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: Biyo-Medikal Mühendislik Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
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
- Dengesiz veri setlerinde aşırı örnekleme teknikleri ile makine öğrenmesi yaklaşımlarının karşılaştırılması
Comparison of machine learning approaches by using oversampling techniques on imbalanced datasets
ÜMİT DİLBAZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiAkıllı Mühendislik Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ÖZGÜR CİNGİZ
- 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
- A comprehensive analysis of turkish sea level changes and future modeling using machine learning methods
Türk deniz seviyesi değişikliklerinin kapsamlı analizi ve makine öğrenimi yöntemleriyle gelecek modellemesi
ELİF KARTAL
Doktora
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- 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
- Computer-aided exergy and energy analysis of the vacuum distillation unit
Vakum distilasyon ünitesinin bilgisayar destekli ekserji ve enerji analizi
SENA KURBAN
Yüksek Lisans
İngilizce
2021
Enerjiİstanbul Teknik ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR YAMAN