Determination of the Most Suitable Machining Temperatures for Turning Hard-to-Cut Materials by Machine Learning
Öz
Although machining is a traditional machining method, it is preferred because it allows the processing of difficult-to-machine, high-strength or brittle materials compared to other alternative machining methods, as well as improving the surface quality. Conventional machining of high-strength titanium alloys, stainless steels, tool steels, silicon nitride ceramics with complex properties, i.e. difficult-to-machine materials, is inefficient due to the use of low cutting speeds. In order to reduce the impact of this situation and increase productivity, methods such as the preference of advanced cutting tools, the use of cooling and lubrication systems, and preheated machining are used. In this study, machine learning was used to determine the optimal processing temperature. The machine learning model was created using Decision Tree Regression and Random Forest Regression algorithms. Among the performance metrics of the machine learning model, the R2 value was 0.98 for both models and the Mean Absolute Percentage Error (MAPE) value was 1.27% for Decision Tree Regression and 1.87% for Random Forest Regression. When the metrics found are evaluated, it is seen that the performance of the model is successful. As a result of the study, machine learning was performed to determine the appropriate machining temperature for the desired machining variables for the materials and conditions for which data were entered.
Anahtar Kelimeler
Machining Preheated machining Processing temperature CNC turning Machine learning
Kaynakça
- 1. R. Binali, S. Yaldız, S. Neşeli, S960QL yapı çeliğinin işlenebilirliğinin sonlu elemanlar yöntemi ile incelenmesi, Europan Journal of Science and Technology, 31:85-91,2021.
- 2. R. Binali, S. Yaldız, S. Neşeli, Investigation of power consumption in the machining of S960QL steel by finite elements method. European Journal of Technique, 12, 2022.
- 3. İ. Asiltürk, M. Kuntoğlu, R. Binali, H. Akkuş, E. Salur, A comprehensive analysis of surface roughness, vibration, and acoustic emissions based on machine learning during hard turning of AISI 4140 steel. Metals. 13(2); 437, 2023.
- 4. M.K. Gupta, M.E. Korkmaz, M. Sarıkaya, G.M. Krolczyk, M. Günay, In-process detection of cutting forces and cutting temperature signals in cryogenic assisted turning of titanium alloys: An analytical approach and experimental study, Mechanical Systems and Signal Processing, 169: 108772, 2022.
- 5. Y. Kavak, İşlenmesi zor malzemenin tornalanmasının yüzey pürüzlülüğüne etkisinin istatistiksel yöntem ile incelenmesi, Yüksek Lisans Tezi, Düzce Üniversitesi, Fen Bilimleri Enstitüsü, Düzce, Türkiye, 2019.
- 6. C.R. Dandekar, Y.C. Shin, J. Barnes, Machinability improvement of titanium alloy (Ti–6Al–4V) via LAM and hybrid machining, International Journal of Machine Tools and Manufacture, 50(2): 174–182, 2010.
- 7. Y. Ayed, G. Germain, W. Ben Salem, H. Hamdi, Experimental and numerical study of laser-assisted machining of Ti6Al4V titanium alloy, Finite Elements in Analysis and Design, 92:. 72–79, 2014.
- 8. N. Tosun, L. Özler, A study of tool life in hot machining using artificial neural Networks and regression analysis method, Journal of Materials Processing Technology, 124(1–2): 99–104,2002.
- 9. K.P. Maity, P.K. Swain, An experimental investigation of hot-machining to predict tool life, Journal of Materials Processing Technology, 198(1–3):344–349, 2008.
- 10. P.A. Rebro, Y.C. Shin, F.P. Incropera, Design of operating conditions for crack free laser-assisted machining of mullite, International Journal of Machine Tools and Manufacture, 44(7–8): 677–694. 2004.
- 11. J. Peng, E. C. Jury, P. Dönnes, C. Ciurtin. Machine learning techniques for personalised medicine approaches in ımmune-mediated chronic ın flammatory diseases: Applications and challenges, Frontiers in Pharmacology, 12, 2021.
- 12. A. Gündüz, Tornalama işleminde oluşan kesme kuvvetlerinin bulanık mantık ve yapay sinir ağlarıyla tahmini, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, Türkiye, 2006.
- 13. A. Uğraş, İşlenmesi zor malzemelerin yüksek talaş kaldırma oranlarıyla işlenmesi için ısı destekli hibrid sistemin geliştirilmesi ve çalışma parametrelerinin belirlenmesi, Doktora Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, Türkiye, 2022.
