TR-Dizin İndeksli Yayınlar Koleksiyonu

Permanent URI for this collectionhttps://hdl.handle.net/20.500.12573/396

Browse

Filters

2022 - 20242

Settings

Institution Author: search.filters.institutionAuthor.Koken, EkinWoS Q: search.filters.wosQuartile.N/A

Search Results

Now showing 1 - 2 of 2
  • Article
    Modeling the Throughput of Horizontal Shaft Impact Crushers Using Regression Analyses, Artificial Neural Networks and Multivariate Adaptive Regression Spline
    (2022-10-27) Koken, Ekin
    Bu çalışmada, yatay milli darbeli kırıcıların (HSI) kırma kapasitesinin (Q), regresyon analizleri, yapay sinir ağları (ANN) ve çok değişkenli uyarlamalı regresyon analizi (MARS) kullanılarak araştırılmıştır. Bu amaçla, Türkiye'deki çeşitli taş ocaklarında ikincil kırma işlemlerinde kullanılan 32 farklı HSI tipi kırıcı ele alınmıştır. Çeşitli sayısal veriler (rotor genişliği (Rw), rotor çapı (Rd), rotor hızı (Vr), karakterize edilen besleme boyutu (d80), çalışma enerjisi (Oe) ve kırmataşın Los Angeles aşınma değeri (LAAV)) her bir kırma–eleme tesisinden elde edilmiştir. Öncelikle, toplanan veriler kullanılarak doğrusal ve doğrusal olmayan regresyon analizleri gerçekleştirilmiştir. Daha sonra ise, bu kırıcıların Q değerini tahmin etmek için farklı ANN ve MARS analizleri yapılmıştır. Sonuç olarak, kırıcıların Q değerini tahmin etmek için güçlü tahmin modelleri geliştirilmiştir. Önerilen modellerin (M6–M10) belirleme katsayısı (R2) 0.91 ile 0.98 arasında değişmekte olup, söz konusu yüksek R2 değerleri geliştirilen modellerin göreceli başarısını göstermektedir. Bu nedenle, önerilen modeller, araştırılan HSI tipi kırıcıların Q değerini tahmin etmek için güvenilir bir şekilde kullanılabilir. Bununla birlikte, HSI tipi kırıcıların Q değerini etkileyen diğer faktörleri araştırmak için örnek çalışmalarının sayısı arttırılmalıdır.
  • 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, Ekin
    Bu 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.