Serin, GökberkKahya, MügeÖzbayoğlu, MuratÜnver, Hakkı Özgür2020-09-092020-09-092019-07-31Serin, G. vd. (2019). "Ti6Al4V malzemesinin tornalama işleminde özgül kesme enerjisi ve yüzey pürüzlüğünün incelenmesi ve yapay sinir ağları temelli tahmin modeli geliştirilmesi". Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 24(2), 517-536.2148-41472148-4155https://dergipark.org.tr/tr/download/article-file/819642http://hdl.handle.net/11452/12609Havacılık ve medikal sanayii gibi isterleri yüksek olan sektörlerde kullanılan parçaların imalatı genellikle yüksek hassasiyete sahip talaşlı imalat yöntemleri ile yapılmakta olup, bu işlemler sırasında yüksek teknoloji ürünü takım tezgahları kullanılmaktadır. Diğer yandan, son on yılda, önemli bir maliyet girdisi olan ve çevre etkisi bulunan enerji tüketimini, talaşlı imalat sırasında en aza indirme amaçlı çalışmalar yoğunlaşmıştır. Dolayısıyla, düşük enerji tüketimi ile yüksek kaliteli iş parçalarının üretimi, giderek önem kazanmaktadır. Tornalama işlemi, talaş kaldırma işlemleri arasında en fazla tercih edilen işlemlerden birisidir. Günümüzde, Ti6Al4V malzemesi, sağladığı mekanik ve ısıl avantajlardan dolayı hem havacılık hem de medikal sanayiinde yaygın olarak kullanılmakta ve yüksek hassasiyetli torna tezgahlarında işlenmektedir. Bu çalışmada, malzemesi Ti6Al4V olan iş parçasının yüzey pürüzlülüğü (Ra) ve bu iş parçasının üretimi sırasında elde edilen özgül kesme enerjisi (ÖKE) incelenmiştir. İşlem girdi parametreleri olarak; kesme derinliği (ap), kesme hızı (Vc) ve ilerleme (f) belirlenmiştir. Belirlenen çıktı parametrelerinin tahmini için Yanıt Yüzey Metodu (YYM) ve Yapay Sinir Ağları (YSA) kullanılmıştır. YSA ve YYM modellerinde kullanılan veriler Box-Behnken deney tasarımı ile elde edilmiştir. Bunun yanı sıra girdi parametrelerinin etkilerini incelemek adına, Merkezi Kompozit Deney Tasarımı (MKT) kullanılarak elde edilen sonuçlar üzerinden Varyans Analizi yapılmıştır. Çalışmalar sonucunda minimum yüzey pürüzlülüğü elde etmek için kesme derinliği 0,2 mm, ilerleme 0,0637 mm/dev ve kesme hızı 36 m/dak olarak belirlenmiştir. Aynı zamanda minimum özgül kesme enerjisi için gerekli girdi parametreleri; ap= 0,53 mm, f= 0,0963 mm/dev ve Vc= 44 mm/dak’dır. YSA modeli ile geliştirilen tahmin modelinin YYM tahmin modeline göre daha iyi sonuçlar ortaya koyduğu gözlemlenmiştir.Parts used in high-demanding industries such as aerospace and medical, are manufactured with high precision machining. Also, studies on reduction of energy consumption, which has vital effects on environment and is a significant cost component, have been on the rise since the last decade. So, in many industries, manufacturing of high-quality parts with minimum energy consumption is gaining importance. Turning is one of the most commonly used machining methods. Nowadays, Ti6Al4V material, due to its mechanical and thermal advantages, is widely used in both the aerospace and medical industries and machined in high precision machine tools. In this study, the surface roughness (Ra) of turned workpieces from Ti6Al4V alloy and specific cutting energy (SEC) during turning this alloy were examined. Control parameters were specified as depth of cut (ap), cutting speed (Vc), and feed (f). In order to estimate the output parameters, Response Surface Method and Artificial Neural Network (ANN) were employed. The data used by ANN and RSM models was obtained by Box-Behnken Design. Furthermore, Central Composite Design (CCD) which is one of the Response Surface Methods (RSM) was used to examine the influences of input parameters and ANOVA was conducted. As a result of these studies, it was figured out that the depth of cut was 0.2 mm, the feed was 0.0637 mm/rev and the cutting speed was 36 m/min for minimum surface roughness. The input parameters required to sustain minimum specific cutting energy was determined as ap= 0.53 mm, f= 0.0963 mm/rev and Vc= 44 m/min. It was observed that the prediction model developed using ANN yielded better results than RSM based regressions.trinfo:eu-repo/semantics/openAccessTi6Al4V talaşlı imalatYapay sinir ağlarıYanıt yüzey metoduMachiningArtificial neural networkResponse surface methodologyTi6Al4VArticle517536242