PAMUKKALE NVERSTES MHENDSLK FAKLTES PAMUKKALE UNIVERSITY ENGINEERING FACULTY

MHENDSLK BLMLER DERGS

JOURNAL OF ENGINEERING SCIENCES

YIL CLT SAYI SAYFA

: 2007 : 13 : 3 : 387-395

YAPAY SNR ALARI TABANLI SLNDRK DZ DL ARK TASARIMI

hsan TOKTA*, Nizami AKTRK**
*Gazi niversitesi, Teknik Eitim Fakltesi, Makina Eitimi Blm, Teknikokullar/Ankara **Gazi niversitesi, Mhendislik Mimarlk Fakltesi, Makina Mh. Blm, Maltepe/Ankara Geli Tarihi : 23.01.2007

ZET
Bu almada, silindirik dz dili arklarn analitik yntemle tasarm hesaplamalar yaplarak, Yapay Sinir Alar (YSA) modelinde kullanlmak zere, eitim ve test kme verileri oluturulmutur. Girdi katmannda silindirik dz dili arklarn ihtiya ve snrlandrma deikenleri, kt katmannda ise modl (di dibi gerilmesine ve yzey basncna gre) ve dili saylar kullanlmtr. Bu veriler, ok katmanl, tek ynl, hiyerarik balantl, hatay geriye yayma (Back Propagation) algoritmasnn Scaled Conjugate Gradient (SCG) ve LevenbergMarquardt (LM) versiyonlarnn her biri iin logistic sigmoid transfer fonksiyonu kullanlarak, deiken sayda gizli katman ve ilem eleman saylarnda eitilmitir. Sonuta, eitilen YSA modeli ok baarl ve test verileri hata deerleri ok dk bulunmutur. Bylece, dili arklarn kavramsal tasarmnda kullanlan analitik hesap yntemi yerine YSA tabanl sistematik bir yaklamn da kullanlabilecei gsterilmitir. Anahtar Kelimeler : Yapay sinir alar, Silindirik dz dili arklar.

CYLINDIRICAL SPUR GEARS DESIGN BASED ON ARTIFICIAL NEURAL NETWORKS ABSTRACT

In this study, testing and training data sets of Artificial Neural Networks(ANNs) models have been produced by employing analytical design calculations of cylindrical spur gears. In the input layer, the constraints and requirement values of cylindrical spur gears are used while at the output layer the modules (e.g. the bending and contact stress) and the number of tooths are used. These data have been presented to train a multi layered, single directed, hierarchically connected ANNs using Scaled Conjugate Gradient (SCG) and Levenberg-Marquardt (LM) Back Propagation algorithms with the logistic sigmoid transfer function. The outcomes demonstrated that, the ANN based model have been very successful and the testing data produced very low level of errors. It has been shown that, the ANN based mechanism may be used in the design of cylindrical spur gears instead of analytical calculations. Key Words : Artificial neural networks, Cylindirical spur gears.

1. GR
Tasarm insana bal bir faaliyet olduu iin, tasarmc kendi dnce tarzn tasarm problemine yanstr. Bu nedenle, tasarm iin herhangi bir

kararn bamsz desteklenmesi veya tersi, insan dnme tarzna paraleldir. Yapay sinir alar (YSA), insan beyninin varsaylan alma prensiplerine gre tasarlanm olup, renme ve paralel alma zellikleri sayesinde hacmi geni ve karmak sistemlerde ksa srede sonular

