Eklemeli imalat ile üretim sürecinin optimizasyonu için makine öğrenmesi odaklı yaklaşım
Machine learning-driven approach for optimization of the fabrication process with additive manufacturing
- Tez No: 876278
- Danışmanlar: DOÇ. DR. MELİH KUNCAN, DR. ÖĞR. ÜYESİ OSMAN ÜLKİR
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Siirt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 60
Özet
Eklemeli imalat veya 3B baskı teknolojisi, yapay zeka sistemleriyle entegre edilerek imalat süresi ve maliyetini azaltmaktadır. Ancak, bu teknolojinin bazı eksiklikleri bulunmaktadır. Bu tez, yapay zeka yöntemleri kullanarak, 3B üretim sürecinin optimize edilmiş parametrelerini tahmin eden yeni bir makine öğrenmesi (MÖ) platformu önermektedir. Bu platform, ürün geometrisinden bağımsız olarak zaman ve maliyet tasarrufu sağlamayı hedeflemektedir. Ayrıca, mekanik özellikleri yüksek ürünlerin elde edilmesini mümkün kılmaktadır. Veri seti, eriyik yığma modellemesi (EYM) tabanlı bir yazıcının dilimleme programı kullanılarak oluşturulmuştur. 80 model üzerinden gerçekleştirilen deneylerde, katman kalınlığı, baskı hızı, doluluk oranı ve baskı sıcaklığı gibi giriş parametreleri kullanılmış ve baskı süresi, malzeme tüketimi ve filament uzunluğu gibi çıkış parametreleri ölçülmüştür. 81 kombinasyon ile toplam 6480 veri oluşturulmuştur. Verilerin %75'i eğitim, %25'i test için ayrılmıştır. Üretim sürecini tahmin etmek için Gauss Süreç Regresyon (GSR), Rastgele Orman Regresyon (ROR), Yapay Sinir Ağları (YSA) ve Doğrusal Regresyon (DR) olmak üzere dört farklı MÖ algoritması kullanılmıştır. MATLAB yazılımı ile eğitilen modeller, R-kare (R2), ortalama mutlak hata (MAE: Mean Absolute Error), kök ortalama kare hatası (RMSE: Root Mean Square Error) ve ortalama kare hata (MSE: Mean Square Error) performans kriterlerine göre değerlendirilmiştir. En başarılı model, baskı süresi, malzeme tüketimi ve filament uzunluğu parametrelerinde en yüksek doğruluk gösteren ROR olmuştur. Bu çalışma, 3B baskı teknolojisinde önemli ilerlemeler sağlayarak, geleneksel süreçlerin belirleyici parametrelerini hızlı ve doğru bir şekilde tahmin etmemizi mümkün kılmaktadır. Önerilen yöntem, basılan nesnenin şekli, boyutu ve malzemesi dikkate alınmaksızın otomatik olarak çalışabilmektedir.
Özet (Çeviri)
Additive manufacturing or 3D printing technology reduces production time and costs by integrating with artificial intelligence systems. However, this technology has some shortcomings. This thesis proposes a new machine learning (ML) platform that predicts optimized parameters for the 3D production process using artificial intelligence methods. This platform aims to save time and costs regardless of the product geometry. Additionally, it enables obtaining products with high mechanical properties. The dataset was created using the slicing program of a Fused Deposition Modeling (FDM) based printer. In experiments conducted on 80 models, input parameters such as layer thickness, print speed, infill rate, and print temperature were used, and output parameters such as print time, material consumption, and filament length were measured. A total of 6480 data points were generated with 81 combinations. 75% of the data was used for training and 25% for testing. Four different ML algorithms, including Gaussian Process Regression (GPR), Random Forest Regression (RFR), Artificial Neural Networks (ANN), and Linear Regression (LR), were used to predict the production process. Models trained with MATLAB software were evaluated using performance criteria such as R-squared (R2), Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Square Error (MSE). The most successful model was RFR, showing the highest accuracy in predicting print time, material consumption, and filament length parameters. This study provides significant advancements in 3D printing technology by enabling quick and accurate predictions of key parameters in traditional processes. The proposed method can operate automatically without considering the shape, size, and material of the printed object.
Benzer Tezler
- Eklemeli imalat ile üretilen kobalt krom alaşımlarının mikroişlenebilirliğinin araştırılması
Investigation of the micromachinability of cobalt chrome alloys made by additive manufacturing
MEHMET AKİF OYMAK
Yüksek Lisans
Türkçe
2021
Makine Mühendisliğiİnönü ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM GEZER
- Multi-axis additive manufacturing and 3D scanning of freeform models
Başlık çevirisi yok
MOHAMMED ADAMU ISA
Doktora
İngilizce
2018
Makine MühendisliğiKoç ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL LAZOĞLU
- Eklemeli imalat prosesinde yapı oryantasyonunun çok-amaçlı optimizasyonu
Multi-objective optimization of build orientation in additive manufacturing
AHMET CAN GÜNAYDIN
Doktora
Türkçe
2022
Makine MühendisliğiBursa Uludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. NECMETTİN KAYA
- Design of additively manufactured hybrid structural brackets via topology optimization
Topoloji optimizasyonu ile eklemeli imalata uygun hibrit yapısal braketlerin tasarımı
CENGİZ KÖSEOĞLU
Yüksek Lisans
İngilizce
2023
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MESUT KIRCA
- Topoloji optimizasyonu metodu ile farklı yüzey dokularının eklemeli imalat yöntemleriyle üretimi ve yapıştırma performansının incelenmesi
Production of different surface textures with additive manufacturing methods with the topology optimization method and investigation of the bonding performance
VEYSEL ARİF YÜKSEL
Yüksek Lisans
Türkçe
2024
Endüstri Ürünleri TasarımıKocaeli ÜniversitesiHavacılık Bilimi ve Teknolojileri Ana Bilim Dalı
DOÇ. DR. SİNAN FİDAN