Seçici lazer ergitme prosesi ile üretilen parçaların yapısal ve dinamik özelliklerinin makine öğrenmesi ve sonlu elemanlar analizi yöntemleri kullanılarak veri odaklı optimizasyonu

Seçici Lazer Ergitme yöntemi (SLE), Metal Eklemeli İmalat tekniğine üye olan Toz Yataklı Füzyon üretim yönteminin en popüler dallarından biridir. SLE, parça tasarım esnekliği, geniş malzeme yelpazesi, nispeten az miktarda hammadde israfı, düşük üretim süreleri, minimum montajlama vb. açılardan avantajlı özelliklere sahiptir. Bu teknik, Lazer Gücü, Tarama Hızı, Tarama Mesafesi, Lazer Işın Çapı, Katman Kalınlığı gibi üretim kalitesinde önemli rol oynayan farklı proses parametrelerine sahiptir. Üretilen parçalardan daha iyi yapısal performans elde edilmesi amacıyla proses parametreleri ayarlanabilmektedir. Termomekanik bir yapıya sahip olan bu yöntem, Sonlu Elemanlar Analizi (FEA) gibi nümerik uygulamalarla üretilen parçalarda yapısal özelliklerinin iyileştirilmesi ve prosesin daha iyi anlaşılması amacıyla modellenebilmektedir. Bununla beraber, Makine Öğrenmesi gibi veriler üzerinden tahmin modelleri oluşturabilen yapay zekâ araçları, son zamanlarda büyük gelişme kaydetmektedir. Makine öğrenmesi, girdiler ve çıktılar arasında ilişki kurabilmektedir. Bu nedenle, SLE ile üretilen parçaların mekanik özelliklerini tahmin etmek için proses parametrelerinin iyileştirilmesinde bu yöntem kullanılabilmektedir. Doğası gereği SLE, doğrusal olmayan bir proses olması sebebiyle birden fazla girdi ve çıktı arasında oluşturulacak olan ilişkinin çok hedefli ve kısıtlamalı optimizasyona uygunluğu bu tezde araştırma konusu olmuştur. Tezin ana amacı, makine öğrenmesi ve nümerik modelleme yöntemleri kullanarak proses parametrelerini ayarlayan ve parçaların bağıl yoğunluk, elasitisite, yüzey pürüzlülüğü, vb. yapısal özellikleri ile doğal frekans, mod şekilleri gibi dinamik özelliklerini minimum maliyet ve zamanla iyileştiren ve uygulanan malzemeden bağımsız olan bir tahmin – optimizasyon modeli oluşturmaktır. Bu tez kapsamında, SLE parçalarının yapısal özellikleri; Yapay Sinir Ağları, Destek Vektör Makineleri gibi farklı makine öğrenmesi yöntemleri ile tahmin edilmiş ve FEA ile doğal frekans ve mod şekilleri üzerinden dinamik analizleri yapılmıştır. Bu bağlamda, derin bir literatür araştırması yapılmış, deneysel tasarım yöntemi kullanılarak tahmin modelleri oluşturmuştur. Makine öğrenmesi modellerinin performansları analiz edilmiş ve modeller FEA ile birleştirilerek çok hedefli kısıtlamalı optimizasyon algoritmaları için hazırlanmıştır. Elde edilen veriler, Sıralı Kuadratik Programlama (SQP) ve Tepe Tırmanma gibi algoritmalara uyarlanarak parçaların yapısal dinamiklerinin optimizasyonu gerçekleştirilmiştir. Optimizasyon kısıtları proses parametrelerinin limitlerine göre oluşturulmuştur. Sonuç olarak bu tez çalışması, SLE ile yüksek yapısal özelliklere sahip parçalar üretmek için optimizasyon yöntemlerine, makine öğrenmesi ve FEA modelinin başarılı bir şekilde uyarlanabileceğini kanıtlamıştır. Doğal frekansların malzeme özellikleriyle bağlantılı olduğu, ancak mod şekillerinin değişken malzeme özelliklerinden etkilenmediği de doğrulanmıştır. Ayrıca sonuçlar optimizasyon yöntemleri sayesinde, AlSi10Mg, SS 316L, Inconel 718 gibi yenilikçi alaşımlardan yüksek performanslı parça üretiminin mümkün olduğunu göstermiş ve kurgulanan modelin seçilen malzeme türünden bağımsız olarak çalıştığı vurgulanmıştır. Son olarak Makine Öğrenmesi, FEA ve SQP yöntemlerinin, tahmin, modelleme ve optimizasyon sonuçları açısından birbirleriyle uyumlu olduğu ortaya konmuştur.