Makine öğrenmesi ile 6082-T6 alüminyum alaşımının yorulma ömrünün tahmini
Prediction of fatigue life of 6082-T6 aluminum alloy using machine learning
- Tez No: 981512
- Danışmanlar: PROF. DR. RECAİ KUŞ
- Tez Türü: Doktora
- 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: Belirtilmemiş.
Özet
Alüminyum alaşımları otomotiv ve havacılık başta olmak üzere birçok sektörde ilgi gören malzemelerdendir. İlgi görmelerinin en temel nedenlerinden biri çeliğe oranla hafif olmalarıdır. Özellikle 6082-T6 gibi alüminyum alaşımlarının önemli tercih sebeplerinden biri de otomobillerin birçok parçası için yeterli mekanik özellikleri karşılamalarıdır. Çevrimli yüklerde çalışan makine parçaları zamanla yorulmaya maruz kalarak kırılırlar. Özellikle havacılık ve otomotiv sektöründe sık kullanılan alüminyum alaşımlarının yorulma kırılmasına maruz kalacağı çevrim sayısının bilinmesi can güvenliği açısından büyük önem taşır. Yorulma testleri yorulma kırılmasının gerçekleşeceği çevrim sayısını belirlemek için endüstride sürekli olarak tekrarlanır. Makine parçalarının çalışma ortamlarını simüle edebilmek için gerçekçi yüklerle yapılan deneyler çok uzun sürerek zaman kaybına yol açmakta ve enerji kullanımını artırmaktadır. Bu çalışmanın temel amacı, endüstride tekrarlanan yorulma deney sürelerinin kısaltılmasıdır. Yorulma deneylerinde kullanılmak üzere otomotiv sektöründe sıkça kullanılan 6082-T6 alüminyum alaşım malzemesi seçildi. 6082-T6 alüminyum alaşımı kullanılarak yapılan yorulma deneylerinden eksenel kuvvet, eksenel uzama ve yorulma çevrim sayısı verileri toplandı. Ayrıca, DCPD (Doğru Akım Potansiyel Düşüşü) yöntemi ile numune üzerinden elektriksel veriler de eş zamanlı olarak toplandı. Bu yöntemle numuneye sabit 1 amper akım verilerek numune üzerindeki 4 noktadan voltaj ve akım değeri verileri zamana bağlı olarak kaydedildi. Çalışmanın diğer aşamasında, toplanan veriler kullanılarak makine öğrenmesi modelleri geliştirildi ve geliştirilen modellerle tahminler yapıldı. Çalışmanın ilk aşamasındaki tahminlerde karar ağacı, ekstra ağaçlar, rastgele orman, KNN ve XGBoost algoritmaları kullanıldı. İlk aşamadaki tahminler numune temelli tahminler yapıldı. Seçilen girdi değişkenlerine göre hedef değişken olarak belirlenen numunenin çevrim sayısı tahmin edildi. Daha sonra numunelerden biri test numunesi olarak ayrıldı. Kalan 4 numune kullanılarak, LSTM ve LGBM tabanlı bir yaklaşımla oluşturulan topluluk modeli eğitildi. Çalışma ortamını simüle edebilmek için test numunesi verilerinin ilk %50'lik kısmı eğitilen modele verildi ve numunenin ömür tahminini yapması istendi. Çalışmanın son aşamasında fizik temelli bir yaklaşım ile LSTM ve PINN modeli geliştirildi. Fiziksel sınırlandırmalar için Paris-Erdoğan çatlak ilerleme yasası kullanıldı. Bu yaklaşımla, geliştirilen model veriye dayalı tahminler yaparken, aynı zamanda fizik yasalarına da uyması için zorlandı. Sonuçlar değerlendirildiğinde, numune temelli tahminlerde en iyi sonucu karar ağacı algoritması gösterirken en kötü sonucu KNN algoritması verdi. Çalışmanın asıl amacına yönelik diğer aşamalarda ise LSTM ve LGBM topluluk modeli ile R2 değeri yaklaşık olarak 0,896 olarak hesaplandı. Fizik temelli bir yaklaşımla geliştirilen model ise R2 değeri 0,942 olarak bulundu ve yaklaşık olarak %4'lük bir iyileşme sağlandı. Sonuç olarak alüminyum alaşımlarda yorulma deneyi ve DCPD tekniği ile toplanan verilerin, makine öğrenmesi yöntemleri kullanılarak, yorulma kırılması çevrim sayılarının tahmin edilmesinde etkili bir yöntem olduğu ve bu yöntemle yorulma deneylerinin kısaltılabileceği gösterildi. Ayrıca fizik temelli makine öğrenmesi modellerinin gürültülü ve az verideki başarısı da vurgulandı.
