Affiliation:
1. PAMUKKALE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ
Abstract
Bu çalışma kapsamında çeşitli çeliklere ait Ramberg-Osgood parametreleri olan çevrimsel dayanım katsayısı (K’) ve çevrimsel uzama sertleşme üsteli (n’) yapay sinir ağları (YSA) kullanılarak tahmin edilmiştir. Girdi parametrelerinin ve gizli nöron sayılarının tahminleme doğruluğu üzerindeki etkileri incelenmiştir. YSA yapısında dokuz girdi parametresi, bir gizli katman ve iki çıktı parametresi içermektedir. Parametrelerin tahminleme doğruluğu üzerine etkisini gözlemlemek için önce dokuz girdi parametresine ait sonuçlar bulunmuş sonrasında sırasıyla her bir girdi parametresi tahminleme dışarısına çıkartılıp en sonunda sekiz girdi parametresi kalacak şekilde yeni sonuçlar elde edilmiştir. Bu sonuçlara etki eden diğer bir faktör olan gizli nöron sayısı ise 1-30 aralığında değiştirilerek tahminleme sonuçlarına etkisi gözlemlenmiştir. Tahminleme sonuçlarının rastgeleliğini en aza indirmek için ise her bir parametre için 100 adet replikasyon yapılmıştır. Sonuç olarak çevrimsel dayanım katsayısı (K’) tahmin edilirken en iyi gizli nöron sayısı 1, sonuca en çok etki eden parametre akma dayanımı (σy) ve en az etki eden parametre ise Brinell sertliği (BHN) olmuştur. Çevrimsel uzama sertleşme üsteli (n’) tahmin edilirken en iyi gizli nöron sayısı 17, sonuca en çok etki eden parametre yorulma dayanım üsteli (b) ve en az etki eden parametre ise elastisite modülü (E) olmuştur. Ayrıca, çıktı parametreleri yüksek tahminleme doğruluğu ile tahmin edilmiştir.
Publisher
Makina Muhendisleri Odasi (Chamber of Mechanical Engineering)
Reference24 articles.
1. REFERENCES
Baird, A., Smith, T., Palermo, A., & Pampanin, S. (2014, March). Experimental and numerical study of U-shape flexural plate (UFP) dissipators. In New Zealand Society for Earthquake Engineering 2014 Technical Conference and AGM. New Zealand Society for Earthquake Engineering Auckland, New Zealand.
2. Deolia, P., & Shaikh, F. A. (2016). Finite element analysis to estimate burst pressure of mild steel pressure vessel using Ramberg–Oslo model. Perspectives in Science, 8, 733-735. Doi: https://doi.org/10.1016/j.pisc.2016.06.073
3. Ertas, A. H. (2012). Optimization of fiber reinforced laminates for maximum fatigue life using particle swarm optimization. Procedia engineering, 38, 473-478. Doi: https://doi.org/10.1016/j.proeng.2012.06.058
4. Genel, K. (2004). Application of artificial neural network for predicting strain-life fatigue properties of steels on the basis of tensile tests.International Journal of Fatigue, 26(10), 1027-1035. Doi: doi.org/10.1016/j.ijfatigue.2004.03.009
5. Ghajar, R., Naserifar, N., Sadati, H., & Alızadeh K, J. (2011). A neural network approach for predicting steel properties characterizing cyclic Ramberg–Osgood equation. Fatigue & Fracture of Engineering Materials & Structures, 34(7), 534-544. Doi: https://doi.org/10.1111/j.1460-2695.2010.01545.x