5140 malzemesinin farklı işleme ortamlarının makine öğrenmesi aracılığıyla incelenmesi
Investigation of different machining environments of 5140material by means of machine learning
- Tez No: 935026
- Danışmanlar: DOÇ. DR. RÜSTEM BİNALİ
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Bu çalışmada, AISI 5140 çeliğinin sürdürülebilir tornalanması sırasında farklı kesme ortamlarının ve kesme parametrelerinin tribolojik etkileri incelenmiş ve makine öğrenmesi ile tahmin edilmiştir. Kuru kesim, minimum miktarda yağlama (MQL) ve nano katkılı MQL olmak üzere üç farklı kesme ortamında toplam 24 deney gerçekleştirilmiştir. Deneylerde kesme kuvveti, yüzey pürüzlülüğü, takım aşınması ve kesme sıcaklığı analiz edilmiştir. Sonuçlar, nano katkılı MQL ortamında en düşük kesme kuvveti (52.6 N), en düşük yüzey pürüzlülüğü (1.685 µm) ve en düşük kesme sıcaklığı (293°C) elde edildiğini göstermiştir. Kuru kesme ortamında ise en yüksek kesme kuvveti (267 N) ve düşük yüzey kalitesi gözlemlenmiştir. Nano akışkan katkılarının termal iletkenliği artırarak sürtünmeyi azalttığı ve böylece takım aşınmasını minimize ettiği görülmüştür. Makine öğrenmesi modelleri genel olarak yüksek doğrulukla tahminler yapmış olup, özellikle nano katkılı MQL yöntemi için başarılı sonuçlar elde edilmiştir. Ancak, kuru kesim ortamında hata oranının arttığı ve modelin geliştirilmesi gerektiği belirlenmiştir. Gelecekte, model doğruluğunu artırmak için daha fazla veri ile eğitilmesi ve farklı regresyon algoritmalarının denenmesi önerilmektedir. Ayrıca, nano toz oranlarının ve farklı işleme yöntemlerinin etkisinin incelendiği ek çalışmalar gerçekleştirilebilir.
Özet (Çeviri)
In this study, the tribological effects of different cutting environments and cutting parameters during sustainable turning of AISI 5140 steel were investigated and predicted by machine learning. A total of 24 experiments were carried out in three different cutting environments, namely dry cutting, minimum quantity lubrication (MQL) and nano-additive MQL. Cutting force, surface roughness, tool wear and cutting temperature were analyzed in the experiments. The results showed that the lowest cutting force (52.6 N), lowest surface roughness (1.685 µm) and lowest cutting temperature (293°C) were obtained in the nano-additive MQL environment. The highest cutting force (267 N) and poor surface quality were observed in the dry cutting environment. It was observed that nano-fluid additives increased thermal conductivity, reduced friction and thus minimized tool wear. Machine learning models generally made predictions with high accuracy, and successful results were obtained especially for the nano-additive MQL method. However, it was determined that the error rate increased in the dry cutting environment and the model needed to be improved. In the future, it is recommended to train the model with more data and try different regression algorithms to increase model accuracy. Additionally, additional studies can be conducted to examine the effect of nanopowder ratios and different processing methods.
Benzer Tezler
- Farklı ısıl işlemlerin Ç 5140 çeliğin işlenebilirliğine etkisinin incelenmesi
The effect of various heat treatment procedures on the machinability of AISI 5140 steel
GÜLTEKİN UZUN
Yüksek Lisans
Türkçe
2008
Teknik EğitimKarabük ÜniversitesiMakine Eğitimi Ana Bilim Dalı
DOÇ. DR. İBRAHİM ÇİFTÇİ
- Farklı sıcaklıklarda menevişlenmiş ve borlama işlemine tabi tutulmuş SAE 5140 çeliğinin mekanik ve tribolojik özelliklerinin incelenmesi
An investigation of the mechanical and tribological properties of tempered and boronized SAE 5140 steel at different temperatures
BÜNYAMİN YAMANEL
Yüksek Lisans
Türkçe
2018
Makine MühendisliğiKırıkkale ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN BİCAN
- Bir imalat hücresinin işleme parametrelerinin yapay sinir ağları ile tahmini
Prediction of processing parameters of a manufacturing cell by artificial neural networks
MERT ARSLAN
Yüksek Lisans
Türkçe
2021
Makine MühendisliğiNiğde Ömer Halisdemir ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLYAS KACAR
- Talaşlı imalatta sensör füzyonuna dayalı takım durumu izleme
Sensor fusion based tool condition monitoring in machining
MUSTAFA KUNTOĞLU
Doktora
Türkçe
2020
Makine MühendisliğiSelçuk ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HACI SAĞLAM
- Farklı kalite çeliklere uygulanan yüzey kaplama işlemlerinin aşınma davranışlarına etkisi
The effect of different kind coatings on wear characteristics of various quality steels
BURAK SARICA
Yüksek Lisans
Türkçe
2005
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. EYÜP SABRİ KAYALI