Python Tabanlı Destek Vektörü Regresyon Modeli Kullanılarak Farklı Isıtma Hızlarında Yaşlandırılmış β Titanyum Alaşımının Sürtünme Katsayılarının Değerlendirilmesi

Abstract

Bu çalışmada, Ti-15V-3Al-3Sn-3Cr metastabil β titanyum alaşımının mikro yapısal ve aşınma özelliklerine yaşlandırma sıcaklığına ısıtma hızının etkisi incelenmiştir. Alaşım yaşlandırma sıcaklığına 0,4°C/dk, 4°C/dk, 25°C/dk ve 50°C/dk olmak üzere dört farklı hızda ısıtılmıştır. Isıl işlemler sonrasında alaşımın mikro yapısal özellikleri Taramalı Elektron Mikroskobu (SEM) analiziyle incelenmiştir. Alaşımın mekanik özellikleri ise mikro sertlik ve aşınma testleri uygulanarak belirlenmiştir. En küçük boyda α fazları (393±43nm) 0,4°C/dk hızla yaşlandırma sıcaklığına ısıtılmış numunede elde edilmiştir. Isıtma hızının artmasıyla birlikte ise α fazları büyümüş ve böylece en yüksek mikro sertlik 0,4°C/dk hızla ısıtılan numunede, en düşük mikro sertlik ise 50°C/dk hızla ısıtılan numunede elde edilmiştir. Aşınma testleri 3N ve 10N olmak üzere iki farklı yükte ve 150 metre ve 400 metre olmak üzere iki farklı kayma mesafesinde uygulanmıştır. Aşınma testi sonrası kütle kaybı yük ve kayma mesafesinin artmasıyla birlikte tüm numune gruplarında artmıştır. Aşınma testleri sonrasında elde edilen verilere, istatistiki veri analizi uygulanarak sürtünme katsayıları tayin edilmiştir. Ayrıca aşınma testinde elde edilen sürtünme katsayısı verileri, %40 test ve %60 eğitim olmak üzere iki sete bölünmüştür. Model performansı, ortalama hata karesi, ortalama karekök sapması ve regresyon değeri dikkate alınarak değerlendirilmiştir. Model, farklı ısıtma hızlarında yaşlandırma sıcaklığına ısıtılmış numunelerin sürtünme katsayılarını %76’nın üzerinde doğrulukla tahmin edebilmiştir.

Keywords

• heating rate
• wear resistance
• metastable β titanium alloy
• machine learning
• support vector regression model
• python
• isıtma hızı
• aşınma direnci
• metastabil β titanyum alaşımı
• makine öğrenmesi
• destek vektörü regresyon modeli
• python