Makine öğrenmesi ile 6082-T6 alüminyum alaşımının yorulma ömrünün tahmini

Alüminyum alaşımları otomotiv ve havacılık başta olmak üzere birçok sektörde ilgi gören malzemelerdendir. İlgi görmelerinin en temel nedenlerinden biri çeliğe oranla hafif olmalarıdır. Özellikle 6082-T6 gibi alüminyum alaşımlarının önemli tercih sebeplerinden biri de otomobillerin birçok parçası için yeterli mekanik özellikleri karşılamalarıdır. Çevrimli yüklerde çalışan makine parçaları zamanla yorulmaya maruz kalarak kırılırlar. Özellikle havacılık ve otomotiv sektöründe sık kullanılan alüminyum alaşımlarının yorulma kırılmasına maruz kalacağı çevrim sayısının bilinmesi can güvenliği açısından büyük önem taşır. Yorulma testleri yorulma kırılmasının gerçekleşeceği çevrim sayısını belirlemek için endüstride sürekli olarak tekrarlanır. Makine parçalarının çalışma ortamlarını simüle edebilmek için gerçekçi yüklerle yapılan deneyler çok uzun sürerek zaman kaybına yol açmakta ve enerji kullanımını artırmaktadır. Bu çalışmanın temel amacı, endüstride tekrarlanan yorulma deney sürelerinin kısaltılmasıdır. Yorulma deneylerinde kullanılmak üzere otomotiv sektöründe sıkça kullanılan 6082-T6 alüminyum alaşım malzemesi seçildi. 6082-T6 alüminyum alaşımı kullanılarak yapılan yorulma deneylerinden eksenel kuvvet, eksenel uzama ve yorulma çevrim sayısı verileri toplandı. Ayrıca, DCPD (Doğru Akım Potansiyel Düşüşü) yöntemi ile numune üzerinden elektriksel veriler de eş zamanlı olarak toplandı. Bu yöntemle numuneye sabit 1 amper akım verilerek numune üzerindeki 4 noktadan voltaj ve akım değeri verileri zamana bağlı olarak kaydedildi. Çalışmanın diğer aşamasında, toplanan veriler kullanılarak makine öğrenmesi modelleri geliştirildi ve geliştirilen modellerle tahminler yapıldı. Çalışmanın ilk aşamasındaki tahminlerde karar ağacı, ekstra ağaçlar, rastgele orman, KNN ve XGBoost algoritmaları kullanıldı. İlk aşamadaki tahminler numune temelli tahminler yapıldı. Seçilen girdi değişkenlerine göre hedef değişken olarak belirlenen numunenin çevrim sayısı tahmin edildi. Daha sonra numunelerden biri test numunesi olarak ayrıldı. Kalan 4 numune kullanılarak, LSTM ve LGBM tabanlı bir yaklaşımla oluşturulan topluluk modeli eğitildi. Çalışma ortamını simüle edebilmek için test numunesi verilerinin ilk %50'lik kısmı eğitilen modele verildi ve numunenin ömür tahminini yapması istendi. Çalışmanın son aşamasında fizik temelli bir yaklaşım ile LSTM ve PINN modeli geliştirildi. Fiziksel sınırlandırmalar için Paris-Erdoğan çatlak ilerleme yasası kullanıldı. Bu yaklaşımla, geliştirilen model veriye dayalı tahminler yaparken, aynı zamanda fizik yasalarına da uyması için zorlandı. Sonuçlar değerlendirildiğinde, numune temelli tahminlerde en iyi sonucu karar ağacı algoritması gösterirken en kötü sonucu KNN algoritması verdi. Çalışmanın asıl amacına yönelik diğer aşamalarda ise LSTM ve LGBM topluluk modeli ile R2 değeri yaklaşık olarak 0,896 olarak hesaplandı. Fizik temelli bir yaklaşımla geliştirilen model ise R2 değeri 0,942 olarak bulundu ve yaklaşık olarak %4'lük bir iyileşme sağlandı. Sonuç olarak alüminyum alaşımlarda yorulma deneyi ve DCPD tekniği ile toplanan verilerin, makine öğrenmesi yöntemleri kullanılarak, yorulma kırılması çevrim sayılarının tahmin edilmesinde etkili bir yöntem olduğu ve bu yöntemle yorulma deneylerinin kısaltılabileceği gösterildi. Ayrıca fizik temelli makine öğrenmesi modellerinin gürültülü ve az verideki başarısı da vurgulandı.