Conference PaperPDF Available

Dairesel Testereli Kesme Makinelerinin Saatlik Üretim Miktarının Mermer Yüzey Sertliğine Bağlı Olarak Yapay Sinir Ağı (YSA) ve Regresyon Analizleri (RA) İle Tahmin Edilmesi (Estimation of Hourly Slab Productions of Circular Saw Cutting Machines by Artificial Neural Network (YSA) and Regression Analysis (RA) basedon Marble Surface Hardness)

Authors:

Abstract

ÖZET Doğal taş işleme tesislerinde kayaçların kesilebilirliği ve blok kesme makinelerin saatlik üretim miktarlarının tahmini, fabrika kurulumu öncesinde yapılacak fizibilite çalışmalarında işletmenin ekonomisi ve devamlılığı açısından önemli olmaktadır. Kesimi gerçekleştirilecek kayacın mühendislik özelliklerinin belirlenmesi ve bu özellikler dikkate alınarak üretim planlamasının yapılması işletme üzerinde önemli rol oynamaktadır. Bu çalışma kapsamında Muğla bölgesinde üretimi gerçekleştirilen mermerlerin Shore ve Schmidt yüzey sertlik değerleri belirlenmiş olup yapay zekâ tekniği olan yapay sinir ağları (YSA) ve regresyon analizleri ile modeller oluşturularak dairesel testereli blok kesme makinelerinin saatlik üretim miktarları tahmin edilmeye çalışılmıştır. Yapay sinir ağı modelleri için MATLAB programının “nntool” araç çubuğu, basit ve çoklu regresyon analizlerinde ise SPSS 17 programı kullanılmıştır. Fabrika ortamında belirlenen üretim miktarı değerleri ile yapay sinir ağı ve regresyon modellerinden elde edilen tahmini üretim miktarı değerleri arasındaki ilişkiler istatistiksel olarak incelenmiştir. İncelemeler sonucunda yapay sinir ağı modellerinden elde edilen tahmini üretim miktarı değerlerinin regresyon modellerinden elde edilenlere göre gerçek değerlere daha yakın sonuç verdiği belirlenmiş olup yapay sinir ağı ile saatlik üretim miktarının tahmin edilebileceği belirlenmiştir. ABSTRACT Estimation of the cuttability of the rocks and the hourly production quantities of the block cutting machines in natural stone processing plants is important for the economy and continuity of the facility in the feasibility studies to be carried out before the factory installation. Determination of the engineering properties of the rock and making production planning considering these properties play an important role on the enterprise. In this study, Shore and Schmidt surface hardness values of marbles produced in Muğla region were determined and hourly production quantities of circular saw blade block cutting machines were tried to be estimated by forming models with artificial neural networks (YSA) and regression analysis. MATLAB "nntool" tool bar for artificial neural network models and SPSS 17 program for simple and multiple regression analyzes were used. Also, HSP were gathered through in-plant measurements in order to justify the HSP estimated by ANN and RM. The analyses of the models generated using ANN proved to yield very strong consistency with HSP measured in the plants. It can be suggested that HSP can be estimated reliably by the models of ANN and it can be considered as a powerful tool in designing marble processing plants in terms of HSP.
ÖZET Doğal taş işleme tesislerinde kayaçların kesilebilirliği ve blok kesme makinelerin
saatlik üretim miktarlarının tahmini, fabrika kurulumu öncesinde yapılacak fizibilite
çalışmalarında işletmenin ekonomisi ve devamlılığı açısından önemli olmaktadır. Kesimi
gerçekleştirilecek kayacın mühendislik özelliklerinin belirlenmesi ve bu özellikler dikkate
alınarak üretim planlamasının yapılması işletme üzerinde önemli rol oynamaktadır.
Bu çalışma kapsamında Muğla bölgesinde üretimi gerçekleştirilen mermerlerin Shore ve
Schmidt yüzey sertlik değerleri belirlenmiş olup yapay zekâ tekniği olan yapay sinir ağları
(YSA) ve regresyon analizleri ile modeller oluşturularak dairesel testereli blok kesme
makinelerinin saatlik üretim miktarları tahmin edilmeye çalışılmıştır. Yapay sinir ağı
modelleri için MATLAB programının “nntool” araç çubuğu, basit ve çoklu regresyon
analizlerinde ise SPSS 17 programı kullanılmıştır. Fabrika ortamında belirlenen üretim
miktarı değerleri ile yapay sinir ağı ve regresyon modellerinden elde edilen tahmini üretim
miktarı değerleri arasındaki ilişkiler istatistiksel olarak incelenmiştir. İncelemeler sonucunda
yapay sinir ağı modellerinden elde edilen tahmini üretim miktarı değerlerinin regresyon
modellerinden elde edilenlere göre gerçek değerlere daha yakın sonuç verdiği belirlenmiş
olup yapay sinir ağı ile saatlik üretim miktarının tahmin edilebileceği belirlenmiştir.
Anahtar kelimeler: Shore sertliği, Schmidt sertliği, saatlik üretim miktari, yapay sinir ağlari,
regresyon analizi
ABSTRACT Estimation of the cuttability of the rocks and the hourly production quantities
of the block cutting machines in natural stone processing plants is important for the economy
and continuity of the facility in the feasibility studies to be carried out before the factory
installation. Determination of the engineering properties of the rock and making production
planning considering these properties play an important role on the enterprise.
