Search

Bir çok endüstri kolunda olduğu gibi talaşla imalat endüstrisinde de üretimin verimliliğini etkileyecek verileri önceden tahmin etmek hem kesici takım maliyetlerinin hemde üretim maliyetlerinin düşürülmesi bakımından öndemlidir. Bu kapsamda yıllardır kullanılmakta olan sonlu elemanlar yönteminin yanında son yıllarda karşımıza bir çok alanda kullanılan makine öğrenmesi ve yapay zeka yöntemleri çıkmaktadır. Bu öğrenme yöntemleri deneysel ve sayısal çalışmalara yardımcı olarak kullanıldığı zaman hem deney süreleri hemde sayısal hesaplama süreleri önemli derecede kısalmaktadır. Böylece hem deney maliyetlerinin azaltılması hemde sayısal hesaplama sürelerinin kısalması sağlanabilmektedir. Bunun yanında bilinmeyen veya deneyi yapılmayan parametrelerin tahmini mümkün olabilmektedir. Bu çalışmada öncelikle ortogonal talaş kaldırma probleminin sayısal olarak modellenmesi üzerinde durulmuş ve modelleme sonuçları deneysel veriler ile karşılaştırılmıştır. Daha sonra deneysel veriler ve sonlu elamanlar verileri makine öğrenmesi algoritmalarına öğretilmiştir. Öğretme işleminden sonra bilinmeyen veriler olan kesme kuvvetinin ve maksimum talaş sıcaklığının sadece kesme parametreleri girilerek tahmini yapılmıştır. Deneyler ile sonlu elemanlar analizi sonuçlarından elde edilen verilere en doğru cevabı veren makine öğrenmesi algoritmaları Support Vector Machine, Linear Regression ve Gaussian Process Regression olarak belirlenmiştir. Bunlara ek olarak ortogonal kesme işleminde elde edilen sıcaklık, talaş şekli ve gerilmeler tartışılmıştır. As in many industries, it is important to predict data that will affect the efficiency of production in the chip manufacturing industry in terms of reducing both cutting tool costs and production costs. In this context, besides the finite element method that has been used for years, machine learning and artificial intelligence methods used in many fields in recent years have emerged. When these learning methods are used as an aid to experimental and numerical studies, both experimental times and numerical calculation times are shortened significantly. Thus, it can be ensured that both the experimental costs and the numerical calculation times are shortened. In addition, it is possible to estimate unknown or untested parameters. In this study, primarily numerical modelling of the orthogonal machining problem was emphasized and the modelling results were compared with the experimental data. Then, experimental data and finite element data were taught to machine learning algorithms. After the teaching process, the cutting force and maximum chip temperature, which are unknown data, were estimated by entering only the cutting parameters. Support Vector Machine, Linear Regression and Gaussian Process Regression were determined as the machine learning algorithms that gave the most correct answer to the data obtained from the finite element analysis results with the experiments. In addition to these, the temperature, chip shape and stresses obtained in orthogonal cutting process are discussed.