Al Matrisli Kompozitlere ANFIS, ANN ve Taguchi Yaklaşımları Uygulanarak Özelliklerin Karşılaştırılması

Year 2021, Volume: 13 Issue: 2, 406 - 416, 18.06.2021

Engin Ergül , Halil Kurt

https://doi.org/10.29137/umagd.833300

Cited By: 1

Abstract

Metal matris kompozitler havacılık, savunma sanayii, otomobiller ve diğer önemli yapısal uygulamalar gibi çeşitli alanlarda yaygın olarak kullanılmaktadır. Alüminyum ve alaşımları hafifliği yanı sıra sağlamlığı ve kolay şekillendirilebilme özellikleri sayesinde endüstride giderek artan kullanım alanına sahip olmuştur. Alüminyum matrisli kompozitlerde takviye elamanı olarak Al2O3, SiC, TiC, MgO, CNT ve B4C yaygın olarak kullanılır. Bu alışmada, Al-bazlı metal matris kompozitlerin mekanik özelliklerini incelemek için matematiksel ve sonlu eleman modellemesi kullanılmıştır. Basınç, sinterleme sıcaklığı ve sinterleme süresine bağlı kalarak porozite içeriği uyarlanabilir nöro-bulanık çıkarım sistemi (ANFIS) yöntemi kullanılarak relatif yoğunluklar ise yapay sinir ağları (ANN) yöntemi ile başarılı bir şekilde analiz edilmiştir. Toz metalürjisi yöntemiyle üretilen ve SiC ile güçlendirilmiş alüminyum-magnezyum matrisli kompozitlerin porozite içeriği ANFIS yöntemi kullanılarak incelenmiştir. ANFIS yaklaşımında, dört giriş parametresi, ağırlıkça %SiC oranını, kullanılan basıncı (MPa), sinterleme sıcaklığını (⁰C), sinterleme zamanını (dk) ve bir çıkış parametresi porozite (%) oranını kullanılmıştır. Analizlerin korelasyon katsayılarının ve istatiksel hata oranlarının iyi olduğu görülmüştür. Toz metalürjisi yöntemiyle üretilen Al-Mg-Al2O3 kompozitlerin relatif yoğunluk değerleri ANN yöntemiyle incelenmiştir. Sistemin tahmin oranın %81olduğu ve kabul edilebilir sınırlar içerisinde olduğu söylenebilir. Ayrıca, Taguchi yaklaşımı ile her iki güçlendirici içeren kompozitlerin relatif yoğunluklar analiz edilmiştir ve sonuçlar karşılaştırılmıştır.

Keywords

Alüminyum matris kompozit, SiC, Al2O3, ANFIS, ANN

Supporting Institution

TÜBİTAK (Türkiye Bilimsel ve Teknolojik Araştırma Kurumu)

Project Number

217M084

Thanks

Bu çalışma, TÜBİTAK (Türkiye Bilimsel ve Teknolojik Araştırma Kurumu) tarafından 217M084 numaralı proje kapsamında desteklenmiş olup, TÜBİTAK'a teşekkür ederiz.

Comparison of Properties by Applying ANFIS, ANN and Taguchi Approaches to Al Matrix Composites

Abstract

Metal matrix composites are widely used in various fields such as aerospace, defense industry, automobiles and other important structural applications. Aluminum and its alloys have been increasingly used in the industry thanks to their lightness, strength and easy formability. Al2O3, SiC, TiC, MgO, CNT and B4C are widely used as reinforcing elements in aluminum matrix composites. In this study, mathematical and finite element modeling was used to examine the mechanical properties of Al-based metal matrix composites. Based on the pressure, sintering temperature and sintering time, the relative densities were successfully analyzed using the adaptive neuro-fuzzy extraction system (ANFIS) method and the artificial neural networks (ANN) method. The porosity content of aluminum-magnesium matrix composites produced by powder metallurgy method and reinforced with SiC were investigated using the ANFIS method. In the ANFIS approach, four input parameters, weight% SiC ratio, used pressure (MPa), sintering temperature (C), sintering time (min) and one output parameter porosity (%) ratio were used. Correlation coefficients and statistical error rates of the analyzed dataset were found to be good. The relative density values of Al-Mg-Al2O3 composites produced by powder metallurgy method were examined by ANN method. It can be said that the estimation rate of the system is 81% and that it is within acceptable limits. Besides, the relative density of composites with Al2O3 and SiC was examined using Taguchi method and the results were compared.