In this study, Shore and Schmidt surface hardness values of marbles produced in Muğla
region were determined and hourly production quantities of circular saw blade block cutting
Dairesel Testerereli Kesme Makinelerinin Saatlik Üretim
Miktarının Mermer Yüzey Sertliğine Bağlı Olarak Yapay Sinir
Ağı (YSA) Ve Regresyon Analizleri (RA) İle Tahmin Edilmesi
Estimation of Hourly Slab Productions of Circular Saw Cutting
Machines by Artificial Neural Network (YSA) and Regression
Analysis (RA) based on Marble Surface Hardness
G. Ekincioğlu, Ahi Evran Üniversitesi, Kaman MYO Madencilik ve Maden Çıkarma
Bölümü, Kaman/Kırşehir
A.Güney,
Muğla Üniversitesi, Maden Mühendisliği Bölümü, Muğla
D. Akbay, R. Altındağ
Süleyman Demirel Üniversitesi, Maden Mühendisliği Bölümü, Isparta,
machines were tried to be estimated by forming models with artificial neural networks (YSA)
and regression analysis. MATLAB "nntool" tool bar for artificial neural network models and
SPSS 17 program for simple and multiple regression analyzes were used. Also, HSP were
gathered through in-plant measurements in order to justify the HSP estimated by ANN and
RM. The analyses of the models generated using ANN proved to yield very strong
consistency with HSP measured in the plants. It can be suggested that HSP can be estimated
reliably by the models of ANN and it can be considered as a powerful tool in designing
marble processing plants in terms of HSP.
Keywords: Shore hardness (SH), Schmidt hardness (SCH), hourly slab production (HSP),
artificial neural network (ANN), regression method (RM)
1 GİRİŞ
Dünya doğal taş sektörü içerisinde
Türkiye’nin payı ilk 5 arasında
değişmektedir. Gerek karbonat kökenli doğal
taşların rezerv açısından varlığı gerekse
üretim-ihracat açısından ekonomik
büyüklüğü dünyada doğal taş sektörü
içindeki ekonomik yerini bir kez daha
perçinlemektedir. Türkiye’nin 2016 yılı
içindeki maden ihracatının payı %2,5 olarak
gerçekleşmiştir. m maden ihracatının
sadece %47’lik kısmını tek başına doğal taş
sektörü gerçekleştirmiştir. Geri kalan
%53’lük payı ise diğer bilinen tüm
madenlerin ihracatından sağlanmıştır. Bu
rakamlar doğal taş sektörünün diğer maden
sektörü içindeki yerini ve ekonomik
büyüklüğünü göstermektedir.
Ocaklardan üretilen doğal taş blokları
mermer işleme tesislerine getirilmekte ve
burada yarı mamul veya işlenmiş mamul
olarak piyasaya sunulmaktadır. Doğal
taşların fabrikalarda ebatlanmasında dairesel
testereler kullanılmaktadır.Maliyet kalemleri
arasında kesim maliyeti önemli bir payı
oluşturmaktadır. Kesim maliyeti içinde en
önemli oranı enerji ve testere maliyeti
oluşturmaktadır. Bu maliyetler göz önünde
bulundurularak literatürde mermer kesme
işleminin optimizasyonu, enerji ve üretim
miktarlarının tahmini için birçok çalışma
yapılmıştır.
Ünver (1992), kayaçların kesilebilirliğinin
belirlenebilmesi amacıyla Cassapi’nin 1987
yılında gerçekleştirdiği kesme deneylerinden
elde edilen sonuçları kullanarak istatistiksel
yaklaşımlarda bulunmuştur. Kesme
kuvvetinin ve testerede oluşan aşınmanın
belirlenebilmesi amacıyla çoklu regresyon
yöntemi ile modeller ortaya koymuştur.
İstatistiksel analizler sonucunda kayaç
sertliğinin ve sert minerallerin tane boyutları
arttıkça kesme işleminin zorlaştığını ortaya
koymuştur.
Büyüksağiş (1998), 7 adet mermer
üzerinde kesme deneyleri yapmıştır. Yapılan
bu kesme deneylerinden elde edilen verilere
göre kesme kuvvetlerini ve özgül enerji
değerlerini hesaplamıştır. Kesme
deneylerinde kullandığı mermerlerin fiziksel
ve mineralojik özelliklerini belirledikten
sonra çoklu regresyon tekniğini kullanarak
mermerler için gerekli olan kesme kuvveti
ve özgül enerji değerlerinin kayaç özellikleri
ile belirlenebilmesi için ampirik yaklaşımlar
ortaya koymuştur.
Büyüksağiş ve Göktan (2005), kesme
verimliliği için özgül enerjiyi bir kriter
olarak ele almışlar ve 7 farklı hakiki mermer
için optimum kesme koşullarını belirlemek
amacıyla dairesel testere ile kesimler
yapmışlardır. Çoklu regresyon analizi ile
özgül kesme enerjisini; Cerchar aşındırma
indeksi, Mohs sertliği ve tek eksenli basma
dayanımı ile ilişkilendirmişlerdir.
Kahraman vd. (2006) kayaçların porozite,
içsel sürtünme açısı ve kohezyon değerlerini
kullanarak yapay sinir ları ve regresyon
analizlerinden oluşturdukları modeller ile
dairesel testereli blok kesme makinelerinde
ki üretim miktarlarını tahmin etmişler ve
yapay sinir ağlarının daha iyi sonuç verdiğini
belirlemişlerdir.
Büyüksağiş (2007), 6 adet granit
numunesi üzerinde dairesel testere ile aşağı
ve yukarı yönlü olmak üzere kesme
deneyleri yapmıştır. Yapılan bu kesme
deneylerinde özgül enerji ve soketlerdeki
özgül aşınma değerlerini hesaplamıştır.
Kesme deneylerinde kullandığı granit
numunelerinin fiziksel, mekanik ve
mineralojik özelliklerini belirledikten sonra
çoklu regresyon analizleri ile özgül enerji ve
özgül aşınma değerleri arasında ampirik
yaklaşımlar ortaya koymuştur.
Şengün (2009), kayaçların dairesel
testereler ile kesilme işlemlerinde oluşan
özgül enerji değerlerine, kayaçların kırılma
tokluğunun ve gevrekliklerinin etkisini 15
farklı kayaç üzerinde incelemiştir. Özgül
enerjinin kayaç özelliklerinden tahmin
edilmesine yönelik basit ve çoklu regresyon
analizlerinin yanı sıra bulanık mantık tabanlı
analiz tekniği kullanılarak modeller
oluşturmuştur.