387

Yapay Sinir Alar Tabanli Silindirik Dz Dili ark Tasarm, . Tokta, N. Aktrk

retebilmektedir. Ayrca dorusal olmayan tasarm problemlerini de ok iyi modelleyebilmektedir (Tokta, 2005). YSA gnmzde ou alanda byk bir hzla kullanlmaya devam etmekte olup, snflandrma, tahmin, kontrol sistemleri, optimizasyon ve karar verme gibi baz uygulamalar bulunmaktadr. Son yllarda YSAnn modelleme ve tahmin amal kullanm artmtr (Prabhakar, 1992; Dal, 1993; Henderson, 1994; Nezis, 1997; Chen, 1998; Su, 1998; Sun, 2000; Kwang-Kyu, 2002). Dili ark tasarm iin ise Su vd. (Su, 2000), yapay sinir alar, bilgiye dayal sistemler ve multimedya tekniklerini kullanarak farkl bir zeki karma tasarm ilem modeli gelitirmitir. Fakat bu almada, YSAnn uygulanmasnda eitim setleri, an renmesi ve a parametreleri konusunda yeterli bilgi verilmemitir. Dili arklarn tasarmnda baz deerler deneme yanlma ile verilip tekrar geri hesaplama yaplmaktadr. Ayrca, her faktr iin ayr ilem yapldndan hesaplar ok karmaktr ve dorusal deildir. Bu durum zaman kayb ve hesap hatalarna neden olmaktadr. Bu almada, silindirik dz dili arklarn tasarm iin, YSA tabanl yeni bir yaklam nerilmitir. Sonuta eitilen YSA modeli ok baarl ve test verileri hata deerleri ok dk bulunmutur. Dili arklarn kavramsal tasarmnda kullanlan analitik hesap yntemi yerine YSAlarn kullanlabilecei gsterilmitir.

Girdi 1

Arlk 1

Girdi 2

Arlk 2 Birleme Fonksiyonu Transfer Fonksiyonu Soma

Girdi 3

Arlk 3

kt Akson

. Girdi N

.
Arlk N Synaps

ekil 1. lem eleman yaps

3. SLNDRK DZ DL ARKLARIN YAPAY SNR ALARI TABANLI TASARIMI

3. 1. Tasarm Alternatif zm rneklerinden Veri Taban Oluturulmas. Bu almada, alternatif zmler YSAnn veritabann oluturacandan ihtiya ve snrlandrmalar belirlenip analiz edildikten sonra, kullancya net bir ekilde sunulmas gerekmektedir. Bu amala;
Silindirik dz dili arklarn tasarm iin gerekli ihtiya ve snrlandrmalar belirlenmi, belli sistematik bir dzen ierisinde eitim ve test kme verileri oluturmak iin alternatif zmler elde edilmitir. Tm formller, detaylar, tablolar, malzemeler ve zellikleri Microsoft Excelde analitik olarak hesaplanmtr. Hesaplamada kullanlan eriler regresyonla forml haline getirilerek grafiklerin yerine kullanlmtr. Dililere ait modl ve di says deerleri, dililerin fonksiyonel ve fiziksel tarifini (kavramsal tasarmn) verir. Standard silindirik dz dili arklara ( = 20 , z1 = 17, x 1 = x2 =0) ait alternatif zmler analitik olarak (Akkurt, 1999, Zet Redktr 2001, DIN 780, DIN 3966, DIN 3970)e gre modl ve di says deerlerini elde etme hedeflenecek ekilde hiyerarik bir ekilde yaplmtr. Modl deeri hesaplanrken, di dibi gerilmesi ve yzey basncna (anmaya) gre analiz edilmitir. Eitliklerle ilgili detaylar burada verilmemitir. Yaplan analizden temel ihtiya ve snrlandrma deikenleri YSAda girdi katmanndaki verileri temsil etmektedir. Dierleri bu ana deikenlere bal ya da yardmc ilemler olduu iin girdilere katlmamtr. nk temel girdi deikenleri ile kt ilikisini YSA yardmc ilemlere gerek kalmadan kurabilmektedir. Aslnda bu ilemler girdilere katlm olsa dahi YSA kts deimeyecektir. Fakat bu durum, girdilerin saysnn artarak veri tabannn genilemesine, dolaysyla eitme ileminin sresinin uzamasna neden olacaktr.
o

