Comparison of machine learning models for the potential prediction of tensile strength of Poly(lactic acid)
Poli(laktik asit)'in gerilme mukavemetinin potansiyel tahmini için makine öğrenmesi modellerinin karşılaştırılması
- Tez No: 930466
- Danışmanlar: DOÇ. DR. DUYGU EGE, PROF. DR. AHMET ADEMOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Biyomedikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu proje, makine öğrenimi modellerinin uygulanmasıyla 3B baskı süreçlerini optimize etmek için bir yaklaşım sunmaktadır. Baskılı malzemelerin üretimindeki katman kalınlığı, dolgu yoğunluğu, ekstrüzyon sıcaklığı, baskı hızı, yatak sıcaklığı ve mekanik özellik olan gerilme mukavemeti gibi parametreler arasındaki ilişkiyi analiz ederek, baskı işlemlerinin sonuçlarını tahmin edebilecek modellerin geliştirilmesi ve analiz edilmesi amaçlanmaktadır. Birincil odak, 3B baskılı nesnelerin işlevselliği ve dayanıklılığında kritik bir faktör olan gerilme mukavemetinin belirlenmesidir. Hem yayınlanmış akademik araştırmalardan hem de açık kaynaklı deneysel verilerden derlenen bir veri kümesini kullanarak, baskı parametrelerine dayalı malzeme özelliklerinin etkili tahmin edicilerini belirlemek için karar ağaçları ve XGBoost dahil dört ML regresyon modeli test edilmiştir. Proje bulguları, makine öğreniminin katmanlı üretimin hassasiyetini ve verimliliğini önemli ölçüde artırma potansiyelini vurgulamaktadır. Bu yaklaşım, baskıların özelliklerini tahmin etme becerisi sağlayarak zamandan tasarruf edebilir, malzeme israfını azaltabilir ve çeşitli sektörlerde 3B baskının özelleştirilmiş uygulamalarını mümkün kılabilir. Ayrıca, bu teknolojiyi biyomedikal ve havacılık endüstrilerindeki profesyonellerden hobicilere ve eğitimcilere kadar geniş bir kitleye ulaştırmak için kullanıcı dostu bir arayüzün geliştirilmesi de tartışılmaktadır. Bu yetenekleri, doğrudan 3B baskı ekosistemlerine entegre etmenin bir yolunu sağlayan bir ilk model aracılığıyla ticarileştirme potansiyeli de araştırılmaktadır. Bu çalışma, eklemeli üretimi geliştirmekte ve malzeme biliminde makine öğrenimini uygulamak için yeni yollar açmaktadır.
Özet (Çeviri)
This thesis presents an approach to analyze the 3D printing processes through the application of machine learning (ML) models. We aim to analyse models that predict tensile strength which is a mechanical property of materials, by analyzing the relationship between printing parameters (bed temperature, layer thickness, extrusion temperature, infill density, printing speed) and tensile strength for the printed parts. The primary focus is on determining tensile strength, a critical factor in the functionality and durability of 3D printed objects. Using three different datasets compiled from both published academic research and open-sourced experimental data, we employ four ML regression models -multilinear, support vector, decision tree, and XGBoost- to identify effective predictors of material properties based on printing settings. The thesis's findings highlight the potential for machine learning to significantly increase the precision and efficiency of additive manufacturing. By providing parameters capable of predicting the properties of prints, this approach can save time, reduce material waste, and enable more customized applications of 3D printing in various industries. We also discuss the development of a user-friendly interface to make this tool available to a broader audience, from professionals in the biomedical and aerospace industries to hobbyists and educators. The potential for commercialization through an initial model will also be explored, providing a way to integrate these predictive capabilities directly into 3D printing hardware and software ecosystems. This work advances additive manufacturing and opens new paths for applying machine learning in materials science.
Benzer Tezler
- Comparison of regional and general machine learning models for reference evapotranspiration prediction in Turkey
Türkiye'de referans evapotranspirasyon tahmini için genel ve bölgesel makine öğrenme modellerinin karşılaştırılması
YASSER ZOUZOU
Yüksek Lisans
İngilizce
2022
İnşaat MühendisliğiErciyes Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. HATİCE ÇITAKOĞLU
- Fren sanayinde talaşlı üretim sürecinde makine öğrenmesi modellerinin karşılaştırılması ile kestirimci bakım verimliliğinin değerlendirilmesi
Evaluation of predictive maintenance efficiency with the comparison of machine learning models in machining production process in brake industry
BURAK EVRENTUĞ
Yüksek Lisans
Türkçe
2023
Yönetim Bilişim SistemleriDokuz Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. CAN AYDIN
- Comparison of arima and LSTM models for bitcoin price prediction
Arıma ve LSTM modellerinin bitcoin veri seti fiyat tahmini ile karşılaştırılması
İBRAHİM GÜNEŞ
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BETÜL ERDOĞDU ŞAKAR
- Makine öğrenmesi, CBS ve çok kriterli karar verme teknikleri ile tıbbi atık bertaraf tesis yeri seçimi için bütünleşik model önerisi: İstanbul örneği
Integrated approach for medical waste disposal site selection with machine learning, GIS and multi criteria decision techniques: The case of Istanbul
BETÜL YENİSARI
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiYıldız Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞÜKRAN ŞEKER
- Hisse senedi fiyat tahmininde ekonometrik ve makine öğrenme yöntemlerinin karşılaştırılması: BIST bankacılık uygulaması
Comparison of econometric and machine learning methods in forecasting stock price: An application on BIST banking
KORAY YAPA