Mühendislik malzemelerinin tribolojik davranışlarının makine öğrenmesi yaklaşımları ile tahmini

Er Ş., Kovacı H.

Uluslararası Veri Bilimi ve Güvenliği Konferansı, Erzurum, Türkiye, 6 - 07 Temmuz 2023, ss.1-8

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Erzurum
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-8
  • Atatürk Üniversitesi Adresli: Evet

Özet

Malzemelerin aşınma ve sürtünme davranışı, birçok mühendislik uygulaması için büyük öneme sahiptir. Bu davranışlar, malzemelerin performansını, dayanıklılığını ve ömrünü etkileyen faktörlerdir. Aşınma ve sürtünme, bir malzeme ile temas halinde olan yüzeyler arasındaki fiziksel etkileşimlerin sonucunda ortaya çıkar. Makine öğrenmesi yaklaşımı ile malzemelerin sürtünme ve aşınma davranışlarını anlamak, malzeme performansını artırmak ve maliyetleri düşürmek mümkündür. Bu çalışmanın amacı, sürtünme ve aşınma davranışlarını etkileyen faktörleri doğru bir şekilde ilişkilendirmek ve belirlemek, böylece gelecekteki davranışları tahmin ederek mühendislik uygulamalarında malzeme seçimi, tasarım optimizasyonu ve bakım stratejileri gibi konularda daha hassas ve etkili kararlar alınmasına olanak sağlamaktır. Bu amaçla, yüzey işlemleri uygulanmış ve uygulanmamış düşük alaşımlı çelik bir malzemenin farklı ortamlardaki sürtünme ve aşınma davranışlar incelenmiştir. Sürtünme ve aşınma davranış tahmini modelleri oluşturmak için Lineer Regresyon (LR), Polinom Regresyon (PR), Destek Vektör Regresyon (SVR) ve Rastgele Orman (RF) dahil olmak üzere dört çeşit makine öğrenmesi algoritması kullanılmıştır. Gerçekleştirilen analizler sonucunda, Polinom Regresyonun (PR) sürtünme katsayısı tahmininde 0.927 aşınma oranı tahmininde ise 0.978 belirleme katsayısına (R2 ) sahip olduğu sonucuna varılmıştır. Çalışmanın sonuçlarının, mühendislik uygulamalarında sürtünme ve aşınma ile ilgili problemlerin daha etkili bir şekilde çözülmesine katkı sağlayabileceği düşünülmektedir.

The wear and friction behavior of materials is important for many engineering applications. These behaviors are factors that affect the performance, durability and life of materials. Wear and friction arise from physical interactions between surfaces that are in contact with a material. Understanding the friction and wear behavior of materials with the machine learning approach is an important step to increase material performance and reduce costs. The aim of this study is to accurately correlate and determine the factors influencing friction and wear behavior in order to predict future behavior and enable more precise and effective decisions in engineering applications such as material selection, design optimization and maintenance strategies. Therefore, the friction wear behavior of a low-alloy steel material with and without surface treatment in different environments was studied. Four types of machine learning algorithms, including linear regression (LR), polynomial regression (PR), support vector regression (SVR), and random forest (RF), were used to generate models to predict friction and wear behavior. As a result of the analyzes performed, it was concluded that the polynomial regression (PR) had a coefficient of determination (R2) of 0.978 in estimating the friction coefficient and 0.927 in estimating the wear rate of the polynomial regression. It is believed that the results of the study can help solve friction and wear-related problems in engineering applications more effectively.