2. YAPAY SNR ALARI

nsan beyni, sinir hcrelerinin (nronlar) ve bunlarn birbirleriyle balantlaryla oluan iletiim ayla, grmeyi, hareket etmeyi, renmeyi, hafzaya almay ve dnmeyi mmkn klar. Bir sinir hcresinin analizi, YSAnn oluturulmasnda temel tekil ettiinden nem arz eder. YSA, birbirine balanm ve hiyerarik yapda olan basit ilem elemanlarnn (yapay sinir hcreleri) youn bir paralel dizisi ve verilen girdilere kar kt retebilen bir Kara Kutu olarak ta tanmlanabilir. Her ilem elemannn bilgi toplama ve bunu ileyerek dier elemanlara gnderme zellii vardr. lem elemanlar; girdiler, arlklar, birleme (toplama) fonksiyonu, transfer (aktivasyon) fonksiyonu ve kt olmak zere 5 elemandan oluur (ekil 1). Bir an mimarisi, an balant tarz ve ilem elemanlarnn katman yapsna bal olarak tanmlanr. Bir yapay sinir a genellikle girdi katman, gizli katman(lar) ve kt katmanndan oluur (Tokta, 2006).

Mhendislik Bilimleri Dergisi 2007 13 (3) 387-395

388

Journal of Engineering Sciences 2007 13 (3) 387-395

Yapay Sinir Alar Tabanli Silindirik Dz Dili ark Tasarm, . Tokta, N. Aktrk

Sonuta seilen girdi ve kt deerlerinden oluan Silindirik dz dili arklarn YSA modeli veritaban iin toplam 44352 alternatif rnekten 40926 eitim ve 3426 test kme verileri oluturulmutur. Girdi katmannda, silindirik dz dili arklarn ihtiya ve snrlandrma deerleri (pinyon dili giri devir says, karlk dilisi devir says, motor gc, pinyon dili malzemesi, ark dili malzemesi, mr faktr, genilik faktr, dinamik faktr, alma faktr, gvenirlik faktr, zorlama faktr), kt katmannda ise di dibi gerilmesi gre (m1) ve yzey basncna gre (m2) modl deerleri ve ark dili says (Z2) kullanlmtr. Bu admlar sonucunda, rnekler Silindirik dz dili arklarn veritabann oluturmutur ve eitilmeye hazr hale getirilmitir. YSA modellinde birleme fonksiyonu olarak E. (1)de verilen arlkl girdileri toplayan toplam fonksiyonu, transfer fonksiyonu olarak ta E. (2)de verilen Logistic Sigmoid fonksiyonu kullanlmtr. htiya ve snrlandrma girdileri ve kt katmanndaki veriler (0, 1) aralnda normalize edilmitir.

genellikle, bir eitme algoritmas kullanlr ve bir renme rneine gre arlklarn nasl dzenlecei bu algoritma tarafndan belirlenir (Tokta, 2006). Silindirik dz dili arklar iin oluturulan veri taban, deiken sayda gizli katman ve ilem eleman saylarnda, ok katmanl tek ynl hiyerarik balantl hatay geriye yayma (Back Propagation) algoritmasnn Scaled Conjugate Gradient (SCG) ve Levenberg-Marquardt (LM) versiyonlarnn her biri iin Logistic Sigmoid transfer fonksiyonu kullanlarak eitilmi ve test kme verileri ile kontrol edilmitir (Tokta, 2003; Arcaklolu, 2004).

NETi=

wij .x j + wbi
1 1 + e-NETi

(1)

f(NETi)=

(2)

3. 2. YSAda Eitme / renme Bir sinir anda renmenin anlam, an belirli bir probleme ait giri ve k verileri arasnda doru ktlar retmesini salayacak YSA iindeki tm balant arlklarnn optimum deerlerinin bulunmasdr. Bu ilem ngrlen k ile istenilen k arasndaki hata belli bir deerin altna dene ya da eitme ilemi belli bir tekrar saysna ulaana kadar devam eder. Dolaysyla renilen bilgi, ilem elemanlar arasndaki balant hatlar zerinde saklanr ve arlklar vastasyla gsterilir. Bu arlklar ilgili problemin belirli zelliklerini hafzada saklayan elemanlar gibi dnlebilir. Bilgi ileme ise, bir olay gsterildiinde hafzadan ilgili zellikleri armak ve bunlar ile ilgili girdileri birlikte analiz ederek karar vermek eklinde yorumlanabilir (Tokta, 2005). Girdi ve kt katmanlarndaki ilem elemanlar bilindiine gre, YSAnn en iyi performans gsterdii, yani a hatasn minimum, renme hzn maksimum yapan optimum veya optimuma yakn gizli katman says ve her bir gizli katmandaki ilem eleman saylar deneme-yanlma ile belirlenir. ok az ilem eleman says renme orann drd gibi, ok fazla ilem eleman veya gizli katman says da renmeyi yavalatmakta veya baz durumlarda zorlatrmaktadr. renme ilemi iin,