Özet (Çeviri)
Aluminum alloys are among the materials of interest in many sectors, particularly the automotive and aerospace sectors. One of the primary reasons for their popularity is their light weight compared to steel. One of the key reasons why aluminum alloys, such as 6082-T6, are particularly popular is their adequate mechanical properties for many automotive components. Machine parts operating under cyclic loads are subjected to fatigue and eventually fracture. Knowing the number of cycles within which aluminum alloys, commonly used in the aerospace and automotive sectors, will undergo fatigue fracture is crucial for life safety. Fatigue tests are routinely performed in industry to determine the number of cycles before fatigue fracture occurs. Experiments conducted with realistic loads to simulate the operating environments of machine parts take a significant amount of time, resulting in wasted time and increased energy consumption. The primary objective of this study is to reduce the duration of repeated fatigue tests in industry. The 6082-T6 aluminum alloy, frequently used in the automotive industry, was selected for fatigue tests. Axial force, axial elongation, and fatigue cycle count data were collected from fatigue tests conducted using 6082-T6 aluminum alloy. Additionally, electrical data was simultaneously collected from the sample using the DCPD (Direct Current Potential Drop) method. With this method, a constant 1 ampere current was applied to the sample, and voltage and current values were recorded over time at four points on the sample. In the second phase of the study, machine learning models were developed using the collected data, and predictions were made using the developed models. Decision trees, extra trees, random forest, KNN, and XGBoost algorithms were used in the first phase of the study. The first phase's predictions were sample-based. The cycle count of the sample, determined as the target variable, was estimated based on the selected input variables. One of the samples was then designated as the test sample. Using the remaining four samples, an ensemble model created with an LSTM and LGBM-based approach was trained. To simulate the operating environment, the first 50% of the test sample data was fed to the trained model and asked to estimate the sample's lifespan. In the final stage of the study, an LSTM and PINN model was developed using a physics-based approach. The Paris-Erdoğan crack propagation law was used for physical constraints. With this approach, the developed model was forced to comply with the laws of physics while making data-based predictions. When the results were evaluated, the decision tree algorithm performed best in sample-based predictions, while the KNN algorithm performed worst. In the remaining stages of the study, the LSTM and LGBM ensemble model yielded an R2 value of approximately 0.896. The model developed with a physics-based approach achieved an R2 value of 0.942, an improvement of approximately 4%. In conclusion, data collected using fatigue testing and the DCPD technique on aluminum alloys is shown to be an effective method for predicting the number of cycles to fatigue fracture using machine learning methods, and this method can shorten fatigue tests. Furthermore, the success of physics-based machine learning models with noisy and sparse data is highlighted.
Benzer Tezler
- Yeni Cami'nin akustik açıdan performans değerlendirmesi
Evaluation of the acoustical performance of the New Mosque
EVREN YILDIRIM
Yüksek Lisans
Türkçe
2003
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SEVTAP YILMAZ DEMİRKALE
- Yetişkinlerin sağlık okuryazarlık durumları ve etkileyen faktörler: Tip II diyabetli hasta örneği
Yetişkinlerin sağlik okuryazarlik durumlari ve etkileyen faktörler: Tip II diyabetli hasta örneği
FİLİZ ASLANTEKİN
Doktora
Türkçe
2011
Eğitim ve ÖğretimAnkara ÜniversitesiYaşam Boyu Öğrenme ve Yetişkin Eğitimi Ana Bilim Dalı
PROF. DR. MERAL UYSAL
- Alüminyum ekstrüzyonunda kaynaşma kalitesi ve iç uzama probleminin incelenmesi
Investigation of inner elongation and welding quality of aluminum extrusion for porthole dies
İSMAİL KARAKAYA
Yüksek Lisans
Türkçe
2023
Makine MühendisliğiTrakya ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖNDER AYER
- Makine öğrenmesi kullanımı ile taşıt kaynaklı emisyonların modellenmesi
Modeling vehicle-related emissions using machine learning
ELİF YAVUZ
Doktora
Türkçe
2025
Mühendislik BilimleriYıldız Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. ARSLAN SARAL
PROF. DR. LEVENT KUZU
- Kulak görüntülerinden soft biyometrik özelliklerin makine öğrenmesi yöntemleri ile sınıflandırılması
Classification of soft biometric features from ear images by machine learning methods
MERTKAN SİNOPLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBartın ÜniversitesiBilişim Sistemleri ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EYÜP BURAK CEYHAN