Şengün vd. (2009), 4 farklı magmatik
kökenli kayaç türünü kullanarak kesme
deneyleri gerçekleştirmişlerdir. Sabit kesme
parametrelerinde ölçülen verilerden her
kayaç türü için özgül kesme enerjisini
hesaplamışlardır. Kayaçların fiziksel ve
mekanik özelliklerinin kesme enerjisine
etkisini belirlemek amacıyla regresyon
analizleri yapmışlar ve kesme işleminde
kayaçların fiziksel özelliklerinden
gözeneklilik ve mekanik özelliklerinden
basınç dayanımının etki rol oynadığını
belirlemişlerdir.
Caner ve Akarslan (2009), mermer kesme
parametrelerinin enerji tüketimine etkisini
Yapay Sinir Ağları ve ANFIS kullanılarak
tahmin etmeye çalışmışlardır. Tahmin
metotlarında giriş parametreleri olarak kayaç
sertliği, testere dönüş hızı ve kesme hızını
çıkış parametresi olarak spesifik enerji
faktörünü kullanmışlardır. Tahmin edilen
sonuçlar ile deneysel verileri kıyaslamışlar
ve verilerin birbirlerine oldukça yakın
olduğunu belirlemişlerdir.
Yurdakul (2009) S/T’lerde, karbonat
kökenli doğal taşlar üzerinde kesme
performansı ölçümleri yapmış ve özgül
kesme enerjisi ile ilerleme hızını yapay sinir
ağları yardımıyla önceden tahminine yönelik
modeller geliştirmiştir.
Güney (2011), Muğla bölgesinde 5 fark
mermer ocağından alınan numunelerin Shore
sertliği, Schmidt sertliği ile mineral tane
boyutu belirlemiş ve saatlik levha üretim
değerleri ile arasındaki ilişkileri araştırmıştır.
Güvenç vd. (2011), laboratuar ortamında
mermer kesme makinesi ile Uşak yeşil
mermer ile yapılan kesme deneylerinden
elde ettikleri vagon ilerleme hızı, testere
devir sayısı, kesme derinliği verilerini giriş
verisi, kesim bitiş süresini ise çıkış verisi
olarak kullanarak yapay sinir ağında kesim
süresini modellemişlerdir. Oluşturulan
modele test verilerini girdiklerinde tahmin
edilen kesim süresi ile ölçülen kesim
sürelerinin birbirlerine oldukça yakın
olduklarını belirlemişlerdir.
Yurdakul ve Akdaş (2012), 3 ayrı taş
işleme tesisinde 7 farklı blok kesme
makinesinde 6 farklı karbonat kökenli
kayacın kesilebilirliklerinin belirlenebilmesi
amacıyla “özgül kesme enerjisi” değerlerini
hesaplamışlar ve kayaçların fiziko-mekanik
özellikleri ile özgül kesme enerjisi değerleri
arasındaki ilişkileri istatistiksel analizler ile
incelemişlerdir.
2 YAPAY SİNİR AĞLARI
Yapay sinir ağları (YSA), insan beyninin
çalışma mekanizmasını taklit ederek beynin
öğrenme, hatırlama, genelleme yapma yolu
ile yeni bilgiler türetebilme gibi temel
işlevlerini gerçekleştirmek üzere geliştirilen
mantıksal yazılımlardır. Günümüzde yapay
sinir ağları (YSA); fizik, matematik, elektrik,
elektronik ve bilgisayar mühendisliği gibi
farklı bilim dallarında farklı uygulamalarda
kullanılmaktadır. YSA’nın pratikte kullanımı
genelde değişik formlarda ve yapılarda
bulunan sistemleri hızlı bir biçimde
sınıflandırma, verileri tahmin etme ve
kontrol üzerinedir. Aslında mühendislik
uygulamalarında YSA’nın geniş çaplı
kullanımının en önemli nedeni, klasik
yöntemlerle çözümü zor olan problemlere
daha kolay çözüm getirmesidir. YSA, geniş
bir alana yayılmış bilim ve mühendislik
problemlerinin çözümü için matematiksel
modeller kullanmak yerine gözleme dayalı
veya deneyler sonucu elde edilen verilere
dayanan benzetimler kullanır (İnan, 1999).
Yapay sinir ağları genellikle bir girdi, bir
ya da daha fazla gizli ve bir çıktı katmanı
içerir. Tipik bir ron girdisi başka bir
nöronun çıktısıdır. Bu çıktılar bağlantılar
aracılığıyla iletilir. Bu bağlantılara
biyolojide sinaps adı verilir. Her bir sinaptik
bağlantı kuvveti, ağırlık adı verilen merik
değerlerle belirtilir. İ. nöron j. nörona sinyal
gönderdiğinde, bu sinyal i. sinapsın
ağırlığıyla çarpılır. İ. nöronun çıktısı xi
olarak gösterilir. J.nörondaki
ağırlıklandırılmış girdiler (wjixi) nörondaki
işlemci eleman tarafından toplanır. Elde
edilen toplam nöron aktivasyon olarak
adlandırılır. Aktivasyon tamamen nöronun
durumudur. Ağırlıklar ve girdiler pozitif
veya negatif olabilirken aktivasyondan
dolayı pozitif, fır veya negatif olabilir.
Pozitif durum aktive olmuş nöronu, negatif
durum pasif olan kapalı nöronu gösterir.
Aktivasyon belirlendikten sonra nöron
çıktıyı belirlemek için sinyal transfer
fonksiyonlarını uygular (Kaya vd., 2005).
Aktivasyon fonksiyonu çıktıyı istenilen
aralıklara dönüştürmek için
kullanılmaktadır. YSA hücrelerinin
kullandığı pek çok aktivasyon fonksiyonu
bulunmaktadır. Tanjant-hiperbolik, Sigmoid
ve Doğrusal fonksiyonları iyi sonuçlar
verdiği için sıklıkla tercih edilen aktivasyon
fonksiyonlarındandır.Aktivasyon fonksiyonu
doğrusal olabileceği gibi doğrusal
olmayabilir (Ceylan, Avan, 2012).
3 REGRESYON ANALİZİ
Regresyon analizi bağımlı değişken ile bir
veya daha çok bağımsız değişken arasındaki
ilişkiyi incelemek amacıyla kullanılan bir
analiz yöntemidir. Bir tek bağımsız
değişkenin kullanıldığı regresyon tek
değişkenli regresyon analizi, birden fazla
bağımsız değişkenin kullanıldığı regresyon
analizi de çok değişkenli regresyon analizi
olarak adlandırılır.
