Yapay Zeka Teknikleri Kullanılarak Bor Nitrür Kaplamalarının Modellenmesi

Abstract

Bor nitrür (BN), yüksek ısıl iletkenlik, düşük sürtünme katsayısı ve yüksek sertlik gibi mükemmel özelliklere sahip bir seramik malzemedir. Ancak, BN kaplamalarının Fiziksel Buhar Biriktirme (FBB) süreci ile Magnetron Saçtırma (MS) tekniği kullanılarak uygulanması, süreç parametreleri ile kaplama özellikleri arasındaki karmaşık etkileşimler nedeniyle zorludur. Bu tez, altı gelişmiş makine öğrenmesi tekniğinden yararlanan Yapay Zeka (YZ) tabanlı bir çerçeve kullanılarak BN kaplama sürecinin modellenmesi ve optimizasyonuna yönelik yenilikçi bir yaklaşım sunmaktadır. Çelik numuneler, farklı kaplama parametreleri ile kaplanmış ve yüksek hassasiyetli ekipmanlarla karakterize edilmiştir. Verileri tanıyabilmek amacıyla, keşifsel veri analizi gerçekleştirilmiştir. Üç farklı kaplama özelliğini tahmin etmek üzere altı farklı mimari kullanılarak makine öğrenmesi modelleri geliştirilmiş ve regresyon değerlendirme metrikleri ile karşılaştırılmıştır. Son olarak, en başarılı modeller, yeni veri setleri üzerinde tahminlerde bulunmak amacıyla kullanılmış ve sonuçlar görselleştirilmiştir. YZ tabanlı yaklaşım, karar verme süresini azaltarak istenilen özelliklere göre en uygun parametrelerinin belirlenmesini sağlamaktadır.

Boron nitride (BN) is a ceramic material with excellent properties, such as high thermal conductivity, a low coefficient of friction and high hardness. However, applying BN coatings using the Physical Vapour Deposition (PVD) process with the Magnetron Sputtering (MS) technique presents challenges due to the complex interactions between process parameters and coating characteristics. This thesis presents a novel approach to model and optimise the BN coating process by utilising an Artificial Intelligence (AI) based framework that harnesses six advanced Machine Learning (ML) techniques. Steel samples are coated with varying process parameters and characterised using high-precision equipment. Exploratory Data Analysis (EDA) is conducted to better understand the data. ML models are built using six different architectures and are compared using regression evaluation metrics to predict three coating characteristics. Finally, the best models are used to make predictions on newly created experimental datasets and the results are visualised. The AI-based approach helps reduce decision-making time by identifying the optimal coating parameters based on the desired coating characteristics.