Geri Dön

Sentetik mika takviyeli PTFE kompozitlerin tribolojik performanslarının yapay sinir ağları kullanılarak tahmini ve değerlendirilmesi

Prediction and evaluation of tribological performance of synthetic mica reinforced PTFE composites usi̇ng artificial neural networks

PDF İndir

  1. Tez No: 961238
  2. Yazar: KADER AKMAZ
  3. Danışmanlar: DOÇ. DR. MEHMET AKİF KOÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 89

Özet

Bu tez çalışmasında, sentetik mika ile takviye edilmiş politetrafloroetilen (PTFE SM) kompozitlerin tribolojik performansları, yapay sinir ağları (YSA) kullanılarak tahmin edilmiş ve değerlendirilmiştir. Bu bağlamda, PTFE SM 207 ve PTFE SM 500 bazlı, sentetik mika takviyeli kompozitler, farklı yükleme ağırlığı ve kayma hızları altında aşınma davranışlarını incelemek amacıyla deneysel olarak test edilmiştir. Tribolojik deneyler, laboratuvar ortamında tribometre cihazı kullanılarak gerçekleştirilmiştir. Deneylerde kayma hızı 0.5 m/s ile 4.0 m/s arasında, uygulanan yük ise 10 N ile 80 N arasında değiştirilmiştir. Deneylerden elde edilen veriler; sürtünme katsayısı, aşınma oranı parametrelerini içermektedir. Bu çalışmanın temel amacı, kayma hızı ve uygulanan yük gibi işlem parametrelerinden yola çıkarak, deneyler sonucunda oluşan aşınma oranının doğru bir şekilde tahmin edilmesini sağlamaktır. Deneysel çalışmalarda sıkça karşılaşılan veri kısıtını aşmak ve modelin genellenebilirliğini arttırmak amacıyla, veri arttırma teknikleri uygulanmış ve veri kümesi yapay olarak genişletilmiştir. Bu yöntem, modelin daha çeşitli ve dengeli bir veri üzerinde eğitilmesini sağlamıştır. Elde edilen veriler, MATLAB ortamında yapay sinir ağına uygun hale getirilmek amacıyla min-max normalizasyonuna tabi tutulmuştur. Model eğitimi için Levenberg-Marquardt (trainlm) ve Bayesian Regularization (trainbr) olmak üzere iki farklı eğitim algoritması kullanılmıştır. Tüm bunlara ek olarak, nihai YSA yapısını belirlemek adına; gizli katmandaki nöron sayısı (GKNS)(5, 10, 20, 30, 40) ve gizli katman sayısı (GKS)(1, 2, 3, 4) değiştirilerek hiperparametre optimizasyonu yapılmış ve ızgara arama yöntemiyle en uygun model yapılandırması belirlenmiştir. Bu süreçte 5 katlı çapraz doğrulama uygulanarak modelin aşırı öğrenme yapması önlenmiş ve güvenilirliği arttırılmıştır. Model performansı, determinasyon katsayısı (R²), Ortalama Kare Hata (MSE), ortalama hata yüzdesi (MEP) ve mutlak hata |E| ölçütleriyle değerlendirilmiştir. Her yapılandırma için eğitim ve tahmin işlemleri gerçekleştirilmiş; model çıktıları, özgün ölçeğe dönüştürülerek hata analizi yapılmıştır. Elde edilen R², MSE, MEP ve |E| değerleri, iki veya üç boyutlu grafiklerle görselleştirilmiştir. Son aşamada, en yüksek R² değerine sahip model, tüm veri seti ile yeniden eğitilmiş ve modelin öğrenme kapasitesi en üst düzeye çıkarılmıştır. Ayrıca, iterasyon sayısının (0–50), GKS ve GKNS değerlerinin model başarımı üzerindeki etkisi analiz edilmiş, bu ilişkiler iki veya üç boyutlu yüzey grafikleriyle görsel olarak sunulmuştur. Sonuç olarak, bu çalışma; PTFE kompozitlerin tribolojik deney sırasında oluşturduğu aşınma oranının tahmininde, YSA tabanlı modellemenin etkili ve güvenilir bir yöntem olduğunu ortaya koymuştur.

