Poliüretanların mekanik ve fiziksel özelliklerinin makine öğrenmesi ile tahmini

Abstract

Bu tez çalışmasında, endüstride yaygın kullanımı bulunan poliüretan sistemlerinin yapay zekânın bir alt dalı olan makine öğrenmesi yöntemi kullanılarak, elde edilen esnek köpüklerin mekanik özelliklerinin kontrollü (denetimli) öğrenme metodu ile geliştirilmesi ve iyileştirilmesi amaçlanmaktadır. İlk aşamada laboratuvar ortamında hazırlanan reçeteler izosiyanatlar ile reaksiyonu oluşturularak poliüretan köpükler elde edilmiştir. Sonrasında elde edilen bu köpüklerin fiziksel ve mekanik özellikleri analiz edilip ölçümlenmiştir. Ölçülen köpüklerin karakterizasyonu için: yoğunluk (ASTM D3574), sıkıştırma oranı (ASTM D3574 Test C/ ISO 3386), darbe dayanımı (ASTM D-5276/ Din EN ISO 8307), reaksiyon süresi, köpüğün maksimum yüksekliği (ASTM D 7487-18; EN 14315-1(Annex E)), uzama (ASTM D5034) vb. tespit çalışmaları yapılmıştır. Daha sonra bu veriler yapay zekâ algoritmasına tanıtılarak istenen değerleri tahminlenerek ölçmesi ve oluşturacağı yaklaşım ile ilişkilendirmesi beklenmiştir. Karar ağacı (DT) ve Gaussian proses (GP) olarak tanımlı iki adet metot kullanılmıştır. Alınan sonuçlar neticesinde karar ağacı yönteminin yaklaşımlarda daha doğru yaklaşımlar yaptığı, yoğunluk ölçümlerinde ise en iyi sonucu verdiği gözlemlenmiştir. Her iki metotta da mukavemet değeri arttıkça, test sonuçlarının doğruluk payı da artmaktadır. Gaussian metodunda ise basamaksal yaklaşımda tahminlemeler daha başarılıdır.In this thesis, it is aimed to develop and improve the mechanical properties of the flexible foams obtained by using the machine learning method, which is a sub- branch of artificial intelligence, of polyurethane systems, which are widely used in the industry, with a controlled (supervised) learning method. In the first stage, polyurethane foams were obtained by reacting the prescriptions prepared in the laboratory with isocyanates. Afterwards, the physical and mechanical properties of these foams were analyzed and measured. For the characterization of the measured foams: density (ASTM D3574), compression ratio (ASTM D3574 Test C/ ISO 3386), impact strength (ASTM D-5276/ Din EN ISO 8307), reaction time, maximum foam height (ASTM D 7487-18; EN 14315-1(Annex E)), elongation (ASTM D5034) etc. detection studies have been carried out. Afterwards, these data were introduced to the artificial intelligence algorithm, and it was expected to measure the desired values by estimating and associate them with the approach to be created. Two methods defined as decision tree (DT) and Gaussian process (GP) were used. As a result of the results obtained, it has been observed that the decision tree method makes more accurate estimations in approaches and gives the best results in density measurements. As the strength value increases in both methods, the accuracy of the test results also increases. In the Gaussian method, predictions are more successful in the cascading approach.