TR-Dizin İndeksli Yayınlar Koleksiyonu
Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396
Browse
2 results
Search Results
Article Beton Dayanım Özelliklerinin Yüzey Tepki Yöntemi, Genetik Algoritma ve Yapay Sinir Ağları İle Tahmini(2022-06-30) Koken, Ekin; Kilincarslan, Semsettin; Tuncay, Ebru BaspınarBu çalışmada, beton dayanım özellikleri yüzey tepki yöntemi, genetik algoritma ve yapay sinir ağları yöntemleri ile analiz edilmiştir. Altı farklı beton agregası kullanılarak küp (10x10x10 cm) ve prizmatik (15x15x60 cm) beton numuneleri hazırlanmış olup, beton tek eksenli basınç dayanımı (UCSc) ve eğilme dayanımının (FSc) tahminlenmesi için bazı tahmin modeller geliştirilmiştir. Geliştirilen modellerde beton yoğunluğu (ρc), beton agregalarının Los Angeles aşınma kaybı (LAA) ve betonlara ait P dalgası hızı (Vpc) gibi parametreler kullanılmıştır. Elde edilen modellerin performansları bazı istatistiksel göstergeler ışığında değerlendirilmiş ve genetik algoritma ve yapay sinir ağlarını temel alan yöntemlerin beton dayanım özelliklerini tahmininde başarılı bir şekilde kullanılabileceği belirlenmiştir.Article Evaluation of the Capacity of Apron Feeders Used in Crushing–Screening Plants by Response Surface Methodology and Artificial Intelligence Methods(2024-06-30) Koken, EkinBu çalışmada Apron besleyicilerin kapasitesi (Q), yüzey tepki yöntemi (RSM) ve bazı yapay zekâ yöntemleriyle araştırılmıştır. Bu bağlamda, Türk Madencilik Sektöründe (TMI) kullanılan Apron besleyicilerin yaygın çalışma koşullarına ilişkin niceliksel verilerin toplanması amacıyla kapsamlı bir saha araştırması yapılmıştır. Toplanan bu verilere göre, Apron besleyicilerin Q değerini etkileyen değiştirgelerin ortaya konması için RSM analizleri gerçekleştirilmiştir. Buna göre, besleyici hazne genişliği (B), taşınan malzemenin bant üzerindeki yüksekliği (D), konveyör hızı (V) ve doluluk faktörü (φ), Q değeri için en önemli faktörler olarak belirlenmiştir. Q değerlerindeki gözlemlemek için çeşitli etkileşim ve kontur grafikleri sunulmuştur. Ayrıca, apron besleyicilerin Q değerini tahmin için, çok değişkenli uyarlamalı regresyon analizi (MARS), uyarlamalı ağ tabanlı bulanık mantık çıkarım sistemi (ANFIS) ve yapay sinir ağları (ANN) gibi bazı yapay zekâ yöntemlerine dayılı bazı tahmin modelleri tanıtılmıştır. Kurulan tahmin modellerinin performansı dağılım grafiklerine göre değerlendirilmiş ve RSM metodolojisine dayalı tahmin modelinin, yapay zekâ tabanlı tahmin modellerine göre nispeten daha iyi sonuçlar sağladığı bulunmuştur. Sunulan tahmin modelleri, yüksek kapasiteli Apron besleyicilerin Q değerini tahmin etmek için güvenilir bir şekilde kullanılabilir. Ancak kırma-eleme tesisi tasarımcıları, düşük kapasiteli Apron besleyicileri değerlendirmek için sunulan tahmin modellerini kullanırken dikkatli olmalıdır. Elde edilen bulgulara dayanarak, bu çalışma, Apron besleyicilerinin Q değerini değerlendirmek için RSM metodolojisinin ve çeşitli yapay zekâ yöntemlerinin uygulanabilirliğini göstermiştir.