thesis is to introduce an Artificial Neural Network (ANN) model for predicting a correlation between the device used for testing, and the strain gauges. Furthermore, the strain data obtained from the strain gauges is employed to derive the stress-strain curves essential for determining the material properties. In this thesis, the ANN model predicts the stress-strain curve. Thus, the different algorithms are modeled, and compared to select best algorithm for predicting a stress-strain curve obtained from different tests. Tensile testing is a crucial method for evaluating the mechanical properties of laminated composites. In this study, Artificial Neural Networks (ANN) were employed to analyze and summarize the tensile test results of laminated composites. The ANN models were trained using a dataset consisting of input variables such as displacement (mm), axial force (N), thickness (mm), length (mm), stress (MPa), and strain calculated from the displacement measured by the extensometer, when the output parameter is strain gauge readings. The objective was to develop a predictive model that could accurately estimate these mechanical properties based on the given input variables. Through an iterative training process, the ANN models were able to learn the complex relationships between the input variables and the tensile test results. Once trained, the models could make predictions for unseen laminated composite samples, providing valuable insights into their mechanical behavior without requiring for extensive physical testing. The accuracy and reliability of the ANN models were assessed through various statistical measures such as relative error, mean absolute error, root mean square error, and coefficient of determination and correlation. The results indicated that the developed ANN models were capable of accurately predicting the tensile properties of laminated composites based on the provided input variables. The use of ANN in this study offers several advantages. It provides a faster and more cost-effective alternative to traditional experimental testing, as the models can quickly analyze large amounts of data and provide predictions in real-time. Additionally, ANN models can capture complex nonlinear relationships between the input variables and the tensile properties, which may be challenging to identify using traditional analytical methods. In conclusion, this study demonstrates the effectiveness of using artificial neural networks for analyzing and summarizing the tensile test results of laminated composites. Research has shown that the developed model can successfully predict test results for similar samples and provide accurate readings from strain gauges. The developed ANN models offer a valuable tool for researchers and engineers to predict the mechanical properties of laminated composites based on their specific composition and design parameters.
Benzer Tezler
- Yönlendirilmiş enerji girdili metal katmanlı imalat yöntemi için topoloji optimizasyonu
Topology optimization for directed energy deposition metal additive manufacturing
METİN ÇALLI
Doktora
Türkçe
2022
Makine MühendisliğiBursa Uludağ ÜniversitesiOtomotiv Mühendisliği Ana Bilim Dalı
PROF. DR. FERRUH ÖZTÜRK
- Adaptive symbol glossary for pattern based cognitive communication system
Örüntü tabanlı bilişsel haberleşme sistemi için uyarlamalı sembol sözlüğü
HUSAM Y. I ALZAQ
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Lojistik sektörü karayolu taşımacılığında dinamik fiyat tahmin sisteminin tasarlanması
Designing dynamic forecasting system for truckload market pricing in logistics sector
AYŞENUR BUDAK
Doktora
Türkçe
2017
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. ALP ÜSTÜNDAĞ
- Design and structural finite element analysis of an artificial neural network based optimized alpha type stirling engine
Yapay sinir ağı bazlı optimize edilmiş bir stırlıng motorunun tasarımı ve yapısal sonlu elemanlar analizi
CENGİZ YILDIZ
Yüksek Lisans
İngilizce
2019
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. ATA MUGAN
DR. ÖĞR. ÜYESİ FATMA BAYATA
- Meteorolojik parametrelerin atmosferik uçucu organik bileşikleri üzerine etkisinin yapay sinir ağları ile modellenmesi
Modeling of effects of meteorological parameters on atmospheric concentrations of volatile organic compounds using artificial neural networks
NEVRİN ALTINKUM
Yüksek Lisans
Türkçe
2013
Çevre MühendisliğiYıldız Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
YRD. DOÇ. SELAMİ DEMİR