Mikroyapı görüntülerinden makine öğrenmesi teknikleri ile malzeme ömür tayini
Material life determination by machine learning techniques from microstructure images
- Tez No: 918137
- Danışmanlar: PROF. DR. İLHAMİ MUHARREM ORAK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 116
Özet
Bu tez çalışmasında S235-JR yapı çeliklerinin deformasyon oranının mikroyapı görüntülerinden elde edilmesi amaçlamıştır. Yapılan çalışmada tahribatlı (DT) ve tahribatsız test (NDT) yöntemleriyle iki ayrı veri seti elde edilmiştir. Elde edilen veri setleri farklı derin öğrenme modellerinin eğitiminde kullanılarak deformasyon oranı tahmini gerçekleştirilmiştir. Çelik numuneler, laboratuvar ortamında beş farklı deformasyon oranına maruz bırakılmıştır. İlk aşamada DT teknikleri uygulanmış, metalografik işlemler gerçekleştirilerek optik ışık mikroskop ile mikroyapı görüntüleri elde edilmiştir. Bu süreçte, her biri farklı deformasyon oranına sahip beş kategoriye ayrılmış ve toplamda 10.000 görüntüden oluşan bir veri kümesi oluşturulmuştur. Bu görüntüler, ResNet50, ResNet101, ResNet152, VGG16 ve VGG19 gibi derin öğrenme modelleri kullanılarak analiz edilmiştir. Modellerin performansı, doğruluk, F1 Puanı, duyarlılık ve kesinlik gibi metrikler üzerinden değerlendirilmiş ve ResNet50, deformasyon oranlarının sınıflandırılmasında %98,45 doğruluk oranı ile en yüksek başarıyı göstermiştir. İkinci aşamada ise aynı partiden elde edilen çelik numuneler üzerinde NDT yöntemi olan metalografik replika tekniği kullanılarak benzer çalışmalar yapılmıştır. Bu yöntemde, numunelerin mikroyapı görüntüleri tahribatsız bir şekilde elde edilerek malzeme ömrü tahmini yapılmıştır. Aynı şekilde, 10.000 mikroyapı görüntüsünden oluşan veri kümesi, ResNet50, ResNet101, ResNet152, VGG16 ve VGG19 gibi derin öğrenme mimarileriyle işlenmiştir. Bu analizlerde ResNet101 modeli, malzeme ömrü tahmininde %91,95 doğruluk oranıyla en iyi sonuçları vermiştir. Her iki çalışmada da oluşturulan veri setleri, malzeme bilimi ve mühendisliği alanında literatüre önemli katkılar sunmakta ve derin öğrenme tekniklerinin malzeme analizinde nasıl etkin bir şekilde kullanılabileceğini göstermektedir. Ayrıca, DT yöntemlerinin detaylı analiz ve doğruluk sağlama konusundaki üstünlüğü, NDT yöntemlerinin ise malzemeye zarar vermeden analiz yapabilme avantajı, farklı endüstriyel uygulamalarda bu yöntemlerin potansiyel rollerini ortaya koymaktadır. Çalışma, gelecekteki araştırmalar için hem DT hem de NDT yöntemlerinin geliştirilmesine yönelik öneriler sunarak malzeme bilimi ve mühendisliği alanında önemli bir kaynak oluşturmaktadır.
Özet (Çeviri)
In this thesis, it is aimed to estimate the deformation rate of S235-JR structural steels from microstructure images. In the study, two unique datasets were obtained by applying destructive (DT) and non-destructive testing (NDT) methods. To estimate the deformation rate, these datasets were used in training different deep learning models. Steel specimens were subjected to five different deformation rates in a laboratory environment. In the first phase, DT methods were applied, and metallographic procedures were performed to obtain microstructure images using a light optical microscope (LOM). These images were categorized into five classes based on their deformation rate, resulting in a dataset of 10,000 images. These images were analyzed using deep learning models such as ResNet50, ResNet101, ResNet152, VGG16, and VGG19. The performance of the models was evaluated using metrics such as Accuracy, F1-score, Recall, and Precision, with ResNet50 achieving the highest accuracy of 98.45% in classifying deformation rates. In the second phase, similar experiments were conducted on steel specimens from the same batch using the metallographic replica technique of NDT. This method allowed for the non-destructive acquisition of microstructure images, which were used for material lifespan prediction. Similarly, a dataset of 10,000 microstructure images was processed using the same deep learning architectures. In this phase, the ResNet101 model provided the best results, achieving a prediction accuracy of 91.95%. The datasets generated in both studies make significant contributions to the field of materials science and engineering, demonstrating how effectively deep learning techniques can be employed for material analysis. Moreover, the study highlights the detailed analysis and accuracy advantages of DT methods and the non-invasive advantages of NDT methods, emphasizing their potential roles in various industrial applications. This research serves as a valuable resource for future studies, providing recommendations for the further development of both DT and NDT methods and advancing the field of materials science and engineering.
Benzer Tezler
- Silisyum karbür takviyeli Al-Si matriksli kompozit malzemelerin mikroyapılarının ve mekanik özelliklerinin incelenmesi
The investigation of microstructures and mechanical properties of SiC reinforced Al-Si matrix composite materials
İBRAHİM ŞAHİN
Doktora
Türkçe
2004
Makine MühendisliğiYıldız Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞEGÜL AKDOĞAN
- Termoreaktif difüzyon yöntemiyle niyobyum karbür‒bor (NbC-B) kaplanan hardox 400 çeliğin mikroyapı özelliklerinin incelenmesi ve Taguchi yöntemiyle aşınma davranışının değerlendirilmesi
Investigation of microstructure properties of niobium carbide‒boron (NbC-B) coated hardox 400 steel by termoreactive diffusion method and evaluation of wear behaviour by Taguchi method
MEHMET ERTEM
Yüksek Lisans
Türkçe
2021
Makine MühendisliğiBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. YAHYA HIŞMAN ÇELİK
DOÇ. DR. ALİ KAYA GÜR
- Atık alüminyum kullanarak grafen ve silisyum nitrür takviyeli kompozit üretimi ve karakterizasyonu
Characterisation and production of graphene and silicon nitride reinforced composites with using waste aluminium
BURAK ÖZTOP
Yüksek Lisans
Türkçe
2017
Makine MühendisliğiOndokuz Mayıs ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEVLÜT GÜRBÜZ
- Temper haddelemede mekanik özellik-yüzey pürüzlendirme ilişkisinin incelenmesi
Investigation of the relation of mechanical properties-surface roughening in skin-pass rolling
BATUHAN ÖZAKIN
Doktora
Türkçe
2021
Makine MühendisliğiOndokuz Mayıs ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. NACİ KURGAN
- R260 kalite ray çeliğinin ısıl işlem sonrası mikroyapı ve mekanik özelliklerinin incelenmesi
Investigation of the microstructural and mechanical properties of R260 quality rail steel after heat treatment
MERVE TEKGÖZ
Yüksek Lisans
Türkçe
2021
Makine MühendisliğiKarabük ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. KHANGARDASH ASGAROV