ekil 2. YSA modeli ktlarnn eitim ve test seti performanslar.

Mhendislik Bilimleri Dergisi 2007 13 (3) 387-395

389

Journal of Engineering Sciences 2007 13 (3) 387-395

Yapay Sinir Alar Tabanli Silindirik Dz Dili ark Tasarm, . Tokta, N. Aktrk

MATLAB altnda bir bilgisayar program gelitirilmitir (MATLAB 6.5 (Release 13), 2002). Eitme ileminin ilk admnda, hangi eitim algoritmann kullanlaca belirtilir. Gizli katman saysnn bir veya daha fazla olmas iin dzenleme yaplarak; girdi, gizli ve kt katman ilem elemanlar says girilir. Katman saylar girildikten sonra iterasyon says kullanc tarafndan girilir ve eitme ilemine balar. terasyon bitene kadar veya istenen hata miktarna ulaana kadar eitme devam eder (Tokta, 2005). Eitme ilemi bitince ekil 2de verilen, analitik hesap sonularna karlk gelen YSA model temsili sonular, hem eitim seti hem de test seti iin grafikler halinde sunulmutur. 3. 3. Test lemi. YSAnn iyi eitilip eitilmediini anlamak iin, YSAya eitim verilerinden baka daha nce hi grmedii test verileri sunulur ve doru sonular verip vermedii kontrol edilir. Karlatrma amacyla, istatiksel hata RMSE (root-meansquared), mutlak deiim yzdesi R2 (absolute fraction of variance) ve Ortalama yzde hata OYH (mean error percentage) gibi istatiksel deerler kullanlmtr (Arcaklolu, 2004). Bu deerler aadaki eitliklerle verilir;

OYH =

t j oj tj p

100

(5)

Burada; t hedef deer, o k deeri, p rnek adedidir.

4. SONU VE NERLER
YSA modelinin deneme-yanlma yoluyla deiik eitme algoritmalar, a yaps (tek ve ift gizli katman says ve 5den 12ye kadar ilem elemanlar) deitirilerek eitme ve test ilemleri tekrarlanmtr. Silindirik dz dili arklar iin, analitik hesap sonular ve YSA modeli sonular istatistiksel hata analizleri ile karlatrlmtr. statiksel hata analizlerinde eitim kmesinin performans ile test kmesinin performans birlikte deerlendirilmitir (Tablo 1). Burada, ele alnan yap deneme yanlma ile arama sonucu, SCG algoritmas LMye gre daha iyi renme gerekletirmi. Fakat LM algoritmas eitim algoritmasndaki rneklerin 40926 olmas sebebiyle ok yava rendii, gizli katman says arttka renme ilemini gerekletiremedii grlmtr. SCG algoritmas 9 + 9 iki gizli katmanl YSA modeli en az hata deerinde yani daha iyi renme gerekletirmi a mimarisi olarak seilmitir (ekil 3). Sonuta, YSA modeli a mimarisi ekil 3de grld gibi silindirik dz dili arklar iin, girdi katmannda 11 ilem eleman, iki gizli katmanl 9 + 9 ilem elemanndan ve kt katmannda 3 ilem elemanndan olumaktadr.

RMSE = (1 / p ) t j o j j
t j oj j 2 R = 1 o 2 j j

1/ 2

(3)

)2

(4)

( )

1
n1 n2 HP PM CM O Gf Kv Ko Kr Kz

m1 m2 Z2

ekil 3. YSA modelinin mimarisi.