Regresyon analizi sonucunda, ilişki olup
olmadığı ve varsa bu ilişkinin derecesi
korelasyon katsayısı ile hesaplanır.
Korelasyon katsayısı r ile gösterilir ve -1
ile +1 arasında değerler alır. Korelasyon
katsayısı 0,00-0,25 aralığında "Çok Zayıf";
0,26-0,49 aralığında "Zayıf"; 0,50-0,69
aralığında" Orta"; 0,70-0,89 aralığında
"Yüksek", 0,90-1,00 aralığında ise" Çok
Yüksek" olarak yorumlanır (Doymuş, 2016).
4 DENEYSEL ÇALIŞMALAR
Bu çalışma kapsamına Muğla bölgesinde 6
ayrı fabrikada üretimi gerçekleştirilen ticari
isimleri Muğla Beyaz, Milas Limon, Milas
Leylak ve Muğla Mor mermerleri
kullanılmıştır. Mermerlerin blok üretimi
gerçekleştirildiği ocak ve fabrika
lokasyonları Çizelge 1’de verilmiştir.
Çizelge 1. Çalışma kapsamında kullanılan
mermerler ve üretim lokasyonları (Güney,
2011)
Kayaç
Adı
Jeolojik
Sınıfı
Fabrika Adı
Fabrika
Lokasyonu
Ocak
Lokasyonu
Milas Limon
Mermer
Ayhan
Mermer
Yatağan
Kestaneci
Milas Beyaz
Mermer
Dur-taş
Mermer
Yatağan
Milas
Milas Leylak
Mermer
dumanlar
Mermer
Bayır
Kestaneci
Köyü
Muğla Mor
Mermer
Dumanlar
Mermer
Bayır
Kestaneci
Köyü
Muğla Beyaz
Mermer
Ermaş
Mermer
Yatağan
Yatağan
Muğla Beyaz
Mermer
Demircioğlu
Mermer
Yatağan
Bayır
Muğla Beyaz
Mermer
Kırcı
Mermer
Yatağan
Kozağaç
Köyü
Shore ve Schimidt yüzey sertlikleri
kayaçların dokusunu temsil etmelerine
bağlı olarak kayaçların dayanımları,
delinebilirlikleri ve kesilebilirliklerinin
tahmininde ucuz, kolay ve pratik
olmalarından dolayı bir çok çalışmada
önemli parametreler olarak kullanılıştır.
Bu çalışma kapsamında araziden alınan
örneklerin laboratuvar ortamında ISRM
(2007)’ye göre Schmidt sertliği, Altındağ ve
Güney (2006)’ya göre Shore sertlikleri
belirlenmiştir. Sertlik değerleri belirlenmesi
sonrasında blokların fabrika ortamında ST
makineleri ile kesimi gerçekleştirilerek
saatlik üretim miktarları belirlenmiştir. Elde
edilen verilerin 28 tanesi yapay sinir ağı ve
regresyon analizlerinde model oluşturmak
için kullanılmış olup Çizelge 2’de
verilmiştir. Test kümesi verileri ise her
fabrikadan rastgele birer tane seçilmiş olup
Çizelge 3’te verilmiştir.
Çizelge 2. YSA ve regresyon modellerinin
oluşturulmasında giriş verisi olarak
kullanılan deney verileri (Güney, 2011)
Kayaç
Adı
Saatlik
Üretim (m2/h)
Shore
Sertliği
Schmidt
Sertliği
Milas
Limon
27
47,2
58
27
47
56
27
47,3
56
30
47,2
56
Milas
Beyaz
33
45,5
58
33
45,2
55
38
45,3
56
37
45
56
Milas
leylak
26
49,2
62
26
48,5
63
26
49,9
63
26
47,1
61
Muğla
Mor
24
51,6
66
24
49,4
66
24
51,7
65
24
50,2
63
Muğla
Beyaz
27
47,6
55
27
45,8
52
28
46,1
55
29
45,2
50
Muğla
Beyaz
26
45,6
54
27
45,1
50
28
45
52
28
44,2
49
Muğla
Beyaz
31
42,8
53
34
43,1
54
34
44
54
34
43
52
Çizelge 3. YSA ve regresyon modellerinin
test edilmesinde kullanılan test verileri
(Güney, 2011)
Kayaç Adı
Fabrika
Adı
Ölçülen Saatlik
Üretim (m2/h)
Shore
Sertliği
Schmidt
Sertliği
Milas Limon
Ayhan
Mermer
30
47,1
55
Milas Beyaz
Dur-Taş
Mermer
33
45,2
56
Milas Leylak
Dumanlar
Mermer
26
48,3
62
Muğla Mor
Dumanlar
Mermer
24
51,6
64
Muğla Beyaz
Ermaş
Mermer
29
46
52
Muğla Beyaz
Bayır
Mermer
27
44,8
51
Muğla Beyaz
Kırcı
Mermer
34
43,8
53
Sertlik değerleri kullanılarak yapay sinir ağı
ve regresyon analizlerinden 3’er adet model
oluşturulmuş olup tahmin edilen saatlik
üretim miktarı ile fabrika ortamında ölçülen
saatlik üretim miktarı arasındaki ilişkiler
istatistiksel olarak incelenmiştir.
4.1 Saatlik Üretim Miktarı Tahmini İçin
YSA Modellerinin Oluşturulması
YSA’lar biyolojik sinir ağı modelinin
yapısını ve işlevini taklit ederek oluşturulan
zeki bir sistemdir. YSA’nın eğitilebilmesi ve
hedef çıktılara ulaşılması için çok sayıda
girdi ve girdilere ilişkin çıktı dizisine
gereksinim duyulur. YSA’nın yapısını
temelde giriş, gizli ve çıkış katmanları
oluşturmaktadır. Bu katmanlarda neuron,
bağlantılar ve ağırlıklar olmak üzere
bileşenler bulunmaktadır. Bu üç bileşen ağın
yapısı oluşturulduktan sonra eğitim ve test
aşaması olarak bilinen matematiksel süreçte
kullanılmaktadır (Taşdemir, 2011)
Bu çalışma kapsamında YSA modelleri
MATLAB R2009a yazılım programında
bulunan Neural Network (nntool)
kullanılarak oluşturulmuştur. YSA
modellemesinde 3 farklı modelleme
yapılmıştır. Birinci modelde Shore sertliği,
ikinci modelde Schimidt sertliği üçüncü
modelde de ise her iki sertlik değerleri giriş
parametresi olarak girilmiştir. Oluşturulan üç
modelde de üretim miktarı çıkış
parametresidir.