Keywords

Aluminum matrix composite, SiC, Al2O3, ANFIS, ANN

Project Number

217M084

References

• Al-Ghamdi, Khalid, and Osman Taylan. (2015). “A Comparative Study on Modelling Material Removal Rate by ANFIS and Polynomial Methods in Electrical Discharge Machining Process.” Computers & Industrial Engineering,, 79, 27–41. doi: https://doi.org/10.1016/j.cie.2014.10.023.
• Ateş, Serkan, and Emel Kızılok. (2011). “Basınçlı İnfiltrasyon İle Üretilen SiC/Al2014 Kompozitlerin Özelliklerine İnfiltrasyon Sıcaklığının Etkisinin Tek Yönlü Varyans Analizi İle İncelenmesi.” Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 3(1), 50–54.
• Azmi, A. I. (2015). “Monitoring of Tool Wear Using Measured Machining Forces and Neuro-Fuzzy Modelling Approaches during Machining of GFRP Composites.” Advances in Engineering Software, 82, 53–64. doi: https://doi.org/10.1016/j.advengsoft.2014.12.010.
• Baksan, Bedri, İbrahim Çelikyürek, and Yusuf Kılıç. (2020). “Effect of Secondary Agıng of EN AC 43200 Alumınum Alloy to Mechanıcal Propertıes.” The International Journal of Materials and Engineering Technology, 3(1), 16–20.
• Başyiğit, Aziz Barış. (2020). “Investigating the Mechanical and Microstructural Properties of Aluminium Based Alloy Wheel Rims after TIG Welding.” Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi, 12(2), 388–95. doi: 10.29137/umagd.686466.
• Fazilat, H., M. Ghatarband, S. Mazinani, Z. A. Asadi, M. E. Shiri, and M. R. Kalaee. (2012). “Predicting the Mechanical Properties of Glass Fiber Reinforced Polymers via Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System.” Computational Materials Science, 58, 31–37. doi: https://doi.org/10.1016/j.commatsci.2012.01.012.
• Gosavi, Swapnil V, and M. D. Jaybhaye. (2020). “Microstructural Studies on Aluminium Metal Matrix Composite (Al7075-SiC) Fabricated through Stir Casting Process.” Materials Today: Proceedings, doi: 10.1016/j.matpr.2020.05.094.
• Hekimoğlu, Ali Paşa, and Murat Hacıosmanoğlu. (2019). “Effect of Copper and Magnesium Additions on the Structural, Mechanical and Tribological Properties of the Al-17Si Alloy.” Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi, 11(2), 685–94. doi: 10.29137/umagd.546562.
• Jajarmi, E., S. A. Sajjadi, and J. Mohebbi. (2019). “Predicting the Relative Density and Hardness of 3YPSZ/316L Composites Using Adaptive Neuro-Fuzzy Inference System and Support Vector Regression Models.” Measurement, 145, 472–79. doi: https://doi.org/10.1016/j.measurement.2019.05.108.
• Jalham, Issam S. (2005). “A Comparative Study of Some Network Approaches to Predict the Effect of the Reinforcement Content on the Hot Strength of Al–Base Composites.” Journal of Materials Processing Technology, 166(3), 392–97. doi: https://doi.org/10.1016/j.jmatprotec.2004.08.028.
• Karacif, Kubilay, Hasan Karabulut, and Ramazan Çıtak. (2019). “Al2O3 Takviyeli Alüminyum Esaslı Kompozit Malzemelerde Mekanik Alaşımlama Süresinin Korozyon Davranışına Etkilerinin İncelenmesi.” Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi, 11(2), 576–83. doi: 10.29137/umagd.507023.
• Kaya, Abdulaziz, Mikail Aslan, Necip Fazıl Yılmaz, and Halil Kurt. (2020). “Al-Mg-SiC Kompozitlerin Görünür Yoğunluklarının Taguchi Analizi.” El-Cezeri Fen ve Mühendislik Dergisi, 7(2), 773–80. doi: 10.31202/ecjse.695249.
