Alümi̇nyum alaşimli kolonlarin eği̇lme burkulma yükü tahmi̇ni̇ üzeri̇ne deri̇n öğrenme yöntemleri̇ni̇n karşilaştirilmali bi̇r çalişmasi

Son yıllarda, Alüminyum alaşımlı sütunlar inşaat alanlarında çok yaygın kullanılmaktadır. Bunun sebebi alüminyum alaşımlarının hafifliği, yüksek korozyon direnci, uzun ömürlülüğü, düşük bakım maliyetleri, geri kazanma imkanı, metalin çok yönlülüğü ve sonsuz değişik şekilde profil elde edebilme olanağı gibi pek çok avantaja sahip olmasıdır. Kolonların kritik burkulma yüklerinin hesaplanması ise buradaki en önemli konudur. Bu problem çeşitli hesaplama teknikleri ve bilinen yaklaşımlar kullanılarak giderilmeye çalışılsa da doğrusal olmayan sonuçları içermektedir. Bu da kritik burkulma yükü tahminini zorlaştırmaktadır. Buna rağmen, Isıl işlem görmüş alüminyum alaşımlarının ısıl işlem görmemiş alüminyum alaşımlarına göre daha yüksek prova gerilimi verim mukavemetine sahip olduğu bilinmektedir. Bu çalışmada, ısıl işlem görmüş alüminyum alaşımlı kolonların derin öğrenme yöntemi kullanılarak burkulma yükü tahmini yapılmış softcomputing teknikleri ve laboratuvar ortamından alınan test sonuçları ile karşılaştırılmıştır. Derin öğrenme yöntemi kullanılırken Sequential Modelinden yararlanılmıştır. Derin öğrenmenin optimizer fonksiyonlarından olan Adam, Adamax, Nadam, Adadelta, Adagrad, RMSProp ve SGD ve kullanılarak ayrı ayrı değerlendirilmiştir. Ayrıca, her bir optimizer için hem MAE hem de MSE Loss fonksiyonları kullanılarak sonuçlar değerlendirilmiştir. Çalışmanın sonucunda, derin öğrenme modelinin kullanıldığı veriseti için değer tahmini yaparken birlikte kullanılan hangi Optimizer ve Loss fonksiyonları ikilisinin daha başarılı olduğu anlaşılmıştır.