GCRIS :: Search

Nikel bazlı tek kristalli süperalaşımlar, üstün mekanik dayanımları, sünme direnci ve yüksek sıcaklıklardaki kararlılıkları sayesinde modern türbin kanadı uygulamalarının temel malzemeleri arasında yer almaktadır. Bu malzemeler, yüksek gerilme genlikleri, sıcaklık gradyanları ve bekletme sürelerini içeren karmaşık termomekanik yorulma (TMF) döngülerine sıklıkla maruz kalmaktadır. Özellikle uzay ve savunma sanayisinde kullanılan bileşenler için deneysel veri kısıtlılığı ve tek kristallerin anizotrop davranışı, bu zorlayıcı yükleme koşulları altında yorulma ömrü tahminini olduk- ça güçleştirmektedir. Bu zorluklardan yola çıkan bu tez, yorulma ömrünü tahmin etmek ve sınırlı veri koşullarında bile malzeme parametrelerini yüksek doğrulukla belirlemek amacıyla fizik tabanlı sürekli hasar mekaniğini (CDM) ve veri odaklı makine öğrenimi modellerini birleştiren hibrit bir öngörü çerçevesi sunmaktadır. Bu çalışmada, sentetik yorulma ömrü verilerinin oluşturulmasında temel olarak kullanılan model, FCC kristal yapısına sahip tek kristalli süperalaşımların anizotrop davra- nışlarını ve sıcaklığa bağlı malzeme tepkilerini dikkate alan, özelleştirilmiş bir Chaboche sürekli hasar modeli olmuştur. Ancak, yorulma ömrü tahmininde esas rolü oynayan yapı, farklı veri türleriyle eğitilen yapay sinir ağı (YSA) modelleridir. Tezin üçüncü bölümü- nün başında iki ayrı YSA modeli tanıtılmaktadır. İlk model, sınırlı UTS ve dayanım bilgileriyle birlikte deneysel yorulma ve sünme verilerinden oluşturulan yarı-sentetik veri setini kullanarak hem sünme kopma süresini hem de yüksek çevrimli ve birleşik çevrimli yorulma (HCF ve CCF) koşullarındaki yorulma ömrünü tahmin etmektedir. İkinci model ise tamamen, özelleştirilmiş Chaboche modeli ile oluşturulan sentetik SN eğrileri ile eğitilmiştir. Bu model, sıcaklık ve R oranlarına bağlı olarak normalleştirilmiş ve logaritmik ölçeklenmiş girdiler üzerinden SN eğrileri ve Goodman diyagramları üretmek üzere yapılandırılmıştır. Bu iki model, geniş çalışma koşul- larını kapsayabilen tahmin altyapısını oluşturmaktadır. Deneysel yorulma verilerinin dağınık ve yetersiz olması problemini aşmak amacıyla, sentetik verilerle eğitilen YSA modelleri, transfer öğrenmesi yaklaşımlarıyla hem CMSX-4 hem de AISI 4340 gibi genel metal türleri için elde edilen deneysel veri kümelerine uyarlanmıştır. Bu bağlamda, biri önceden eğitilmiş modelin parametrelerinin doğrudan ayarlanmasına, diğeri ise yeni fiziksel değişkenlerin modele dâhil edilmesini sağlayan bir giriş genişletme yapısına dayalı iki farklı transfer öğrenmesi modeli geliştirilmiştir. Her iki model de veri güvenilirliğini sağlamak amacıyla bırak-bir çapraz doğrulama (LOOCV) yöntemi ile değerlendirilmiştir. Bu yaklaşımlar, sınırlı deneysel veriyle yorulma ömrü tahminlerinin gerçekleştirilebileceğini ve model tutarlılığının sıcaklık ve gerilme oranı ekseninde korunabileceğini göstermektedir. Yorulma ömrü tahminine ek olarak, bu tezde, gerilme-şekil değiştirme verilerinden malzeme model parametrelerini tersine belirlemeyi amaçlayan, veri odaklı bir parametre optimizasyonu süreci de sunulmaktadır. Bu kapsamda, Voce tipi izotropik pekleşme içeren, oransal olmayan J2 plastiklik modeli ile oluşturulan sonlu eleman simülasyonları üzerinden bir veri seti üretilmiş ve tam gerilme-şekil değiştirme eğrisinden model parametrelerine haritalama yapabilen bir YSA regresyon modeli eğitilmiştir. Bu yapı, güçlü doğrusal olmayan plastik davranışlarda dahi temel malzeme sabitlerini yüksek doğrulukla ve verimli bir şekilde geri kazanabilmektedir. Sonuç olarak, bu tezde sunulan yöntemsel yapı, yüksek performanslı malzemelerde yorulma ömrü değerlendirmesi, model kalibrasyonu ve veri genişletmesi gibi alanlarda esnek ve ölçeklenebilir bir çözüm sağlamaktadır. Sentetik veri üretimi, YSA tabanlı regresyon ve transfer öğrenmesini tek bir çerçevede birleştiren bu yaklaşım, sınırlı deneysel destekle anizotropik ve yüksek sıcaklık dayanımı gerektiren malzeme- lerin yorulma modellemesine dair süregelen zorluklara etkin bir çözüm sunmaktadır. Bu kapsamda geliştirilen yöntemler, yalnızca tahmin doğruluğunu artırmakla kalmayıp, aynı zamanda gaz türbin motoru bileşenleri gibi kritik uygulamalarda yorulma modelleme araçlarının yorumlanabilirliğini ve uyarlanabilirliğini de geliştirmektedir.

In the field of cinema, the concept of genre has emerged as a concept that basically includes films that have common characteristics in terms of subject matter, have adopted a common method, and have a low risk of error because they have been tried before. Identifying the genres of movies is a challenging task because genres are intangible features that are not physically present in any movie scene, so off-the-shelf image detection models may not be easily integrated into this process. In this study, we aim to address the detection of movies according to their genres using deep learning algorithms. Movie poster data of IMDB and MM-IMDB datasets were utilized in our multi-label movie genre detection studies. In our experiments, we utilized four modern pre-trained models follow as DenseNet, VGG-16, ResNet-50, and MobileNet, and evaluated their performance using performance metric values such as accuracy, precision, recall, and F-score. According to the obtained empirical results, the DenseNet architecture achieved the highest accuracy values compared to other deep learning methods in detecting multi-label movie genre detection with an impressive rates of 91.64% and 92.56%. © 2024 IEEE.

Filters

Settings

Sort By

Results per page

Search Results