TAKVİYELİ AA6061 MMK LERDE GENETİK ALGORİTMA YÖNTEMİYLE YÜZEY PÜRÜZLÜLÜĞÜNÜN TAHMİN EDİLMESİ *

MAKALE AL 2 TAKVİYELİ AA6061 MMK LERDE GENETİK ALGORİTMA YÖNTEMİYLE YÜZEY PÜRÜZLÜLÜĞÜNÜN TAHMİN EDİLMESİ * Metin Kök Doç. Dr., Sütçü İmam Üniversitesi, Kahramanmaraş MYO, Kahramanmaraş metinkok@ksu.edu.tr Erdoğan Kanca ** Yrd. Doç. Dr., Mustafa Kemal Üniversitesi, Makine Mühendisliği Bölümü, Tayfur Sökmen Kampüsü, Alahan, Antakya kancaerdogan@gmail.com Mehmet Akif Doğan Öğr. Gör., Mustafa Kemal Üniversitesi, Payas MYO, Elektrik ve Enerji Bölümü, Payas, Antakya madogan@mku.edu.tr Faruk Çavdar Öğr. Gör., Mustafa Kemal Üniversitesi, Payas MYO, Makine ve Metal Teknolojileri Bölümü, Payas, Antakya fcavdar@mku.edu.tr ÖZET parçacık takviyeli ve Al 6061 esaslı metal matrisli kompozit malzemeler vorteks metodu ile iki değişik boyutta (32 ve 66 µm) ve üç değişik ağırlık oranlarında (%10, %15 ve %20) takviye malzemesi kullanılarak üretilmiştir. Üretilen silindirik numuneler CNC torna tezgâhında sementit karbür uç ile değişik kesme hızlarında ve ilerlemelerde işlenmiş ve işlemeler sonucunda elde edilen yüzey pürüzlülükleri tespit edilmiştir. Ölçülen pürüzlülük değerleri genetik algoritma esaslı yöntemlerden birisi olan genetik programlama kullanılarak yüzey pürüzlülüğünü malzeme özellikleri ve kesme parametrelerine bağlı olarak tahmin etmek için bir matematik model geliştirmede kullanılmıştır. Geliştirilen matematik model ile tahmin edilen sonuçlar deney sonuçlarıyla karşılaştırılmış ve matematik modelin tahminlerinin yeteri kadar güvenli olduğu görülmüştür. Anahtar Kelimeler: Metal matrisli kompozit, genetik algoritma, genetik programlama, işlenebilirlik PREDICTION OF SURFACE ROUGHNESS OF AA6061 MMCS REINFORCED WITH AL 2 BY USING GENETIC ALGORITHM METHOD ABSTRACT ** İletişim yazarı Geliş tarihi : 13.03.2014 Kabul tarihi : 14.04.2014 In this study, Al 6061 based metal matrix composites reinforced with particles were produced with vortex method by using reinforcing agent in three different weight ratio (10%, 15% and 20%) and two different particle sizes (32 and 66 µm). produced cylindrical specimens were machined on CNC lathe with various cutting speeds and feed rates by using cementite carbide cutting tips and resultant surface roughness values were determined. Measured surface roughness values were used to develop a mathematical model by utilizing genetic programming, which is one of the genetic algorithm based methods, for estimation of surface roughness with respect to material properties and cutting parameters. Predicted results by using developed mathematical model were compared with experimental results. It is observed that predictions of the model is robust enough. Keywords: Metal matrix composites, genetic algorithm, genetic expression programming, machinability. * 6-7 Aralık 2013 tarihlerinde Makina Mühendisleri Odası tarafından Bursa da düzenlenen 7. Makina İmalat Teknolojileri Kongresi nde sunulan bildiri, dergimiz için yazarlarınca makale olarak yeniden düzenlenmiştir. Kök, M., Kanca, E., Doğan, M. A., Çavdar, F. 2014. AL 2, Mühendis ve Makina, cilt 55, sayı 651, s. 57-64. Mühendis ve Makina 57

1. GİRİŞ Metal matrisli kompozitler (MMK) yeni geliştirilmiş ve yüksek mekanik dayanım ile düşük yoğunluk özelliklerini bir arada sunan bir malzeme sınıfıdır. Metal matris ve takviye elemanlarının kombinasyonları sayesinde geniş bir özellik çeşitliliği sunmaktadır [1]. Alüminyum, titanyum ve magnezyum alaşımları en sık kullanılan matris malzemeleridir. Düşük yoğunluk, yüksek atmosferik korozyon direnci ve yüksek sıcaklıklardaki üstün özellikleri gibi özelliklere sahip olmasından dolayı alüminyumun en avantajlı matris malzemesi olduğu genel kabul görmektedir [2]. elemanları partikül, sakal, sürekli lif veya tekli tel formunda olabilir [3]. Partikül takviyeli MMK ler diğer MMK lere göre düşük maliyetle imal edilebilirlik, izotropik özellikleri ve yüksek miktarlarda üretilebilirlikleri gibi bazı avantajlara sahiptir [4]. Partikül takviyeli MMK lerde en çok kullanılan takviye malzemesi alümina ( ) ve silisyum karbürdür (SiC). MMK ların sert ve aşındırıcı özellikte takviye elemanları içermesi bu malzemeler işlenirken takım ömrünün ve yüzey kalitesinin nispeten düşük olmasına, kesme kuvvetlerinin yüksek olmasına yol açmaktadır. Kompozit malzemelerin bu kötü özelliklerinin, işleme maliyeti yönünden etkilerinin azaltılması amacıyla, optimum kesici takım malzemesi ve geometrisi ile kesme parametrelerinin seçiminin yapılması gerekmektedir [5, 6]. MMK lerin talaşlı imalatıyla ilgili literatürdeki çalışmalar kabaca aşağıdaki gibi sınıflandırılabilir: MMK lerin işlenmesinde kullanılan değişik kesici takımların aşınma performansları, kesme kuvvetlerine ve yüzey pürüzlülüğüne etkileri, hızı, ilerleme miktarı ve kesme derinliği gibi kesme parametrelerinin takım ömrüne, yüzey kalitesine ve kesme kuvvetlerine etkisi, MMK lerin talaşlı imalatının modellenmesi. Kök ve arkadaşları tarafından yapılmış olan çalışmada [7] farklı boyut ve hacim oranlarında, Vorteks metodu ile belli miktarda basınç uygulanarak üretilen partikül takviyeli metal matrisli kompozit malzemeler üzerinde farklı kesici takımlarla talaş kaldırma deneyleri yapılmış ve farklı kesme hızlarında elde edilen yüzey pürüzlülükleri incelenmiştir. Yapılan çalışmada yüzey pürüzlülüğünün, kesme hızının ve partikül boyutunun artması ile artarken partikül oranının artması ile azaldığı görülmüştür. Başka bir çalışmada Çiftçi ve arkadaşları [8] ergimiş metal karıştırma ve basınçlı döküm yöntemini kullanarak ürettikleri ağırlıkça %8 ve %16 oranlarında, ortalama 30, 45 ve 110 µm ebatlarında SiC partikül takviyeli kompozitleri sabit ilerleme ve talaş derinliğinde farklı kesme hızlarında kaplamasız karbür ve üç kat kaplamalı kesici karbür takımlarını kullanarak işlemişlerdir. