Sanal basma testi tasarımı ve uygulaması

Abstract

Laboratuvarlar öğrencilerin teorik bilgilerini pratiğe dönüştürdüğü bu sayede tecrübe kazandığı ortamlardır. Laboratuvarlar genellikle fen, mühendislik, mesleki eğitim, sağlık gibi alanlarda kullanılan tamamlayıcı bir yapıdır. Laboratuvarlarda yapılan test ve deneyler sayesinde kazanılan pratik bilgiler iş hayatında önemli rol oynamaktadır. Laboratuvarlarda kullanılacak malzeme ve kimyasallar, fiziki laboratuvar koşulları, eleman ihtiyacı ve sürekli artan öğrenci sayısı gibi sebeplerden dolayı uygulaması oldukça güç hale gelen deneyler sanal ortamda gerçekleştirildiğinde, belirtilen tüm bu dezavantajların önüne geçilmesi mümkündür. Sanal laboratuvarlar sayesinde öğrenciler istediği zamanda ve yerde defalarca deney yapma imkânına sahip olmakta ve konuyu daha iyi anlayabilmektedir. Bu çalışmada amaç basma hızının basma grafiğine etkisini sanal ortamda gerçekleştirmek üzere sanal basma testi laboratuvarı geliştirmektir. Basma deneyinde malzemeye uygulanan kuvvet ile malzemenin boyundaki yüzde değişim arasında doğrusal olmayan bir ilişki vardır. Cihazlarda tüm basma hızı değerleri için deney yapmak elverişsiz olduğundan bu doğrusal olmayan ilişkinin modellenmesine ihtiyaç duyulmaktadır. Doğrusal olmayan ilişkilerin modellenmesinde yapay sinir ağları yaygın olarak kullanılan tekniklerdendir. Çalışmada alüminyum bir malzemenin 1-8 mm/min hızlarında basma deneyleri yapılarak elde edilen veriler kullanılarak yapay sinir ağı modeli kurulmuştur. 1 girdi katmanı, 1 ara katman ve 1 çıktı katmanından oluşan yapay sinir ağı modelinde ara katmanda 10 nöron kullanılmıştır. Geliştirilen yapay sinir ağı modelinde basma kuvveti ve basma hızı kriterleri geliştirilen ağın girdi kriterini, malzemenin boy değişimi ise çıktı kriterini oluşturmaktadır. Verilerin %80'inin eğitim seti, %20'sinin test seti olarak ele alındığı yapay sinir ağı modelinin MAPE (Ortalama Mutlak Yüzde Hata) değeri yaklaşık % 3 olarak hesaplanmıştır. Çalışmada geliştirilen yapay sinir ağı modelin, sanal laboratuvar geliştiricilerine yol gösterici olacağı öngörülmektedir.

Laboratories are the environments where students gain experience by converting their theoretical knowledge into practice. Laboratories are usually a complementary structure used in areas such as science, engineering, vocational training and health. Practical knowledge gained through tests and experiments in laboratories plays an important role in business life. It is possible to prevent all these disadvantages, when the experiments are realized in a virtual environment, due to the reasons such as materials and chemicals to be used in laboratories, physical laboratory conditions, the need for staff and the number of students increasing continuously, which are very difficult to implement. Thanks to the virtual labs, students can have the opportunity to experiment repeatedly at any time and place and understand the subject better. The aim of this study is to develop a virtual compression test laboratory to realize the effect of compression speed on the compression graph in a virtual environment. There is a nonlinear relationship between the force applied to the material and the change in the length of the material in the compression test. This non-linear relationship needs to be modeled because it is inconvenient to conduct experiments for all compression speed values. Artificial neural networks are widely used in modeling nonlinear relationships. In this study, an artificial neural network model was established by using the data obtained by conducting compression tests at an aluminum material speed of 1-8 mm/dk. In the artificial neural network model consisting of 1 input layer, 1 hidden layer and 1 output layer and 10 neurons are used in the hidden layer. In the developed artificial neural network model, compression force and compression speed criteria constitute the input criteria of the developed network and the length change of the material constitutes the output criterion. The mean absolute percentage error (MAPE) value of the artificial neural network model, where 80% of the data was considered as a training set and 20% as the test set, was calculated as approximately 3%. The artificial neural network model developed in the study is predicted to guide the virtual laboratory developers.