Kalıplanmış genleştirilmiş polipropilen parçaların üretim parametrelerinin yapay sinir ağları ile tahmini

Abstract

Günümüzde gelişen teknoloji ile birlikte üretim teknolojileri ve yöntemleri de gelişmektedir. Gelişen üretim teknolojileri ve artan talepler ile birlikte de özellikle otomotiv sektörü başta olmak üzere çeşitli sektörlerde kalıplanmış köpüklerin kullanımı yaygınlaşmıştır. Kalıplanmış köpük türleri içerisinde ise genleştirilmiş polipropilen otomotiv endüstrisinde yoğunlukla kullanılmaktadır. Genleştirilmiş polipropilenin şekil verilebilirlik, mekanik dayanım ve düşük yoğunluk gibi özellikleri nedeniyle otomotiv sektörü haricinde de birçok sektörde çokça tercih edilmektedir. Genleştirilmiş polipropilenin efektif ve ticari bir metodu olan buhar kazanlı üretim yöntemidir. Bu yöntemde kalıp içerisine doldurulan genleştirilmiş polipropilen boncukları buhar enerjisi yardımıyla birbiriyle kaynaştırılarak kalıplanmış parça elde edilir. Bu üretim metodunda buhar önemli bir parametre olup kaynaşma ve kalıplanmış parçanın mekanik özelliklerine etki etmektedir. Bu çalışmada kalıplanmış genleştirilmiş polipropilen üretiminde kullanılan üretim parametrelerinin yapay sinir ağları ile tahmini irdelenmiştir. Çalışmada toplanan veriler fabrikanın stabil çalışma koşullarında ve seri üretim halindeyken her parça için ayrı ayrı alınmıştır. Toplanan veriler ile sinir ağları eğitilmiş ve sinir ağı yapısı oluşturulmuştur. Eğitim sonrasında sinir ağları öncesinde hiç üretilmemiş bir parça üzerinde test edilmiş ve insanın girdiği üretim parametreleri ile karşılaştırma yapılmıştır. Sonuçlar, yeni bir parça için, sinir ağının tahmin ettiği parametrelerin, insanın girdiği parametre değerlerine yaklaştığını göstermektedir. Üretim parametrelerinin tahmini yapılırken Python programlama dili ve Tensorflow yapay sinir ağları kütüphanesi kullanılmıştır. Çalışmada kullanılan üretim parametre verileri Atermit Sanayi ve Tic. A.Ş. Sakarya fabrikasından toplanmıştır.In today production technologies and methods are develoing with improving technology. With the developing production technologies and increasing demands, the use of molded particle foams has become widespread in various sectors, especially in the automotive sector. Among particle foams, expanded polypropylene is used extensively in automotive industry. Due to expanded polypropylene properties such as formability, mechanical strenght and low density, expanded polypropylene is widely preferred in many sectors. Steam chest molding is one of effective and commercial method for production of particle foams. In this method, foam beads is filled into mold cavity and fusioned each other by steam energy. In this method, as can see, steam is important parameter for process and affects mechanical properties of molded part. In this study, prediction of expanded polypropylene foam production parameters with artificial neural networks are examined. The data collected in the study were taken separately for each part in stable working conditions of the factory and in mass production. Neural networks are trained with collected data and created neural network structure. After neural network training, neural networks were tested on a new part that not produced before. And a comparision was made with production parameters entered by human. Results show that, predicted production parameters are approached to production parameters values that entered by human. While making predictions, Python programming language and Tensorflow neural network library is used. In study, production parameters are collected from Atermit Sanayi ve Tic. A.Ş. Sakarya Plant.