Mhendislik Bilimleri Dergisi 2007 13 (3) 387-395

390

Journal of Engineering Sciences 2007 13 (3) 387-395

Yapay Sinir Alar Tabanli Silindirik Dz Dili ark Tasarm, . Tokta, N. Aktrk

Tablo 1. Istatistiksel Hata Deerlerinden Baz rnekler.

Eitim kmesi verileri Algoritma Gizli katman says 5+5 ktlar Z2 m1 m2 Z2 m1 m2 Z2 m1 m2 Z2 m1 m2 Z2 m1 m2 Z2 m1 m2 Z2 m1 m2 Z2 m1 m2 Z2 m1 m2 RMSE 0.011166 0.033339 0.04162 0.008491 0.032693 0.041199 0.010428 0.032583 0.040905 0.007809 0.023223 0.036347 0.006909 0.027192 0.037302 0.008435 0.025324 0.037515 0.007044 0.026585 0.036946 0.007462 0.024871 0.037776 0.010526 0.032425 0.040752 R
2

Test kmesi verileri RMSE 0.01109 0.03076 0.041755 0.008491 0.030203 0.0413 0.010382 0.030351 0.040895 0.007786 0.021572 0.036035 0.00685 0.025837 0.036778 0.008286 0.024059 0.037067 0.007075 0.025351 0.036504 0.007375 0.023445 0.037421 0.010288 0.030129 0.040763 R2 0.999529 0.990595 0.985297 0.999724 0.990933 0.985615 0.999587 0.990844 0.985896 0.999768 0.995375 0.989049 0.99982 0.993365 0.988593 0.999737 0.994247 0.988413 0.999808 0.993612 0.988762 0.999792 0.994537 0.988191 0.999595 0.990977 0.985987 OYH 1.975511 8.99192 11.11722 1.526491 8.470279 10.89373 1.834447 8.887598 10.86739 1.393728 5.830732 9.642803 1.092197 7.218633 10.03408 1.485867 6.85904 10.14969 1.146202 6.951199 9.820846 1.308483 6.868884 10.29113 1.882672 8.690226 10.87357

OYH 1.979288 9.515723 11.11715 1.530147 8.890282 10.86631 1.818961 9.326862 10.89257 1.391465 6.268214 9.726993 1.098867 7.466921 10.20066 1.512463 7.232927 10.25318 1.137633 7.245831 9.952367 1.303328 7.211079 10.41185 1.884965 9.135049 10.87154

SCG

SCG

7+7

SCG

8+8

SCG

9+9

SCG

10+10

SCG

11+11

LM

6+6

LM

7+7

LM

8+8

0.999525 0.988973 0.985337 0.999726 0.989397 0.985632 0.999586 0.989468 0.985837 0.999768 0.99465 0.988817 0.999818 0.992665 0.988222 0.999729 0.993638 0.988087 0.999811 0.992988 0.988445 0.999788 0.993863 0.987921 0.999578 0.98957 0.985942

Bilgi temsili YSAda arlklarla gerekletirilir. Bu almann bilgi temsili iin, btn katmanlar arasndaki arlklar Tablo 2-4de verilmitir.

Tablo 2. Girdi Katman ve Birinci Gizli Katman Arasndaki Arlklar.

w1-h1 wx-1 wx-2 wx-3 wx-4 wx-5 wx-6 wx-7 wx-8 wx-9 -0.3507 18.807 -0.3672 -0.139 -11.631 -0.087 -39.596 -0.4041 0.1349 w2-h1 0.1418 -79.726 -0.2723 -0.0238 20.112 -0.3534 40.199 -0.069 -0.5473 w3-h1 w4-h1 w5-h1 w6-h1 w7-h1 w8-h1 w9-h1 w10-h1 w11-h1 0.47 1-h1 -0.2205 0.2075 131.838 -11.376 -0.021 -0.0254 -19.926 0.0576 19.047 -0.0049 -0.0148 0.0065 -0.007 0.0065 0.6918 10.303 -0.331 -0.0141 -0.3813 0.062 0.509 -0.0789 0.0715 0.0138 -78.616 0.3918

