FARKLI YAPISAL ÖZELLİKLERDEKİ ÖRME KUMAŞLARIN PATLAMA MUKAVEMETİNİN MAKİNE ÖĞRENMESİ YÖNTEMLERİYLE MODELLENMESİ VE TAHMİNİ

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.

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.