Yapay sinir ağları tabanlı fonksiyonel yaklaşım ve mühendislik uygulamaları

Abstract

Yapay Sinir Agları (YSA) fonksiyonel yaklasımlarda daha güvenilir tahminler yapması ve lineer olmayan problemlerin çözümlerinde geleneksel öngörü metotlarına göre daha etkin sonuçlar vermesinden dolayı son yıllarda mühendislik uygulamalarında daha yaygın kullanılmaya baslanmıstır. Bu çalısmada, mil devri, ilerleme hızı, kesme derinligi, makina titresim ve yüzey pürüzlülük degerlerini içeren degisik boyutlardaki üç farklı parmak frezeleme veri setine mühendislik fonksiyonel yaklasım aracı YSA ile yaklasımda bulunulmustur. YSA kontrol parametrelerinin öngörü sonuçlarına etkileri gözlemlenmis ve karsılastırılmıstır. Veri miktarı azaldıkça yetersiz egitim nedeniyle YSA ile yapılan öngörülerin güvenilirliginin de azaldıgı görülmüstür. Daha iyi öngörüler yapabilmek için YSA programı kullanıcısının deneyimine baglı olarak kontrol parametreleri üzerinde düzenlemeler yapılmıs ve analizler tekrarlanmıstır. Deneme yanılma yöntemi kullanılarak düzenlenen parametrelerle sonuçlarda iyilestirmeler saglanmıstır. Analizler ögrenme oranının YSA egitim ve test yetenegine en fazla etkiyi yapan parametre oldugunu göstermistir. YSA sonuçlarını ve performansını karsılastırmak amacıyla aynı veri setleri seçilen lineer yapılı etkilesimsiz Çoklu Regresyon Analizinde (ÇRA) kullanılmıstır. YSA ve ÇRA öngörü sonuçları grafiksel olarak ve bagıntı faktörleri kullanılarak karsılastırılmıstır. ncelenen veri setleri ile yapılan tüm analizlerin sonuçlarına göre YSA'nın niteliksel ve fonksiyonel açıdan ÇRA'den daha iyi öngörülerde bulundugu gözlemlenmistir.Artificial Neural Networks (ANN) are to be used more widespread in engineering applications in recent years due to their reliable predictions in functional approximations and giving more effective results in solving nonlinear problems compared to conventional prediction methods. In this study, three different size of end milling process data sets including feed rate, spindle speed, depth of cut, machine vibration and surface roughness values are approximated using ANN as an engineering function approximation tool. The effects of ANN control parameters on the prediction results are observed and compared. It is seen that, due to poor training the reliability of the predictions made by ANN decreased as the size of the data sets decreased. In order to get better predictions the control parameters are reorganized depending on experience of the ANN program user and the analyses are repeated. Improvements on the prediction results are achieved with rearranged parameters by adapting trial and error method. Analysis shows the learning rate as being the most effective parameter on the ANN training and testing capability. In order to compare the ANN results and performance, the same data sets are also used in Multiple Regression Analysis (MRA) using linear model without interaction terms. ANN and MRA prediction results are compared with graphics and correlation factors. According to the results of all analysis done via ANN and MRA, it is observed that ANN makes better predictions than MRA from qualitative and functional point of view for the study of interest.