YSA ile üretim miktarı tahmin edilirken
birçok farklı mimarisi denenmiştir.
Genellikle mühendislikte yaygın olarak
kullanılan ileri beslemeli geri yayılım
algoritması kullanılmıştır. En iyi sonuçların
elde edildiği ağ mimarileri YSA-I, YSA-II,
YSA-III olarak tanımlanmış olup model
yapıları Çizelge 4’ te verilmiştir.
Çizelge 4. YSA model yapıları
Tasarlanan modellerden üçüncüsü olan
YSA-III modelinin yapısı ve bileşenleri
Şekil 1’de, MATLAB 2009a programındaki
gösterimi ise Şekil 2’de verilmiştir.
Şekil 1. YSA–III’e ait ağ mimarisinin yapısı
Şekil 2. YSA -III mimarisinin MATLAB
2009 programında gösterimi
Bu modellemeler ile kayaçların sertlik
değerlerini kullanarak fabrika ortamında
dairesel testere ile kesim gerçekleştiren blok
kesme makinelerinin saatlik üretim
miktarları tahmin edilmeye çalışılmıştır.
YSA modellerinden elde edilen sonuçlar ile
fabrika ortamında belirlenen saatlik üretim
değerleri Çizelge 5’de verilmiştir.
Çizelge 5. Fabrika ortamında ölçülen ve
YSA modelleri ile tahmin edilen saatlik
üretim miktarları
Kayaç
Adı
Ölçülen Saatlik
Üretim Miktarı
(m2/h)
YSA-I
Tahmini
(m2/h)
YSA -II
Tahmini
(m2/h)
YSA -III
Tahmini
(m2/h)
Milas Limon
30
29
31
29
Milas Beyaz
33
31
32
34
Milas Leylak
26
27
26
24
Muğla Mor
24
25
25
25
Muğla Beyaz
29
30
29
28
Muğla Beyaz
27
32
28
28
Muğla Beyaz
34
33
30
35
4.2 Saatlik Üretim Miktarı Tahmini İçin
Regresyon Modellerinin Oluşturulması
YSA da oluşturulan modellerinin yanı sıra
SPSS 17 programı kullanılarak regresyon
analizleri de yapılmıştır. YSA eğitiminde
olduğu gibi Çizelge 2’de verilen giriş
verileride regresyon analizlerinde model
oluşturmak için kullanılmış olup aynı şekilde
Çizelge 3’te verilen değerler de test verisi
olarak kullanılmıştır. Regesyon analizlerinde
saatlik üretim miktarı değerleri bağımlı
değişken olup Shore sertliği ve Schmidt
sertlik değerleri bağımsız değişkenlerdir.
Saatlik üretim miktarı değerleri ile Shore ve
Schimdt sertlik değerleri arasında ayrı ayrı
regresyon analizleri yapılmış olup her iki
sertlik değeri kullanılarak da çoklu
regresyon analizi yapılmış ve saatlik üretim
miktarı tahmin edilmeye çalışılmıştır.
Regresyon analizleri sonucunda elde edilen
modeller Çizelge 6’da, analizlerden elde
edilen tahmin değerleri ile fabrika ortamında
belirlenen saatlik üretim değerleri ise
Çizelge 7’de verilmiştir.
Çizelge 6. Regresyon analizlerinden
oluşturulan modeller
Model
Adı
Model
r
t
F
R-I
SÜM=83,665-1,186 SH
0,71
7,756
25,984
R-II
SÜM=50,317-0,380 SCH
0,48
6,425
7,641
R-III
SÜM=94,525+0,402SCH-
1,914 SH
0,75
8,109
16,308
SÜM: Saatlik Üretim Miktarı, SH: Shore
Sertliği, SCH: Schmidt Sertliği
Çizelge 7. Fabrika ortamında ölçülen ve
regresyon modelleri ile tahmin edilen üretim
miktarları
Kayaç
Ölçülen Saatlik
Üretim Miktarı
(m2/h)
R-I
Tahmini
(m2/h)
R-II
Tahmini
(m2/h)
R-III
Tahmini
(m2/h)
Milas Limon
30
28
29
29
Milas Beyaz
33
30
29
34
Milas Leylak
26
26
27
24
Muğla Mor
24
22
26
25
Muğla Beyaz
29
29
31
28
Muğla Beyaz
27
31
31
28
Muğla Beyaz
34
32
30
35
4.3 Saatlik Üretim Miktari Değerleri İle
YSA-I ve R-I Model Tahminleri
Arasindaki İlişkiler
Shore sertlik değerinin giriş, üretim
miktarının ise çıkış parametresi olarak
belirlendiği YSA-I ve R-I modelinden
tahmin edilen saatlik üretim miktarı
değerleri ile ölçülen üretim miktarı
arasındaki ilişkiler Şekil 4 ve Şekil 5’te
incelenmiştir. Fabrika ortamında ölçülen
saatlik üretim miktarı ile YSA-I arasında
0,788 R-I arasında ise 0,791 korelesyon
katsayıları elde edilmiştir. Her iki modelden
elde edilen tahmin değerleri ile fabrika
üretim değerlerinin karşılaştırmalı sonuç
grafiği Şekil 6’da verilmiş olup tahmin
edilen değerlerin ölçülen değerler ile anlamlı
ilişki içinde olduğu belirlenmiştir.