0.003 -0.0266 0.0263 0.0021 -16.105 0.6981 0.3408 -0.8405 0.0825 0.304 -0.2762 -0.1663 -14.51

-21.784 0.4676 -34.125 -0.241 0.8165 -19.554 -11.817 -43.385 -0.4587 13.364 -91.621 0.0152 -0.0115 -0.0216 -0.3134 0.3112 0.4722 -0.7986 -0.0338 0.263 -0.0175 0.0139 -0.0002 -0.0098 -0.0082 0.0117 0.001 0.0073 -0.0093 -11.709 14.53 12.679 -62.3 0.5242 55.105 -14.938 -0.0466 -0.2012 -13.883 0.2471

0.4386 -0.9579 0.2689 -0.0112 -0.3036 0.6712 0.5054 -25.264 0.8253 0.6624

Mhendislik Bilimleri Dergisi 2007 13 (3) 387-395

391

Journal of Engineering Sciences 2007 13 (3) 387-395

Yapay Sinir Alar Tabanli Silindirik Dz Dili ark Tasarm, . Tokta, N. Aktrk

Tablo 3. Birinci Gizli Katman ve kinci Gizli Katman Arasndaki Arlklar wh1.1-h2 wh1.2-h2 wh1.3-h2 wh1.4-h2 wh1.5-h2 wh1.6-h2 wh1.7-h2 0.9695 -23.853 -34.466 -16.364 17.476 27.54 12.61 wh1-1 0.3476 28.19 13.287 -31.36 29.203 -16.219 -23.035 wh1-2 26.936 0.4391 -0.671 11.481 -31.045 -0.9828 15.062 wh1-3 -0.0075 101.923 0.1397 -0.0285 -0.2032 0.0226 -67.539 wh1-4 0.8348 0.6369 24.394 -15.742 -33.366 -30.257 11.391 wh1-5 0.429 -17.286 -13.249 -39.406 15.099 26.493 10.854 wh1-6 0.1382 -14.025 -20.786 17.372 0.2174 -42.984 -23.461 wh1-7 0.1757 0.2531 -54.881 -21.388 -0.9529 138.571 0.4019 wh1-8 -20.425 30.325 55.41 39.503 -0.9338 -31.661 26.904 wh1-9 Tablo 4. kinci Gizli Katman ve kt Katman Arasndaki Arlklar wh2.1-aj wh2.2-aj wh2.3-aj wh2.4-aj wh2.5-aj wh2.6-aj 50.558 -0.1867 -0.0235 103.736 28.033 0.0322 wh2-1 -39.348 -0.1701 -0.0316 -20.219 14.492 -51.269 wh2-2 31.821 -19.525 54.658 -20.799 -19.585 -42.979 wh2-3 statiksel hata analizleriyle deerlendirecek olursak; SCG algoritmas 9+9 olan iki gizli katmanl YSA modelinin, R2 deerleri 1e ok yakn ve RMSE deerleri ok dk bulunmutur. Di dibi gerilmesine gre modl deeri (m1) iin eitim seti ortalama hatas % 6,268214, test setinde ise %

wh1.8-h2
-34.778 -21.398 41.702 0.1021 -20.076 37.121 -24.702 0.3489 -14.489

wh1.9-h2
0.9088 29.967 44.653 0.0764 -28.154 0.0478 -21.929 -51.989 18.867

2-h2
60.768 -50.306 -71.112 -18.246 72.025 -0.4272 38.71 -35.071 -52.58

wh2.7-aj
0.0554 -25.56 -21.254

wh2.8-aj
0.0067 -74.306 -69.422

wh2.9-aj
0.0515 41.612 38.294

3-aj
-92.385 56.719 10.809

5,830732, yzey basncna gre modl deeri (m2) iin eitim setinde ortalama hatas % 9,726993, test setinde ise % 9,642803, ark dili says (Z2) iin eitim setinde ortalama hatas % 1,391465, test setinde ise % 1.393728dir (ekil 4-6).

