Makine öğrenmesi yöntemi ile fonksiyonel derecelendirilmiş tabakalardaki temas problemi analizi

Bu çalışmada, dairesel iki panç ile yüklenmiş fonksiyonel derecelendirilmiş tabakalardaki temas analizi sonlu elemanlar metodu (SEM) ve Makine Öğrenmesi teknikleri kullanılarak çözüm gerçekleştirilmiştir. Problem, dairesel geometrideki rijit iki panç ile yüklenmiş fonksiyonel dereceli iki tabakadan oluşmaktadır. Dış yükler P ve Q, tabakaya iki rijit panç aracılığıyla aktarılmıştır. Tüm yüzeyler sürtünmesiz olarak dikkate alınmıştır. Fonksiyonel derecelendirilmiş tabakaların sonlu elemanlar modeli ANSYS paket programı kullanılarak oluşturulmuş ve problemin 2 boyutlu analizi gerçekleştirilmiştir. Her iki pançtan elde edilen temas uzunlukları Python ortamına aktarılarak bilgisayara öğretilmiştir. Verilere uygun Makine Öğrenmesi algoritmaları vasıtasıyla ek bir çözüme gerek kalmadan temas uzunluklarının tahmini gerçekleştirilmiştir. Temas uzunlukları tahmin işlemi için Makine Öğrenmesi yöntemlerinden Lineer Regresyon, Rastgele Orman ve En Yakın Komşu Algoritması kullanılmıştır. Temas uzunlukları tahmini için Makine Öğrenmesi yöntemi ile kısa sürede ve hata oranı düşük sonuçlar elde edilmesi hedeflenmiştir. Ayrıca çalışmada pançlar arası mesafeler, yükler, rijitlik parametreleri ve panç yarıçapları gibi parametrelerin temas bölgeleri, ilk ayırma yükleri ve mesafeleri, normal gerilmeler, derinlik boyunca gerilmeler ve temas gerilmeleri üzerindeki etkileri incelenmiştir. Elde edilen bulgular tablo ve grafik halinde sunulmuştur.

In this study, the solution is realized using contact analysis finite element method (FEM) and Machine Learning techniques in functionally graded layers loaded with two circular punches. The problem consists of two layers of functional grade loaded with two rigid punches of circular geometry. The external loads P and Q were transferred to the sheet via two rigid punches. All surfaces are considered actionless. The finite element model of functionally graded layers was created using the ANSYS package program, and a 2-dimensional problem analysis was performed. The contact lengths obtained from both punches were transferred to the Python environment and taught to the computer. By means of Machine Learning algorithms suitable for the data, the contact lengths were estimated without the need for an additional solution. Linear Regression, Random Forest and Nearest Neighbor Algorithm from Machine Learning methods were used for contact length estimation. The estimation of contact lengths aims to obtain results in a short time and with a low error rate with the Machine Learning method. In addition, the effects of parameters such as distances between punches, loads, stiffness parameters, and punch radius on contact zones, initial separation loads and distances, normal stresses, stresses through depth, and contact stresses were investigated. The findings are presented in tables and graphics.