Şekil 4. Saatlik üretim miktarı değerleri ile
YSA-I tahmin değerleri arasındaki ilişki
Şekil 5. Saatlik üretim miktarı değerleri ile
R-I tahmin değerleri arasındaki ilişki
Şekil 6. Saatlik üretim miktarı değerleri ile
YSA-I ve R-I tahmin verilerinin
karşılaştırmalı sonuç grafiği
4.4 Saatlik Üretim Miktarı Değerleri İle
YSA-II ve R-II Model Tahminleri
Arasındaki İlişkiler
Schmidt sertlik değerinin giriş, üretim
miktarının ise çıkış parametresi olarak
belirlendiği YSA-II ve R-II modelinden
tahmin edilen saatlik üretim miktarı
değerleri ile ölçülen üretim miktarı
arasındaki ilişkiler Şekil 7 ve Şekil 8’te
incelenmiştir. Fabrika üretim miktarı ile
YSA-II tahmini arasında 0,846 R-II tahmini
arasında ise 0,582 korelesyon katsayıları
elde edilmiş olup YSA’nın regresyon
tahminlerine göre fabrika üretim değerleri ile
yüksek ilişki içinde olduğu belirlenmiştir.
Her iki modelden elde edilen tahmin
değerleri ile fabrika üretim değerlerinin
karşılaştırmalı sonuç grafiği Şekil 9’da
verilmiştir.
Hatalı tahmin
Şekil 7. Saatlik üretim miktarı değerleri ile
YSA-II tahmin değerleri arasındaki ilişki
Şekil 8. Saatlik üretim miktarı değerleri ile
R-II tahmin değerleri arasındaki ilişki
Şekil 9. Saatlik üretim miktarı değerleri ile
YSA-II ve R-II tahminlerinin karşılaştırmalı
sonuç grafiği
4.5 Saatlik Üretim Miktarı Değerleri ile
YSA-III ve R-III Model Tahminleri
Arasındaki İlişkiler
Shore ve Schmidt sertlik değerlerinin
giriş, saatlik üretim miktarının ise çıkış
parametresi olarak belirlendiği YSA-III
modellinden elde edilen veriler ile her iki
sertlik değeri ile yapılan çoklu regresyon
analizi sonucunda R-III modelinden tahmin
edilen saatlik üretim miktarı değerleri Şekil
10 ve Şekil 11’de incelenmiştir. Fabrika
saatlik üretim miktarı ile YSA-III arasında
0,954 R-III arasında ise 0,825 korelesyon
katsayıları elde edilmiştir. YSA III’ün diğer
YSA ve regresyon modellerine re gerçek
veriler ile yüksek ilişki içinde olduğu
belirlenmiştir.
Her iki modelden elde edilen tahmin
değerleri ile fabrikadaki saatlik üretim
değerlerinin karşılaştırmalı sonuç grafiği
Şekil 12 ve Şekil 13’te ayrı ayrı verilmiş
olup Şekil 12’de YSA verilerinin gerçek
veriler ile örtüştüğü görülmüştür.
Şekil 10. Saatlik üretim miktarı değerleri ile
YSA-III tahmin değerleri arasındaki ilişki
Şekil 11. Saatlik üretim miktarı değerleri ile
R-III tahmin değerleri arasındaki ilişki
Şekil 12. Saatlik üretim miktarı değerleri ile
YSA-III verilerinin karşılaştırmalı sonuç
grafiği
Şekil 13. Saatlik üretim miktarı değerleri ile
R-III analizi verilerinin karşılaştırmalı sonuç
grafiği
6 SONUÇLAR
Doğal taş işleme tesislerinde kayaçların
kesilebilirliği ve blok kesme makinelerin
saatlik üretim miktarlarının tahmini, fabrika
kurulumu öncesinde yapılacak fizibilite
çalışmalarında letmenin ekonomisi ve
devamlılığı açısından önemli olmaktadır.
Kesimi gerçekleştirilecek kayacın
mühendislik özelliklerinin belirlenmesi ve
bu özellikler dikkate alınarak üretim
planlamasının yapılması işletme üzerinde
önemli rol oynamaktadır.
Bu çalışma kapsamında araziden alınan
örneklerin laboratuvar ortamında Schmidt ve
Shore sertlikleri belirlenmiştir. Sertlik
değerleri belirlenmesi sonrasında blokların
fabrika ortamında ST makineleri ile kesimi
gerçekleştirilerek saatlik üretim miktarları
belirlenmiştir. Daha sonrasında da bu veriler
kullanılarak Yapay sinir ağları (YSA) ve
regresyon analizleri ile modeller
oluşturulmuş olup saatlik üretim miktarları
tahmin edilmiştir.
Fabrika ortamında belirlenen saatlik
üretim miktarı değerleri ile oluşturulan
yapay sinir ağı ve regresyon modellerinden
elde edilen tahmini saatlik üretim miktarı
değerleri arasındaki ilişkiler istatistiksel
olarak incelenmiştir. İncelemeler sonucunda
yapay sinir ağı modellerinin regresyon
modellerine göre gerçek değerlere daha
yakın sonuç verdiği belirlenmiş olup
oluşturulan veri seti için yapay sinir ağı ile
saatlik üretim miktarının tahmin
edilebileceği belirlenmiştir.
Gerek YSA da giriş parametreleri gerekse
regresyon analizlerinde bağımsız değişkenler
ve veri sayıları artırıldığında oluşturulacak
modeller ile gerçeğe daha yakın tahminler
elde edilebileceği düşünülmektedir. Ancak
Kayaçların fiziko-mekanik özelliklerinin
belirlenmesinde numune temin zorluğu ve
standartlarda belirtilen ebatlara göre numune
hazırlama güçlüğü, deneylerin zaman alıcı
olması gibi nedenlerle çalışmada en az
parametre ile en iyi tahmin değerleri elde
edilmeye çalışılmıştır.
KATKI BELİRTME
Bu çalışma Ahi Evran Üniversitesi BAP
Koordinatörlüğü KMY.E2.17.007 numaralı
projesi tarafından desteklenmiştir.
KAYNAKLAR
Altindag, R., Guney, A., 2006. ISRM Suggested
Method for Determining Shore Hardness
Value for rock. International Journal of Rock
Mechanics and Mining Sciences, 43, 996-997
Büyüksağiş, İ.,S., 1998. Dairesel Blok Kesme
Makinalarında Mermerlerin Kesilebilirlik
Analizleri, Osmangazi Üniversitesi Fen
Bilimleri Enstitüsü, Doktora Tezi, 172 s,
Eskişehir.