30 Di Dibi Gerilmesine Gre Modl Deerleri m1 Analitik 25 20 15 10 5 0 1 200 399 598 797 996 1195 1394 1593 1792 1991 2190 2389 2588 2787 2986 3185 3384 YSA

Test Verileri

ekil 4. Di dibi gerilmesine gre modl deerlerinin (m1) analitik hesap verileri ile YSAden tahmin edilen test verilerinin karlatrlmas

Mhendislik Bilimleri Dergisi 2007 13 (3) 387-395

392

Journal of Engineering Sciences 2007 13 (3) 387-395

Yapay Sinir Alar Tabanli Silindirik Dz Dili ark Tasarm, . Tokta, N. Aktrk

30 Yzey Basncna (Hertzian) Gre Modl Deerleri m 2 25 20 15 10 5 0 1 200 399 598 797 996 1195 1394 1593 1792 1991 2190 2389 2588 2787 2986 3185 3185 3384 3384 Analitik YSA

Test Verileri

ekil 5. Yzey basncna gre modl deerlerinin (m2) analitik hesap verileri ile YSAden tahmin edilen test verilerinin karlatrlmas

80 70 ark Dili Says Z2 60 50 40 30 20 10 0 1 200 399 598 797 996 1195 1394 1593 1792 1991 2190 2389 2588 2787 2986 Analitik YSA

Test Verileri

ekil 6. ark dili says (Z2) analitik hesap verileri ile YSAden tahmin edilen test verilerinin karlatrlmas YSA tabanl modelde, silindirik dz dili arklarn en az srede, en az hata ile boyutlandrlmas salanarak parametrik tasarma benzer sistematik bir zm gerekletirilmitir. htiya ve snrlandrma veri girdilerine bal olarak modl ve di says kt deerleri YSA tabanl modelde ok hassas sonular vermektedir. YSA modeline gre di dibi gerilmesi ve yzey basncna bal olarak karar verilen modl deerleri (m1, m2) son aamada, m1 ve m2den byk olan deere yakn standard modle atanmaktadr. Standard modl ve en yakn tamsay deerine dntrlen di saylarna bal olarak silindirik dz dili arkn boyutlar hesaplanmaktadr. Ayrca, girdilerin herhangi birinin deitirilmesiyle de kt sonular e zamanl gncellenmektedir. Karmak ve dorusal olmayan analitik yntemle zmlemeye gre, YSA tabanl yaklamla harcanan zaman azaltlmtr.

Mhendislik Bilimleri Dergisi 2007 13 (3) 387-395

393

Journal of Engineering Sciences 2007 13 (3) 387-395

Yapay Sinir Alar Tabanli Silindirik Dz Dili ark Tasarm, . Tokta, N. Aktrk

5. SMGELER VE KISALTMALAR
YSA SCG LM o p R2 RMSE OYH t f n i, j NET i Xj wij 1,2 n1 n2 HP PM CM O Gf Kv Ko Kr Kz m1 m2 Z1 Z2 : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : :
Yapay sinir alar. Scaled conjugate gradient learning algoritmas. Levenberg marquardt learning algoritmas. kt deeri. rnek adedi. Mutlak deiim yzdesi (absolute fraction of variance). statiksel hata (root mean square error) Ortalama yzde hata (mean error percentage). Hedef deer. Transfer fonksiyonu. Bir nceki katmandaki ilem eleman says. lem eleman. i ilem elemanna giren girdilerin arlklar toplam. j ilem elemannn kts. i ve j ilem elemanlar arasndaki balantlarn arl. Katmanlar arasndaki balantlarn arl. Pinyon dili giri devir says (dev/dk.). Karlk dilisi devir says (dev/dk.). Motor gc (BG/KW). Pinyon dili malzemesi. ark dili malzemesi. mr faktr (N). Genilik faktr ( ). Dinamik faktr. alma faktr. Gvenirlik faktr. Zorlama faktr. Di dibi gerilmesine gre modl deeri. Yzey basncna (Hertzian) gre modl deeri. Pinyon di says. ark di says.