İşlenmesi Zor Malzemelerin Tornalanması İçin En Uygun İşleme Sıcaklıklarının Makine Öğrenmesi İle Belirlenmesi
Öz
Talaşlı imalat, geleneksel bir işleme yöntemi olmasına rağmen diğer alternatif işleme yöntemlerine göre işlenmesi zor, yüksek mukavemetli ya da kırılgan malzemelerin işlenmesine ve bunun yanı sıra yüzey kalitesinin de iyileştirilebilmesine olanak sağladığı için tercih sebebi olmaktadır. Yüksek mukavemetli titanyum alaşımlarının, paslanmaz çeliklerin, takım çeliklerinin, kompleks özelliklere sahip silisyum nitrür seramiklerin, yani işlenmesi zor malzemelerin geleneksel işlemesi, düşük kesme hızlarının kullanılması nedeniyle verimsiz olmaktadır. Bu durumun etkisini azaltmak ve üretkenliği artırmak için ileri kesici takımların tercih edilmesi, soğutma ve yağlama sistemlerinin kullanılması ve ön ısıtmalı işleme gibi yöntemler kullanılmaktadır. Bu çalışmada en uygun işleme sıcaklığını tespit etmek için makine öğrenmesi kullanılmıştır. Makine öğrenmesi modeli, Karar Ağacı Regresyon (Decision Tree Regression) ve Rastgele Orman Regresyon (Random Forest Regression) algoritmaları kullanılarak oluşturulmuştur. Makine öğrenmesi modelinin performans metriklerinden R2 değeri her iki model için de 0.98 bulunurken, Ortalama Mutlak Yüzde Hata (MAPE) değeri Karar Ağacı Regresyonu için %1.27, Rastgele Orman Regresyonu için %1.87 olarak bulunmuştur. Bulunan metrikler değerlendirildiğinde, modelin performansının başarılı olduğu görülmektedir. Çalışmanın sonucunda verileri girilen malzemeler ve koşullar için istenilen işleme değişkenlerine karşılık uygun işleme sıcaklığını tespit edecek makine öğrenmesi gerçekleştirilmiştir.
Anahtar Kelimeler
Talaşlı imalat Ön ısıtmalı işleme İşleme sıcaklığı CNC tornalama Makine öğrenmesi
Kaynakça
- 1. R. Binali, S. Yaldız, S. Neşeli, S960QL yapı çeliğinin işlenebilirliğinin sonlu elemanlar yöntemi ile incelenmesi, Europan Journal of Science and Technology, 31:85-91,2021.
- 2. R. Binali, S. Yaldız, S. Neşeli, Investigation of power consumption in the machining of S960QL steel by finite elements method. European Journal of Technique, 12, 2022.
- 3. İ. Asiltürk, M. Kuntoğlu, R. Binali, H. Akkuş, E. Salur, A comprehensive analysis of surface roughness, vibration, and acoustic emissions based on machine learning during hard turning of AISI 4140 steel. Metals. 13(2); 437, 2023.
- 4. M.K. Gupta, M.E. Korkmaz, M. Sarıkaya, G.M. Krolczyk, M. Günay, In-process detection of cutting forces and cutting temperature signals in cryogenic assisted turning of titanium alloys: An analytical approach and experimental study, Mechanical Systems and Signal Processing, 169: 108772, 2022.
- 5. Y. Kavak, İşlenmesi zor malzemenin tornalanmasının yüzey pürüzlülüğüne etkisinin istatistiksel yöntem ile incelenmesi, Yüksek Lisans Tezi, Düzce Üniversitesi, Fen Bilimleri Enstitüsü, Düzce, Türkiye, 2019.
- 6. C.R. Dandekar, Y.C. Shin, J. Barnes, Machinability improvement of titanium alloy (Ti–6Al–4V) via LAM and hybrid machining, International Journal of Machine Tools and Manufacture, 50(2): 174–182, 2010.
- 7. Y. Ayed, G. Germain, W. Ben Salem, H. Hamdi, Experimental and numerical study of laser-assisted machining of Ti6Al4V titanium alloy, Finite Elements in Analysis and Design, 92:. 72–79, 2014.
- 8. N. Tosun, L. Özler, A study of tool life in hot machining using artificial neural Networks and regression analysis method, Journal of Materials Processing Technology, 124(1–2): 99–104,2002.
- 9. K.P. Maity, P.K. Swain, An experimental investigation of hot-machining to predict tool life, Journal of Materials Processing Technology, 198(1–3):344–349, 2008.
- 10. P.A. Rebro, Y.C. Shin, F.P. Incropera, Design of operating conditions for crack free laser-assisted machining of mullite, International Journal of Machine Tools and Manufacture, 44(7–8): 677–694. 2004.
- 11. J. Peng, E. C. Jury, P. Dönnes, C. Ciurtin. Machine learning techniques for personalised medicine approaches in ımmune-mediated chronic ın flammatory diseases: Applications and challenges, Frontiers in Pharmacology, 12, 2021.
- 12. A. Gündüz, Tornalama işleminde oluşan kesme kuvvetlerinin bulanık mantık ve yapay sinir ağlarıyla tahmini, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, Türkiye, 2006.
- 13. A. Uğraş, İşlenmesi zor malzemelerin yüksek talaş kaldırma oranlarıyla işlenmesi için ısı destekli hibrid sistemin geliştirilmesi ve çalışma parametrelerinin belirlenmesi, Doktora Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara, Türkiye, 2022.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Makine Mühendisliği (Diğer) |
| Bölüm | Araştırma Makaleleri |
| Yazarlar | |
| Erken Görünüm Tarihi | 30 Nisan 2024 |
| Yayımlanma Tarihi | 30 Nisan 2024 |
| Gönderilme Tarihi | 2 Nisan 2024 |
| Kabul Tarihi | 26 Nisan 2024 |
| Yayımlandığı Sayı | Yıl 2024 Cilt: 5 Sayı: 1 |