Caner, M., ve Akarslan, E. 2009. Mermer Kesme
İşleminde Spesifik Enerji Faktörünün ANFIS ve
YSA Yöntemleri ile Tahmini, Pamukkale
Üniversitesi Mühendislik Bilimleri Dergisi, 15
(2) 233-239.
Ceylan, H., Avan, M., 2012. Türkiye’deki İş
Kazalarının Yapay Sinir Ağları ile 2025 Yılına
Kadar Tahmini, International Journal of
Engineering Research and Development, vol. 4,
pp. 46-54
Güney, A., 2011. Performance Prediction of Large-
Diameter Circular Saws Based on Surface
Hardness Tests for Mugla (Turkey) Marbles,
Rock Mechanics Rock Engineering, Vol. 44, pp
357-366
Güvenç, U., Dursun, M., Çimen, H., 2011. Mermer
Kesme İşleminde Kesim Süresinin Yapay Sinir
Ağı Tabanlı Modellenmesi, SDU International
Technologic Science, vol.3 pp 9-16
ISRM,2007. The complete ISRM suggested
methods for rock characterization, testing and
monitoring: 1974-2006, (Ulusay, R., Hudson,
J.A., Editors), Kozan Ofset, s.628, Ankara.
İnan, A., 1999. Yapay Sinir Ağlarının Güç
Sistemlerinde Kullanım Alanları, Kaynak
Elektrik, Sayı119, 104-114
Kahraman, S., Altun, H., Tezekici, B.,S., Fener, M.,
2006. Sawability Prediction of Carbonate Rocks
from Strength Parameters Using Artifical Neural
Networks, International Journal of Rock
Mechanics & Mining Sciences, Vol.43, pp.157-
164
Kaya, İ., Oktay, S.,Engin, O., 2005. Kalite Kontrol
Problemlerinin Çözümünde Yapay Sinir
Ağlarının Kullanımı, Erciyes Üniversitesi, Fen
Bilimleri Enstitüsü Dergisi, 21(1-2),92-107
Şengün, N., 2009. Kayaçların Kırılma Tokluğu Ve
Gevrekliğinin Dairesel Testereler İle Kesme
Verimi Üzerine Etkileri, (Doktora Tezi),
Süleyman Demirel Üniversitesi Fen Bilimleri
Enstitüsü, 165s, Isparta
Şengün, N., Altındağ, R., Koçcaz, C., E., 2009.
Isparta Yöresinde Bulunan Bazı Mağmatik
Kökenli Kayaçların Kesilebilirlik Analizi, DEÜ
Mühendislik Fakültesi Fenv Mühendislik
Dergisi, cilt 11, sayı 31
Taşdemir, Ş., 2011. Yüzey Pürüzlülüğünün Yapay
Sinir Ağı ve regresyon modelleri ile
Belirlenmesi ve Karşılaştırılması
Ünver, B., 1992. Kayların Testerelerle
Kesilebilirliğinin Pratik Olarak
Belirlenebilmesi İçin İstatistiksel Yaklaşım,
Madencilik, 31,3.
Büyüksağiş, İ.S., Göktan, R.,M., 2005. Investigation
of Marble Machining Performance Using
an Instrumented Block-Cutter”, Journal of
Materials Processing Tech., Vol. 169, pp.
258-262.
Büyüksağiş, I.S., 2007. Effect of Cutting Mode on
the Sawability Of Granites Using Segmented
Circular Diamond Sawblade, Journalof
Materials Processing Tech., Vol. 183, pp.
399-406.
Doymuş, K.,2016. Korelasyon Analizi.
ErişimTarihi:05.01.2016.https://kemaldoymus.
files.wordpress.com/2009/12/korelasyon.ppt
Yurdakul, M., Karbonat Kokenli Doğal Tasların
Yapay Sinir Ağları ile Kesilebilirlik Tayini,
Osmangazi Üniversitesi Fen Bilimleri
Enstitü Doktora Tezi, 201 s, Eskisehir.
Yurdakul, M., Akdaş, H., 2012, Prediction of
Specific Cutting Energy for Large Diameter
Circular Saws During Natural Stone Cutting.
International Journal of Rock Mechanincs &
Mining Sciences,53,38-44
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
Statisticalmethodsre-utilizedforthepredictionofspecificcuttingenergyvalues(SEcut) basedonthe operational variablesofblockcuttersandrockproperties.Performancemeasurementsofsevendifferent types ofblockcutterswereappliedtosixdifferentcarbonaterocksandthreestoneprocessingplants. Energyconsumptionoflargediametercirculardiamondsawblockcutterswasmeasuredandrecordedfor a numberofsawbladediametersduringthecuttingprocessbymeansofaportablepoweranalyzer. Additionally,rocksampleswerecollectedfromstoneprocessingplantsforlaboratorytests.Uniaxial compressivestrength,bendingstrength,Braziliantensilestrength,pointloadstrength,Shorehardnesstest, Schmidthammerhardnesstest,seismicvelocity,waterabsorptionatatmosphericpressure,apparent density,openporosity,sawbladediameter,anddepthofcutvalueswereusedasinputparametersinthe analysisforthepredictionof SEcut. Thereliabilityofthedevelopedmodelwastestedwithstatistical methods.The SEcut values forcarbonaterocksinthestonecutting processcanbepredictedsuccessfullyfor large diametercircularsawsinnaturalstoneprocessingbyusingthemodeldevelopedhere.