Recognition", International Journal of Computer Integrated Manufacturing, 11 (2): 111-117. Dal, C. H., Poshyanonda, P. and Bahrami, A. 1993. "Neuro-Computing and Concurrent Engineering", Concurrent Engineering, Ed. Parsaei, H.R. and Sullivan, W.G., Chapman & Hall, Great Britain, Cambridge, 465-486. DIN 780 Pt 1, 1987. Series of Modules for Gears Modules For Spur Gears. DIN 3966 Pt 1, 1987. Information on Gear Teeth in Drawings Information On Involute Teeth For Cylindrical Gears. DIN 3970 Pt 1, 1987. Master Gears For Checking Spur Gears Gear Blank And Tooth System. DIN 3970 Pt 2, 1987. Master Gears For Checking Spur Gears Receiving Arbors. Hagan, M.T. and Demuth, H. B. 1996. Neural Network Design, PWS Publishing Company, (12) 1-29, Boston. Henderson, M. R. 1994. "Manufacturing Feature Identification", Artificial Neural Networks for Intelligent Manufacturing, Ed. Dal, C.H., Chapman & Hall, Great Britain, Cornwall, 229-264. Kwang-Kyu Seo , Ji-Hyung Park , Dong-Sik Jang and David Wallace, 2002. Prediction Of The Life Cycle Cost Using Statistical and Artificial Neural Network Methods In Conceptual Product Design, International Journal of Computer Integrated Manufacturing, Taylor & Francis, Volume 15, Number 6 / October 01, 541 554. MATLAB 6.5 (Release 13), 2002. The Language of Technical Computing, The MathWorks, Inc., Natick, MA. Nezis, K. and Vosniakos, G. 1997. "Recognizing 2D Shape Features Using a Neural Network and Heuristics", Computer Aided Design, 29 (7): 523539. Prabhakar, S. and Henderson, M. R. 1992. "Automatic Form-Feature Recognition Using Neural-Network-Based Techniques on Boundary Representations of Solid Models", Computer Aided Design, 24 (7): 38 393. Su, D. and Wakelam, M. 1998. Intelligent Hybrid System For Integration in Design and Manufacture, Journal of Materials Processing Technology, 76: 23-28.

6. KAYNAKA
Akkurt, M. 1999. Makine Elemanlar, Birsen Yaynlar, 2, stanbul 1-255. Arcaklolu, E. 2004. Performance Comparison of CFCs With Their Substitutes Using Artificial Neural Network. International Journal of Energy Research, 28, 1113-1125. Chen, Y. H. and Lee, H. M. 1998. "A Neural Network System for Two-Dimensional Feature

Mhendislik Bilimleri Dergisi 2007 13 (3) 387-395

394

Journal of Engineering Sciences 2007 13 (3) 387-395

Yapay Sinir Alar Tabanli Silindirik Dz Dili ark Tasarm, . Tokta, N. Aktrk

Su, D., Wakelam, M. and Jambunathan, K. 2000. Integration of a Knowledge-Based System, Artificial Neural Networks and Multimedia for Gear Design, Journal of Materials Processing Technology, 107: 53-59. Sun, J., Kalenchuk, D.K., Xue, D. and Gu, P. 2000. Design Candidate dentification Using Neural Network-Based Fuzzy Reasoning, Robotics and Computer Integrated Manufacturing, 16: 383-396. Tokta, . 2006. Sonsuz Vida Dili Mekanizmasnn Kavramsal Tasarm in Yapay Sinir Alar Tabanl

Sistematik Bir Yaklam, 12. Uluslararas Makina Tasarm ve malat Kongresi, Kuadas, Trkiye, 05 08 Eyll. Tokta, ., Aktrk N. 2005. "Silindirik Helis Dili arklarn Kavramsal Tasarm in Yapay Sinir Alar Tabanl Yeni Bir Yaklam", 1. Uluslar aras Mesleki Ve Teknik Eitim Teknolojileri Kongresi, Marmara niversitesi, Sayfa 754-762, stanbul/Trkiye, Eyll 5-7. Zet Redktr, 2001. Genel Katalog 09, 12, stanbul.

Mhendislik Bilimleri Dergisi 2007 13 (3) 387-395

395

Journal of Engineering Sciences 2007 13 (3) 387-395