• Kumarasamy, Soorya Prakash, Kavimani Vijayananth, Titus Thankachan, and Gopal Pudhupalayam Muthukutti. (2017). “Investigations on Mechanical and Machinability Behavior of Aluminum/Flyash Cenosphere/Gr Hybrid Composites Processed through Compocasting.” Journal of Applied Research and Technology, 15(5), 430–41. doi: https://doi.org/10.1016/j.jart.2017.05.005.
• Kurt, Halil Ibrahim. (2016). “Influence of Hybrid Ratio and Friction Stir Processing Parameters on Ultimate Tensile Strength of 5083 Aluminum Matrix Hybrid Composites.” Composites Part B: Engineering, 93, 26–34. doi: 10.1016/j.compositesb.2016.02.056.
• Kurt, Halil İbrahim, Yahya Bozkurt, Serdar Salman, and Hüseyin Uzun. (2019). “Applıcatıon of FSW Technıque to AA2124/%25SiCp-T4 Alumınum Matrıx Composıtes.” The International Journal of Materials and Engineering Technology, 2(1), 16–24.
• Kurt, Halil İbrahim, Necip Fazıl Yılmaz, and Murat Oduncuoğlu. (2018). “ANN ın Estımatıon Shear Modulus of Lamınate Composıte.” The International Journal of Materials and Engineering Technology, 1(1), 1–5.
• Nwobi-Okoye, Chidozie Chukwuemeka, Basil Quent Ochieze, and Stanley Okiy. (2019). “Multi-Objective Optimization and Modeling of Age Hardening Process Using ANN, ANFIS and Genetic Algorithm: Results from Aluminum Alloy A356/Cow Horn Particulate Composite.” Journal of Materials Research and Technology, 8(3), 3054–75. doi: https://doi.org/10.1016/j.jmrt.2019.01.031.
• Pul, Muharrem. (2017). “Comparison of Surface Roughness and Tool Wear in Turning of 7075, 6061 and 2024 Aluminum Alloys.” Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi, 9(2), 65–75. doi: 10.29137/umagd.351746.
• Said, Zafar, L. Syam Sundar, Hegazy Rezk, Ahmed M. Nassef, Hafiz Muhammad Ali, and Mohsen Sheikholeslami. (2020). “Optimizing Density, Dynamic Viscosity, Thermal Conductivity and Specific Heat of a Hybrid Nanofluid Obtained Experimentally via ANFIS-Based Model and Modern Optimization.” Journal of Molecular Liquids. doi: https://doi.org/10.1016/j.molliq.2020.114287.
• Şimşek, İjlal. (2019). “Mekanik Alaşımlama Yöntemi Ile Üretilen Farklı Miktarlarda ZrO2 Takviyeli Al-2Gr Matrisli Kompozit Malzemelerin Aşınma Performanslarının İncelenmesi.” El-Cezeri Fen ve Mühendislik Dergisi, 6(3), 594–605. doi: 10.31202/ecjse.560741.
• Uludağ, Muhammet. (2018). “Investigation of the Relationship Between Casting Quality, Microstructure and Mechanical Properties in Al-18Si Alloy.” Uluslararası Muhendislik Arastirma ve Gelistirme Dergisi, 10(1), 30–41. doi: 10.29137/umagd.419659.
• Yilmaz, Necip Fazil, Halil Ibrahim Kurt, Murat Oduncuoglu, and Engin Ergul. (2019). “Experimental and Theoretical Analysis of the Welding Process Parameters for UTS with Different Methods.” Materials Research Express , 6(1). doi: 10.1088/2053-1591/aae348.
• Zhao, Zhanyong, Peikang Bai, Wenbo Du, Bin Liu, Duo Pan, Rajib Das, Chuntai Liu, and Zhanhu Guo. (2020). “An Overview of Graphene and Its Derivatives Reinforced Metal Matrix Composites: Preparation, Properties and Applications.” Carbon, 170, 302–26. doi: https://doi.org/10.1016/j.carbon.2020.08.040.