Tio2 katkılı polistiren nanofiber çapı tahmininde yapay sinir ağları modelleme tekniklerinin kullanılması

Geçmişten günümüze yapay sinir ağları (YSA) biyomedikal alanda ve uygulamalarında kullanılmaktadır. Bu tez çalışmasının amacı biyomedikal alanda da sıklıkla kullanılan polistiren (PS) ve titanyum dioksit (TiO2) PS (TiO2-PS) nanofiber üretim aşamasındaki proses parametrelerini tanımlayarak fiber boyutunu başarı ile tahmin edebilecek yapay sinir ağı modelinin uygulanabilirliğinin incelenmesidir. Nanofiberler, sürekli nanofiber üretim yöntemlerinden biri olan elektro-eğirme yöntemi ile üretilmiştir. PS ve TiO2-PS nanofiberlerin yapıları ve boyutları taramalı elektron mikroskobu ile görüntülenmiştir. Çalışmanın ilk aşamasında PS, TiO2-PS, PS ve TiO2-PS nanofiberler olarak üç gruba ayrılan nanofiberlerinin çapını tahmin etmek için çok katmanlı algılayıcı (MLP) modeli kullanılmıştır. Uygulanan voltaj, akış hızı ve şırınga ucu-toplayıcı arasındaki uzaklık ve çözücü tipi parametreleri bağımsız değişkenler olarak giriş katmanları ve ölçülen fiber çapı bağımlı değişken olarak çıkış katmanı olacak şekilde değerlendirilmiştir. Genel veri setleri hazırlanmış ve YSA modelinin tahmin ettiği çıkış verileri farklı iterasyon ve nöron sayılarıyla aktivasyon fonksiyonları karşılaştırılarak regresyon (R) ve determinasyon (R2) katsayısı değerleri hesaplanmıştır. Eğitim, doğrulama ve test verilerinin sonuçlarına ait tüm regresyon katsayısı değerleri tüm nanofiber verileri doğrultusunda hesaplanmıştır. En yüksek R=0.92 ve R2=0.94 değerleri ile en düşük hata değerleri (MAE, MSE ve RMSE) TiO2-PS nanofiber verilerinden elde edilmiştir. Bununla beraber, hesaplaması yapılan tüm gruplardaki test çıktı değerlerin performans grafikleri, yapay sinir ağlarıyla MLP modelinde iyi uyum gösterdiği belirlenmiştir. Çalışmanın ikinci aşamasında fiber çapı verileri elde edilen tüm grupların nanofiber çapını tahmin etmek için Radyal tabanlı fonksiyon (RBF) modeli çalışılmıştır. Tüm gruplarda R=1 ve R2=1 değerleri farklı nöron ve yayılma (spread) sayılarında elde edilmiş ve en düşük hata değerleri TiO2-PS nanofiber verilerinden elde edilmiştir. Tüm gruplarda beklenen (gerçek) değerlerin performans grafikleri, yapay sinir ağlarıyla RBF modelinde tamamıyla uyum gösterdiği saptanmıştır. MLP ve RBF modelleri karşılaştırıldığında ise her iki modelin de tüm gruplardaki nanofiber tahmininde başarı sağladığı, ancak RBF modelinden elde edilen R ve R2 değerlerin daha yüksek ve hata değerlerinin ise daha düşük olduğu belirlenmiştir.