FARKLI YAPISAL ÖZELLİKLERDEKİ ÖRME KUMAŞLARIN PATLAMA MUKAVEMETİNİN MAKİNE ÖĞRENMESİ YÖNTEMLERİYLE MODELLENMESİ VE TAHMİNİ
Öz
Örme kumaşların patlama mukavemeti, çok eksenli ve ani basınçlara karşı dayanımı belirleyen kritik bir mekanik özelliktir ve spor–performans, tıbbi tekstil ve koruyucu giyim uygulamalarında önemli bir rol oynar. Ancak geleneksel test yöntemleri zaman ve maliyet açısından sınırlayıcıdır. Bu nedenle, kumaşın yapısal ve fiziksel özelliklerine dayalı tahmin modellerinin geliştirilmesi üretim verimliliği ve kalite kontrol açısından önemli avantajlar sunmaktadır. Bu çalışmada, 56 farklı konstrüksiyona sahip örme kumaştan elde edilen deneysel veriler kullanılarak çeşitli makine öğrenmesi algoritmalarıyla patlama mukavemeti tahmin modelleri geliştirilmiştir. Girdi parametreleri literatür bulguları, korelasyon analizi ve Varyans Şişirme Faktörü (VIF) sonuçlarına göre belirlenmiştir. Doğrusal regresyon (LR), çok değişkenli ayarlanabilir regresyon eğrileri (MLR) ve destek vektör makinelerinde regresyon (SMOreg) modelleri, k-katlı çapraz doğrulamada en yüksek tahmin performansını göstermiştir. Duyarlılık analizi, LR ve SMOreg modellerinde çubuk sıklığının, MLR modelinde ise iplik mukavemetinin tahmin performansını en az etkileyen parametre olduğunu ortaya koymuştur. Bu bulgular, makine öğrenmesi tabanlı yaklaşımların örme kumaşların mekanik özelliklerinin öngörülmesinde etkili ve uygulanabilir bir alternatif sunduğunu göstermektedir.
Anahtar Kelimeler
doğrusal regresyon yapay sinir ağı destek vektör makineleri çok değişkenli uyarlanabilir regresyon eğrileri duyarlılık analizi
Kaynakça
- Aydemir, E. (2019). Weka ile Yapay Zekâ (2.bs.). Ankara: Seçkin Yayıncılık.
- Aydın, D. (2014). Uygulamalı Regresyon Analizi (1. bs.). Ankara: Nobel Yayıncılık.
- Aydın, S., Özkul, E. (2015). Veri madenciliği ve Anadolu Üniversitesi açık öğretim sisteminde bir uygulama. Eğitim ve Öğretim Araştırmaları Dergisi, 4(3), 10–15. https://jret.elapublishing.net/makale/7168
- Elias, K. M., Rahman, M. O., Hossain, H. M. Z. (2023). Predicting bursting strength behavior of weft knitted fabrics using various percentages of cotton, polyester, and spandex fibers. Journal of Textile Science and Technology, 9(4), 273–290. https://doi.org/10.4236/jtst.2023.94019
- Ertuğrul, Ş., Uçar, N. (2000). Predicting bursting strength of cotton plain knitted fabrics using intelligent techniques. Textile Research Journal, 70(10), 845–851. https://doi.org/10.1177/004051750007100101
- Ghosh, K. (2022). An Investigation of Bursting Strength on Weft Knitted Fabrics. IOSR Journal of Polymer and Textile Engineering, 9(5), 9–20. https://doi.org/10.9790/019X-09050920
- Hossain, I., Choudhury, I. A., Mamat, A. B., Shahid, A., Khan, A. N., Hossain, A. (2016). Prediction of mechanical properties of viscose/spandex knitted fabrics using fuzzy expert system. Advances in Fuzzy Systems, Article ID 3632895. https://doi.org/10.1155/2016/3632895
- Hyndman, R. J., Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
- Islam, R., Islam, M. A., Jisan, J. R., Haider, A. M., Al-Muntasir, A. (2024). Prediction of bursting strength and pilling grade of three thread fleece fabric using artificial neural network. Textile Technicals, 1(1), 22–27. https://doi.org/10.63261/ijtem115
- Jamshaid, H., Hussain, T., Malik, Z. A. (2013). Comparison of regression and adaptive models for predicting the bursting strength of plain knitted fabrics. Fibers and Polymers, 14(7), 1203–1207. https://doi.org/10.1007/s12221-013-1203-3
- Kargı, V. (2015). Yapay Sinir Ağ Modelleri ve Bir Tekstil Firmasında Uygulama (1. bs.). Bursa: Ekin Yayınları.