Article
Full-text available
ZET İşletmeler arasındaki artan rekabet, yüksek kalite standartlarını önemli bir hale getirmiştir. Bunun yanı sıra müşteri memnuniyeti de rekabetçi bir iş ortamında önemlidir. Bundan dolayı işletmeler esnek olmalıdır. Esneklik için üretim ve kalite kontrol sistemleri otomatik ve değişikliklere uyumlu olmalıdır. Otomatik bir kalite kontrol sistemi için yapay zekâ teknikleri kullanılmaktadır. Bu çalışmada yapay sinir ağlarının kalite kontrol problemlerindeki uygulamaları araştırılmıştır. Desen tanıma, tahmin, sınıflandırma gibi pek çok kalite kontrol problemi için yapay sinir ağları kullanılmaktadır. YSA yaklaşımı ile birlikte kalite kontrol faaliyetleri daha kolay olmakta, maliyetler ve muayene süreleri minimize edilebilmektedir. Çalışmada, yapay sinir ağlarının uygulamaları, avantaj ve dezavantajları incelenmiştir. ABSTRACT Increasing competition between companies made high quality standards very important. Also customer satisfaction is important in a competitive business environment. Hence, companies must be flexible. Manufacturing and quality control systems must be automatically and be able to adapt to change for flexibility. Artificial intelligence techniques are used to perform an automatically control system. In this paper, artificial neural network applications for quality control problems are reviewed. Neural networks are used a number of quality control problems, such as pattern recognition, forecasting, classification. Quality control functions are became easier, and the cost of it and time for inspection is minimized by using neural network approach. In this paper, artificial neural network (ANN) applications, its advantages and disadvantages are investigated.
Article
Circular sawing with diamond segmented sawblades is a machining process that represents a major cost item in the processing of marbles and other natural stones. Therefore, determining the optimum sawing conditions for a particular stone is of major importance in stone processing industry. In this work, utilising a fully instrumented block-cutter, an experimental study was carried out to investigate the sawing performances of seven different types of marbles during circular sawing with a diamond segmented sawblade. The sawing tests were performed in the down-cutting mode. The two main sawing parameters, depth of cut and workpiece travel speed were varied in the pursuit of optimum sawing performance. Considering specific energy as a criterion of sawing efficiency, optimum sawing conditions valid for the tested marbles have been determined. Finally, statistically reliable equations were established to predict specific energy of sawing from simple laboratory rock property test procedures.
Article
Shore hardness (SH) has been accepted as a convenient and nondestructive method in measuring the hardness of rocks and widely used in rock mechanics since it can be correlated with other mechanical properties of weak rocks, such as uniaxial compressive strength (UCS). However, a need has arisen to propose a standard method as a measure of SH to minimize the errors when it is utilized as a predictor of the UCS as well as other mechanical properties of rocks. Over the last few decades, several studies have been conducted to predict consistent SH values using different procedures. However, the results of the tests can not be compared and analyzed in an overall way. Therefore, this experimental study was implemented to meet and discuss the demand for a new method to determine standardized SH values. In result, a new empirical equation was proposed to estimate size-corrected values of SH based on a critical specimen volume of 80cm3.
Article
Surface hardness tests such as Shore hardness (SH) and Schmidt hammer rebound hardness (SR) may provide a quick and inexpensive measure of rock hardness, which may be widely used for estimating the mechanical properties of rock material such as strength, sawability, drillability and cuttability. In the marble industry, circular sawing with diamond sawblades constitutes a major cost in the processing. Therefore, several models based on the relations between hourly slab production (P hs), rock surface hardness (SH and SR) and mineral grain size (S cr) were developed using the data obtained from field and laboratory measurements on five different marbles quarried in the Mugla Province of Turkey. The models which include surface hardness and crystal size may as well be used for the prediction of sawability (hourly slab production) of carbonate rocks using large-diameter circular saws. KeywordsShore hardness–Schmidt hammer rebound number–Rock sawability–Large-diameter circular saws–Crystal size
Article
Wear and energy consumption are the two main cost items in the processing of natural stones using segmented circular diamond sawblades. Hence, there are many benefits to be gained in understanding the various aspects of this process. The present study was undertaken to examine the effect of cutting mode on the sawing performance of some selected granites. Two cutting modes, up-cutting and down-cutting, were employed in the experiments. Six different types of granites which have substantial market demand were used as workpiece materials for the sawing experiments. Experimental tests were conducted on a fully instrumented experimental block-cutter. Considering the specific wear rate of the sawblade and specific energy of cutting as the main performance criteria of the process, the variations in specific wear rate of the sawblade and specific energy consumption of cutting for each employed cutting mode were analyzed. Valid for all tested granite types, the experimental results showed that specific wear rate and specific energy values obtained in the up-cutting mode are less than those of the down-cutting mode, indicating a more efficient cutting process. The obtained results show that high values of specific energy are associated with high specific wear rates of the sawblade. Also, a stepwise linear multiple regression analysis was performed in order to be able to determine the combined effect of the most dominant mineralogical and physico-mechanical rock properties on specific wear rate and specific energy for both up-cutting and down-cutting modes. The statistical analysis indicated the bending strength and plagioclase percent as the most dominant rock parameters in the prediction of specific wear rate and specific energy of cutting.
The complete ISRM suggested methods for rock characterization, testing and monitoring
  • R Ağı Tabanlı Modellenmesiulusay
  • J A Hudson
Ağı Tabanlı Modellenmesi, SDU International Technologic Science, vol.3 pp 9-16 ISRM,2007. The complete ISRM suggested methods for rock characterization, testing and monitoring: 1974-2006, (Ulusay, R., Hudson, J.A., Editors), Kozan Ofset, s.628, Ankara.
Yapay Sinir Ağlarının Güç Sistemlerinde Kullanım Alanları
  • A İnan
İnan, A., 1999. Yapay Sinir Ağlarının Güç Sistemlerinde Kullanım Alanları, Kaynak Elektrik, Sayı119, 104-114
Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü
  • N Şengün
  • N Isparta Şengün
  • R Altındağ
  • C Koçcaz
Şengün, N., 2009. Kayaçların Kırılma Tokluğu Ve Gevrekliğinin Dairesel Testereler İle Kesme Verimi Üzerine Etkileri, (Doktora Tezi), Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, 165s, Isparta Şengün, N., Altındağ, R., Koçcaz, C., E., 2009. Isparta Yöresinde Bulunan Bazı Mağmatik Kökenli Kayaçların Kesilebilirlik Analizi, DEÜ Mühendislik Fakültesi Fenv Mühendislik Dergisi, cilt 11, sayı 31