Yapay zeka ile cam takviyeli kompozit malzemelerin gerilme ve yer değiştirme değerlerinin tahmini
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Cam elyaf takviyeli kompozit malzemeler sahip oldukları yüksek mukavemet, hafiflik, tasarım esnekliği gibi avantajları sebebiyle otomotiv, raylı sistemler ve havacılık gibi sektörlerde yaygın olarak kullanılan malzemelerdir. İstenilen özelliklerin elde edilmesi için farklı laminasyon ve takviye ile matris malzeme seçimleri yapılarak kompozit mazleme özellikleri optimize edilp istenilen sonuçlar elde edilebilmektedir. İstenilen özelliklerin elde edilmesi ve bu özelliklerin doğrulamasının yapılarak kullanım amacına uygun olduğunun teyit edilebilmesi için mekanik testler ve sonlu elemanlar analizi gibi yöntemler kullanılmaktadır. Ancak belirtilen yöntemler maliyet, zaman ve iş gücü olarak değerlendirildiğinde dezavantajlı olabilmektedir. Ek olarak laminasyon yapısı, takviye ve matris malzeme seçimleri doğru yapılmadığında doğrulama yöntemleri ile gerçekleştirilen çalışmalar başarısız sonuçlar verebilmekte ve tekrarlanması gerekebilmektedir. Belirtilen yöntemlerin dezavantajları göz önünde bulundurulduğunda, daha verimli yöntemlerin kompozit malzeme özelliklerini tespitte kullanılması çok büyük avantajlar sağlayacaktır. Bu nedenle bu çalışmada, yapay zekâ modellerinin kompozit malzeme özelliklerini tahmin etmekte kullanılmak üzere eğitilmesi amaçlanmıştır. Çalışmada, kompozit malzemelerin en önemli avantajlarınan biri olan mukavemet özelliklerinin tahmini hedeflenmiştir. Özellikle beliritlen sektörlerde mukavemet yapısının ve yük altında kompozit malzeme tepkilerinin önemi göz önüne alınarak, bu değerlerin sonlu elemanlar analizi ya da mekanik testler gerçekeleştirilmeden önce tahmin edilebilmesi hedeflenmiştir. Yapay zekâ modellerinin eğitim ve test süreçlerinin gerçekleştirilebilmesi için x, y ve z yönlerinde 1000 N yük uygulanarak kesiti belirlelen numunenin farklı laminasyon yapılarında yer değiştirme ve gerilme değerleri sonlu elemanlar analizi gerçekleştirilerek eğitim veri seti için toplamda 264 adet ve test süreci kapsamına 39 adet veri elde edilmiştir. Ek olarak, modellerin eğitim ve test süreçleri tamamlandıkatn sonra deneme yapılarak tahmin ettiği değerleri değerlendirmek amacıyla 3 adet veri oluşturulmuştur. 3 farklı yükleme durumundaki 2 farklı sonuç olan yer değiştirme ve gerilme değerleri ile toplamda 6 farklı durum için çalışma gerçekleştirilmiştir. 6 durum için de belirlenen 3 yapay zekâ modeli olan kare üstsel Gauss süreç regresyonu, destek vektör makineleri ve dar sinir ağları modelleri ile eğitim ve test süreçleri tamamlanmıştır. Eğitim ve test süreçlerinde yapay zekâ modellerinde takviye ve matris malzemelerinin mukavemet özelliklerinin asıl sebebi olan yoğunluk, elastisite modülü, kayma modülü, poisson oranı, kalınlık, çekme mukavemeti, basma mukavemeti ve kayma mukavemeti ile elyaf katman sayısı ve dizilim yönleri giriş verisi olarak, yük altında numunede oluşan toplam yer değiştirme ve gerilme değerleri de çıkış verisi olarak tanımlanmıştır.3 modelin de 6 farklı durum için yapay zekâ başarı değerlendirme parametereleri ve gerçek değerler ile modellerin tahmin değerleri arasındaki yüzde hata oranları ile değerlendirilmesi yapılmıştır. Ek olarak, her 6 durum için daha önce modellere eğitim ve test süreçlerinde tanıtılmayan 3 deneme verisi ile tahmin değerleri elde edilmiştir. Çalışma sonucunda, kare üstsel Gauss süreç regresyonu ve detsek vektör makineleri modellerinin yapılan çalışmaya daha uygun olduğu ve daha doğru sonuçlar verdiği tespit edilmiştir. Ek olarak, her iki modelin de yer değiştirme değerlerine nispeten gerilme değerlerine karşılık çok daha başarılı tahminler yapacak şekilde eğitilmiş olduğu gözlemlenmiştir. x yönünde yük altında oluşan gerilme değerlerini tahmin etmekte destek vektör makineleri modelinin ve y yönünde yük altında oluşan gerilme değerlerini tahmin etmekte kare üstsel Gauss süreç regresyonu modelinin yüksek başarı ile tahmin ürettiği belirlenmiştir.