- Kızılkaya, M. Y., Oğuzlar, A. (2018). Bazı denetimli öğrenme algoritmalarının R programlama dili ile kıyaslanması. Karadeniz Uluslararası Bilimsel Dergi, 2018(37), 90–98. https://doi.org/10.17498/kdeniz.405746
- Kuhn, M., Johnson, K. (2013). Applied Predictive Modeling. Springer. https://doi.org/10.1007/978-1-4614-6849-3
- Li, C., Jiang, L. (2006). Using locally weighted learning to improve SMOreg for regression. Proceedings of the 9th Pacific Rim International Conference on Artificial Intelligence, 1290–1299, China. https://doi.org/10.1007/11801603_41
- Ljewy, E. Z., Rotich, G. K. (2020). The study of mechanical properties of knitted fabrics: Tear and bursting strength. Journal of Advanced Research in Polymer and Textile Engineering, 1(1), 34-40. https://thejournalshouse.com/index.phb/polymer-textile-engineering/article/view/685
- Mitchell, T. M. (1997). Machine Learning (2nd ed.). New York: McGraw–Hill.
- Sevimli, Y. (2009). Çok değişkenli uygulanabilir regresyon uzmanlarının bir split–mouth çalışmasında uygulanması. Yüksek Lisans Tezi. Marmara Üniversitesi Sağlık Bilimleri Enstitüsü Biyoistatistik Anabilim Dalı, İstanbul 87s.
- Shamey, R. and Hussain, T. (2003). Artificial Intelligence in the Colour and Textile Industry, Journal of Color, 33: 33-45. https://doi.org/10.1111/j.1478-4408.2003.tb00142.x
- Smola, A. J., Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. https://doi.org/10.1023/B:STCO.0000035301.49549.88
- Ünal, P. G., Üreyen, M. E., Arınak, D. M. (2010). Predicting bursting strength of plain knitted fabrics using artificial neural networks. Proceedings of the 2nd International Conference on Agents and Artificial Intelligence (ICAART), 615–618. https://doi.org/10.5220/0002730706150618
- Vapnik, V. (1995). The Nature of Statistical Learning Theory (2nd ed.). Germany: Springer. https://doi.org/10.1007/978-1-4757-2440-0
- Witten, I. H., Frank, E., Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques (3rd ed.). United States: Morgan Kaufmann.
MODELING AND PREDICTION OF THE BURSTING STRENGTH OF KNITTED FABRICS WITH DIFFERENT STRUCTURAL PROPERTIES USING MACHINE LEARNING METHODS
Öz
The bursting strength of knitted fabrics is a critical mechanical property that determines resistance to multiaxial and sudden pressure loads and plays an important role in sportswear, medical textiles, and protective clothing. However, conventional testing methods are time-consuming and costly. Therefore, developing prediction models based on the structural and physical properties of fabrics provides significant advantages in production efficiency and quality control. In this study, bursting strength prediction models were developed using machine learning algorithms based on experimental data obtained from 56 knitted fabric constructions. Input parameters were selected according to literature findings, correlation analysis, and Variance Inflation Factor (VIF) results. Linear regression (LR), multiple linear regression (MLR), and support vector machine regression (SMOreg) achieved the highest predictive performance in k-fold cross-validation. Sensitivity analysis revealed that course density and yarn strength had the lowest influence on model performance. These findings indicate that machine learning-based approaches offer an effective and applicable alternative for predicting the mechanical properties of knitted fabrics.
Anahtar Kelimeler
linear regression artificial neural network support vector machines multivariate adaptive regression curves sensitivity analysis
Kaynakça
- Aydemir, E. (2019). Weka ile Yapay Zekâ (2.bs.). Ankara: Seçkin Yayıncılık.
- Aydın, D. (2014). Uygulamalı Regresyon Analizi (1. bs.). Ankara: Nobel Yayıncılık.
