Makine öğrenmesi yöntemleri ile hibrit ve kompozit ZA-27 alaşımlarının aşınma davranışlarının karşılaştırmalı analizi

Çinko alüminyum alaşımları, yüksek mukavemet, iyi dökülebilirlik ve üstün aşınma direnci gibi mekanik özellikleri nedeniyle endüstride önemli bir rol oynamaktadır. Özellikle ZA-27 alaşımı, bu özellikleriyle pirinç, dökme demir ve bronza kıyasla daha üstün performans göstermekte ve torna tezgâhı, su pompaları, çim biçme makineleri, tekstil ve otomotiv sanayisi gibi çeşitli alanlarda yaygın olarak kullanılmaktadır. Son yıllarda ZA-27 alaşımının aşınma direncini daha da artırmak amacıyla yapılan çalışmalar büyük bir ivme kazanmıştır. Bu çalışmada, ZA-27 alaşımına SiC ve Grafit partikülleri eklenerek üretilen hibrit kompozit malzemelerin aşınma direnci performanslarının tahmin edilmesi amaçlanmıştır. Aşınma direncinin iyileştirilmesi için yapılan deneyler maliyet, zaman ve iş gücü açısından yüksek gereksinimler doğurduğundan, bu çalışmada makine öğrenmesi yöntemleri kullanılarak deney sayısının minimize edilmesi ve ara değerler hakkında tahminlerde bulunulması hedeflenmiştir. Çalışmada, 240 adet veri seti %80 eğitim ve %20 test verisi olarak ayrılmış, Python ve MATLAB platformlarında çeşitli makine öğrenmesi modelleri uygulanmıştır. Bu modeller arasında Doğrusal Regresyon (LR), Karar Ağacı Regresyonu (DTR), Rasgele Orman Regresyonu (RFR), Destek Vektör Regresyonu (SVR), Yapay Sinir Ağları (ANN), Uyarlamalı Ağ Tabanlı Bulanık Çıkarım Sistemi (ANFIS) ve Gauss Süreç Regresyonu (GPR) yer almaktadır. Modellerin performansları, Ortalama Kare Hatası (MSE), Hata Kareler Ortalamasının Karekökü (RMSE), Ortalama Mutlak Hata (MAE) ve Mutlak Değişim Yüzdesi (R²) istatistikleri kullanılarak değerlendirilmiştir. Elde edilen sonuçlar, ANFIS modelinin diğer modellere kıyasla üstün performans gösterdiğini ve en düşük hata değerleri ile en yüksek doğruluk oranlarına sahip olduğunu net bir şekilde ortaya koymuştur. ANFIS modelinin ortalama kare hata (MSE) değeri 0.0428 olarak hesaplanmış olup, bu değer, değerlendirmeye alınan diğer modellerden anlamlı derecede düşüktür. Ayrıca, R² değeri açısından 0.9291 gibi yüksek bir başarıya ulaşarak, ANFIS modelinin verilerin açıklanabilirliğinde ve tahmin doğruluğunda ne kadar güçlü bir araç olduğunu göstermiştir. Bu modelin ardından Yapay Sinir Ağları (ANN) ve Gauss Süreç Regresyonu (GPR) modelleri de yüksek doğruluk oranları ile öne çıkmıştır. ANN modelinin MSE değeri 0.0516 ve R² değeri 0.9168 olarak bulunurken, GPR modelinin MSE değeri 0.0652 ve R² değeri 0.9024 olarak hesaplanmıştır. Bu sonuçlar, SiC ve Grafit partikülü takviyeli ZA-27 hibrit kompozit malzemelerinin aşınma direncini artırmadaki potansiyelini ve makine öğrenmesi yöntemlerinin bu tür malzeme performansı tahminlerinde etkin bir araç olduğunu ortaya koymaktadır. Sonuç olarak, bu çalışma, ZA-27 alaşımının aşınma direncini artırmada yapay zekâ ve makine öğrenmesi yöntemlerinin etkinliğini vurgulamakla kalmamış, aynı zamanda endüstriyel uygulamalarda deney maliyetlerini düşürmenin de mümkün olduğunu göstermiştir. Çalışma, gelecekte daha geniş veri setleri, farklı alaşım bileşimleri ve daha karmaşık modelleme yaklaşımları ile gerçekleştirilecek araştırmalar için önemli bir referans noktası oluşturmaktadır. Özellikle, makine öğrenmesi tabanlı yöntemlerin bu tür mühendislik problemlerinde yenilikçi ve uygulanabilir çözümler sunduğu bir kez daha kanıtlanmıştır.