Glass fiber reinforced composite materials are widely used in industries such as automotive, rail systems and aviation due to their advantages such as high strength, lightness and design flexibility. In order to obtain the desired properties, composite material properties can be optimized by choosing different lamination and reinforcement and matrix materials, and desired results can be obtained. Methods such as mechanical tests and finite element analysis are used to obtain the desired properties and validate that these properties are suitable for the intended use by verifying them. However, the mentioned methods can be disadvantageous when evaluated in terms of cost, time and labor. In addition, when the lamination structure, reinforcement and matrix material selections are not made correctly, the works performed with the verification methods may cause unsuccessful results and might be needed to be repeated. Considering the disadvantages of the mentioned methods, the use of more efficient methods in determining composite material properties will provide great advantages. Therefore, in this study, it is aimed to train artificial intelligence models to be used to predict composite material properties. In the study, it is aimed to predict the strength properties, which is one of the most important advantages of composite materials. Considering the importance of strength structure and composite material response under load, especially in the specified sectors, it is aimed to estimate these values before performing finite element analysis or mechanical tests. In order to carry out the training and testing processes of artificial intelligence models, a finite element analysis of displacement and stress values in different lamination structures of the sample, the cross section of which was determined by applying a load of 1000 N in the x, y and z directions, was performed, and a total of 264 data for the training data set and 39 data within the scope of the test process were obtained. In addition, after the training and testing processes of the models were completed, 3 pieces of data were created in order to evaluate the estimated values by experimenting. With the displacement and stress values, which are 2 different results in 3 different loading conditions, a total of 6 different cases were studied. The training and testing processes were completed with 3 artificial intelligence models determined for 6 cases, which are square exponential Gaussian process regression, support vector machines and narrow neural network models. Density, elasticity modulus, shear modulus, Poisson's ratio, thickness, tensile strength, compression strength and shear strength, fiber layer number and alignment directions, which are the main reasons for the strength properties of reinforcement and matrix materials in artificial intelligence models in training and testing processes, are used as input data. The total displacement and stress values in the sample were defined as output data. The 3 models were evaluated with the artificial intelligence success evaluation parameters for 6 different situations and the percent error rates between the actual values and the predicted values of the models. In addition, for each 6 cases, prediction values were obtained with 3 trial data that were not introduced to the models in the training and testing processes before. As a result of the study, it has been determined that the square exponential Gaussian process regression and support vector machine models are more suitable for the study and give more accurate results. In addition, it was observed that both models were trained to make much more successful predictions of stress values relative to displacement values. It has been determined that the support vector machines model in estimating the stress values in the x direction under load and the square exponential Gaussian process regression model in estimating the stress values in the y direction produce predictions with high success.
Glass fiber reinforced composite materials are widely used in industries such as automotive, rail systems and aviation due to their advantages such as high strength, lightness and design flexibility. In order to obtain the desired properties, composite material properties can be optimized by choosing different lamination and reinforcement and matrix materials, and desired results can be obtained. Methods such as mechanical tests and finite element analysis are used to obtain the desired properties and validate that these properties are suitable for the intended use by verifying them. However, the mentioned methods can be disadvantageous when evaluated in terms of cost, time and labor. In addition, when the lamination structure, reinforcement and matrix material selections are not made correctly, the works performed with the verification methods may cause unsuccessful results and might be needed to be repeated. Considering the disadvantages of the mentioned methods, the use of more efficient methods in determining composite material properties will provide great advantages. Therefore, in this study, it is aimed to train artificial intelligence models to be used to predict composite material properties. In the study, it is aimed to predict the strength properties, which is one of the most important advantages of composite materials. Considering the importance of strength structure and composite material response under load, especially in the specified sectors, it is aimed to estimate these values before performing finite element analysis or mechanical tests. In order to carry out the training and testing processes of artificial intelligence models, a finite element analysis of displacement and stress values in different lamination structures of the sample, the cross section of which was determined by applying a load of 1000 N in the x, y and z directions, was performed, and a total of 264 data for the training data set and 39 data within the scope of the test process were obtained. In addition, after the training and testing processes of the models were completed, 3 pieces of data were created in order to evaluate the estimated values by experimenting. With the displacement and stress values, which are 2 different results in 3 different loading conditions, a total of 6 different cases were studied. The training and testing processes were completed with 3 artificial intelligence models determined for 6 cases, which are square exponential Gaussian process regression, support vector machines and narrow neural network models. Density, elasticity modulus, shear modulus, Poisson's ratio, thickness, tensile strength, compression strength and shear strength, fiber layer number and alignment directions, which are the main reasons for the strength properties of reinforcement and matrix materials in artificial intelligence models in training and testing processes, are used as input data. The total displacement and stress values in the sample were defined as output data. The 3 models were evaluated with the artificial intelligence success evaluation parameters for 6 different situations and the percent error rates between the actual values and the predicted values of the models. In addition, for each 6 cases, prediction values were obtained with 3 trial data that were not introduced to the models in the training and testing processes before. As a result of the study, it has been determined that the square exponential Gaussian process regression and support vector machine models are more suitable for the study and give more accurate results. In addition, it was observed that both models were trained to make much more successful predictions of stress values relative to displacement values. It has been determined that the support vector machines model in estimating the stress values in the x direction under load and the square exponential Gaussian process regression model in estimating the stress values in the y direction produce predictions with high success.
Açıklama
Anahtar Kelimeler
Stress, Kompozit malzemeler, Composite materials, Mekanik özellikler, Mechanical properties, Yapay zeka, Artificial intelligence, Yer değiştirme, Displacement, Gerilme