- Aydın, S., Özkul, E. (2015). Veri madenciliği ve Anadolu Üniversitesi açık öğretim sisteminde bir uygulama. Eğitim ve Öğretim Araştırmaları Dergisi, 4(3), 10–15. https://jret.elapublishing.net/makale/7168
- Elias, K. M., Rahman, M. O., Hossain, H. M. Z. (2023). Predicting bursting strength behavior of weft knitted fabrics using various percentages of cotton, polyester, and spandex fibers. Journal of Textile Science and Technology, 9(4), 273–290. https://doi.org/10.4236/jtst.2023.94019
- Ertuğrul, Ş., Uçar, N. (2000). Predicting bursting strength of cotton plain knitted fabrics using intelligent techniques. Textile Research Journal, 70(10), 845–851. https://doi.org/10.1177/004051750007100101
- Ghosh, K. (2022). An Investigation of Bursting Strength on Weft Knitted Fabrics. IOSR Journal of Polymer and Textile Engineering, 9(5), 9–20. https://doi.org/10.9790/019X-09050920
- Hossain, I., Choudhury, I. A., Mamat, A. B., Shahid, A., Khan, A. N., Hossain, A. (2016). Prediction of mechanical properties of viscose/spandex knitted fabrics using fuzzy expert system. Advances in Fuzzy Systems, Article ID 3632895. https://doi.org/10.1155/2016/3632895
- Hyndman, R. J., Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
- Islam, R., Islam, M. A., Jisan, J. R., Haider, A. M., Al-Muntasir, A. (2024). Prediction of bursting strength and pilling grade of three thread fleece fabric using artificial neural network. Textile Technicals, 1(1), 22–27. https://doi.org/10.63261/ijtem115
- Jamshaid, H., Hussain, T., Malik, Z. A. (2013). Comparison of regression and adaptive models for predicting the bursting strength of plain knitted fabrics. Fibers and Polymers, 14(7), 1203–1207. https://doi.org/10.1007/s12221-013-1203-3
- Kargı, V. (2015). Yapay Sinir Ağ Modelleri ve Bir Tekstil Firmasında Uygulama (1. bs.). Bursa: Ekin Yayınları.
- Kızılkaya, M. Y., Oğuzlar, A. (2018). Bazı denetimli öğrenme algoritmalarının R programlama dili ile kıyaslanması. Karadeniz Uluslararası Bilimsel Dergi, 2018(37), 90–98. https://doi.org/10.17498/kdeniz.405746
- Kuhn, M., Johnson, K. (2013). Applied Predictive Modeling. Springer. https://doi.org/10.1007/978-1-4614-6849-3
- Li, C., Jiang, L. (2006). Using locally weighted learning to improve SMOreg for regression. Proceedings of the 9th Pacific Rim International Conference on Artificial Intelligence, 1290–1299, China. https://doi.org/10.1007/11801603_41
- Ljewy, E. Z., Rotich, G. K. (2020). The study of mechanical properties of knitted fabrics: Tear and bursting strength. Journal of Advanced Research in Polymer and Textile Engineering, 1(1), 34-40. https://thejournalshouse.com/index.phb/polymer-textile-engineering/article/view/685
- Mitchell, T. M. (1997). Machine Learning (2nd ed.). New York: McGraw–Hill.
- Sevimli, Y. (2009). Çok değişkenli uygulanabilir regresyon uzmanlarının bir split–mouth çalışmasında uygulanması. Yüksek Lisans Tezi. Marmara Üniversitesi Sağlık Bilimleri Enstitüsü Biyoistatistik Anabilim Dalı, İstanbul 87s.
- Shamey, R. and Hussain, T. (2003). Artificial Intelligence in the Colour and Textile Industry, Journal of Color, 33: 33-45. https://doi.org/10.1111/j.1478-4408.2003.tb00142.x
- Smola, A. J., Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199–222. https://doi.org/10.1023/B:STCO.0000035301.49549.88
- Ünal, P. G., Üreyen, M. E., Arınak, D. M. (2010). Predicting bursting strength of plain knitted fabrics using artificial neural networks. Proceedings of the 2nd International Conference on Agents and Artificial Intelligence (ICAART), 615–618. https://doi.org/10.5220/0002730706150618
- Vapnik, V. (1995). The Nature of Statistical Learning Theory (2nd ed.). Germany: Springer. https://doi.org/10.1007/978-1-4757-2440-0
- Witten, I. H., Frank, E., Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques (3rd ed.). United States: Morgan Kaufmann.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Tekstil Bilimi, Tekstil Teknolojisi, Tekstil Bilimleri ve Mühendisliği (Diğer) |
| Bölüm | Araştırma Makalesi |
| Yazarlar | |
| Gönderilme Tarihi | 12 Mayıs 2025 |
| Kabul Tarihi | 6 Ocak 2026 |
| Yayımlanma Tarihi | 3 Mart 2026 |
| DOI | https://doi.org/10.17780/ksujes.1697574 |
| IZ | https://izlik.org/JA89GT99PM |
| Yayımlandığı Sayı | Yıl 2026 Cilt: 29 Sayı: 1 |