Eklemeli imalat ile üretim sürecinin optimizasyonu için makine öğrenmesi odaklı yaklaşım

Basit Öğe Kaydı
dc.contributor.advisorKuncan, Melih
dc.contributor.advisorÜlkir, Osman
dc.contributor.authorDemir, Ömer Faruk
dc.date.accessioned2024-12-24T18:13:43Z
dc.date.available2024-12-24T18:13:43Z
dc.date.issued2024
dc.departmentEnstitüler, Fen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
dc.descriptionFen Bilimleri Enstitüsü, Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı, Elektrik Elektronik Mühendisliği Bilim Dalı
dc.description.abstractEklemeli imalat veya 3B baskı teknolojisi, yapay zeka sistemleriyle entegre edilerek imalat süresi ve maliyetini azaltmaktadır. Ancak, bu teknolojinin bazı eksiklikleri bulunmaktadır. Bu tez, yapay zeka yöntemleri kullanarak, 3B üretim sürecinin optimize edilmiş parametrelerini tahmin eden yeni bir makine öğrenmesi (MÖ) platformu önermektedir. Bu platform, ürün geometrisinden bağımsız olarak zaman ve maliyet tasarrufu sağlamayı hedeflemektedir. Ayrıca, mekanik özellikleri yüksek ürünlerin elde edilmesini mümkün kılmaktadır. Veri seti, eriyik yığma modellemesi (EYM) tabanlı bir yazıcının dilimleme programı kullanılarak oluşturulmuştur. 80 model üzerinden gerçekleştirilen deneylerde, katman kalınlığı, baskı hızı, doluluk oranı ve baskı sıcaklığı gibi giriş parametreleri kullanılmış ve baskı süresi, malzeme tüketimi ve filament uzunluğu gibi çıkış parametreleri ölçülmüştür. 81 kombinasyon ile toplam 6480 veri oluşturulmuştur. Verilerin %75'i eğitim, %25'i test için ayrılmıştır. Üretim sürecini tahmin etmek için Gauss Süreç Regresyon (GSR), Rastgele Orman Regresyon (ROR), Yapay Sinir Ağları (YSA) ve Doğrusal Regresyon (DR) olmak üzere dört farklı MÖ algoritması kullanılmıştır. MATLAB yazılımı ile eğitilen modeller, R-kare (R2), ortalama mutlak hata (MAE: Mean Absolute Error), kök ortalama kare hatası (RMSE: Root Mean Square Error) ve ortalama kare hata (MSE: Mean Square Error) performans kriterlerine göre değerlendirilmiştir. En başarılı model, baskı süresi, malzeme tüketimi ve filament uzunluğu parametrelerinde en yüksek doğruluk gösteren ROR olmuştur. Bu çalışma, 3B baskı teknolojisinde önemli ilerlemeler sağlayarak, geleneksel süreçlerin belirleyici parametrelerini hızlı ve doğru bir şekilde tahmin etmemizi mümkün kılmaktadır. Önerilen yöntem, basılan nesnenin şekli, boyutu ve malzemesi dikkate alınmaksızın otomatik olarak çalışabilmektedir.
dc.description.abstractAdditive manufacturing or 3D printing technology reduces production time and costs by integrating with artificial intelligence systems. However, this technology has some shortcomings. This thesis proposes a new machine learning (ML) platform that predicts optimized parameters for the 3D production process using artificial intelligence methods. This platform aims to save time and costs regardless of the product geometry. Additionally, it enables obtaining products with high mechanical properties. The dataset was created using the slicing program of a Fused Deposition Modeling (FDM) based printer. In experiments conducted on 80 models, input parameters such as layer thickness, print speed, infill rate, and print temperature were used, and output parameters such as print time, material consumption, and filament length were measured. A total of 6480 data points were generated with 81 combinations. 75% of the data was used for training and 25% for testing. Four different ML algorithms, including Gaussian Process Regression (GPR), Random Forest Regression (RFR), Artificial Neural Networks (ANN), and Linear Regression (LR), were used to predict the production process. Models trained with MATLAB software were evaluated using performance criteria such as R-squared (R2), Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Square Error (MSE). The most successful model was RFR, showing the highest accuracy in predicting print time, material consumption, and filament length parameters. This study provides significant advancements in 3D printing technology by enabling quick and accurate predictions of key parameters in traditional processes. The proposed method can operate automatically without considering the shape, size, and material of the printed object.
dc.identifier.endpage60
dc.identifier.startpage1
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=1pwTzRXnomYf6jwqVORfUe0mcOQzggFtZjAjKZvv6tTAVhUWoJmpD5UiR7BoSZB9
dc.identifier.urihttps://hdl.handle.net/20.500.12604/3641
dc.identifier.yoktezid876278
dc.language.isotr
dc.publisherSiirt Üniversitesi
dc.relation.publicationcategoryTez
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_20241218
dc.subjectElektrik ve Elektronik Mühendisliği
dc.subjectElectrical and Electronics Engineering
dc.titleEklemeli imalat ile üretim sürecinin optimizasyonu için makine öğrenmesi odaklı yaklaşım
dc.title.alternativeMachine learning-driven approach for optimization of the fabrication process with additive manufacturing
dc.typeMaster Thesis

Dosyalar

Koleksiyon

1) Tez