Özet (Çeviri)

In this thesis, the tribological performance of polytetrafluoroethylene (PTFE SM) composites reinforced with synthetic mica was predicted and evaluated using artificial neural networks (ANN). In this context, PTFE SM 207 and PTFE SM 500-based composites reinforced with synthetic mica were experimentally tested to investigate their wear behavior under various loading weights and sliding speeds. The tribological experiments were conducted in a laboratory environment using a tribometer device. During the experiments, the sliding speed was varied between 0.5 m/s and 4.0 m/s, while the applied load ranged from 10 N to 80 N. The data obtained from the experiments included parameters such as the coefficient of friction and wear rate. The primary objective of this study is to accurately predict the wear rate resulting from the experiments based on process parameters such as sliding speed and applied load. To overcome data scarcity frequently encountered in experimental studies and to enhance the generalizability of the model, data augmentation techniques were applied, and the dataset was artificially expanded. This approach enabled the model to be trained on a more diverse and balanced dataset. The acquired data were normalized using min-max normalization to make them suitable for ANN modeling in the MATLAB environment. Two different training algorithms—Levenberg-Marquardt (trainlm) and Bayesian Regularization (trainbr)—were used for model training. In addition, hyperparameter optimization was conducted to determine the optimal ANN structure by varying the number of neurons in the hidden layer (HLS) (5, 10, 20, 30, 40) and the number of hidden layers (HLN) (1, 2, 3, 4). Grid search was employed to identify the most suitable model configuration. To prevent overfitting and to increase the model's reliability, 5-fold cross-validation was applied. Model performance was evaluated using the coefficient of determination (R²), Mean Squared Error (MSE), Mean Error Percentage (MEP), and absolute error (|E|) metrics. For each configuration, both training and prediction processes were carried out; model outputs were converted back to the original scale for error analysis. The obtained R², MSE, MEP, and |E| values were visualized using two- or three-dimensional plots. In the final stage, the model with the highest R² value was retrained using the entire dataset to maximize its learning capacity. Furthermore, the effects of the number of iterations (0–50), HLN, and HLS values on model performance were analyzed and visually presented through two- or three-dimensional surface plots. As a result, this study has demonstrated that ANNbased modeling is an effective and reliable method for predicting the wear rate generated during tribological testing of PTFE composites. The integration of modern approaches such as data augmentation, hyperparameter optimization, and crossvalidation has significantly improved both the accuracy and generalizability of the xii model. This research provides a valuable contribution to the prediction of complex parameters such as wear rate in tribological systems using artificial neural networks.

Benzer Tezler

  1. Tez No

    933695

    Yüksek performanslı polimer ve polimer kompozitlerin tribolojik özelliklerine proses şartlarının etkisinin incelenmesi

    Investigation of the effect of process conditions on tribological properties of high-performance polymers and polymer composites

    AHMET MASLAVİ

    Doktora

    Türkçe

    Türkçe

    2024

    Metalurji MühendisliğiSakarya Uygulamalı Bilimler Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN ÜNAL

  2. Tez No

    166848

    Influence of B2O3 addition on the microstructure of mica based glass-ceramics

    B2O3 ilavesinin mika bazlı cam seramiklerin mikro yapısı üzerine etkileri

    HAKAN AYKUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2005

    Metalurji MühendisliğiOrta Doğu Teknik Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULLAH ÖZTÜRK

  3. Tez No

    216261

    NR/SBR tipi elastomer esaslı ayakkabı taban malzemelerinin mekaniksel özelliklerine bazı dolgu maddelerinin etkilerinin incelenmesi

    Investigation of the effect of some additives on the mechanical properties of NR/SBR elastomer based sole materials

    NURETTİN AKÇAKALE

    Doktora

    Türkçe

    Türkçe

    2008

    KimyaSakarya Üniversitesi

    Makine Mühendisliği Bölümü

    PROF. DR. İBRAHİM ÖZSERT

    YRD. DOÇ. DR. AHMET DEMİRER

  4. Tez No

    245147

    Ulukışla (Niğde) bitümlü şeyllerinin jeolojisi ve jeokimyası

    Geochemistry and geology of bituminous shales occuring around Ulukışla (Niğde)

    MELAHAT PUSAT

    Yüksek Lisans

    Türkçe

    Türkçe

    2005

    Jeoloji MühendisliğiNiğde Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. EMİN ÇİFTÇİ

  5. Tez No

    413597

    Sentetik toprak düzenleyicilerin agregat büyüklüğüne bağlı olarak yapay yağış koşullarında agregat parçalanma mekanizmaları üzerine etkileri

    Effects of synthetic soil conditioners on the aggregate breakdown mechanisms depending on initial aggregate size under simulated rainfall conditions

    FERİT KIRAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    ZiraatKahramanmaraş Sütçü İmam Üniversitesi

    Toprak Bilimi ve Bitki Besleme Ana Bilim Dalı

    YRD. DOÇ. DR. TUĞRUL YAKUPOĞLU

Geri Dön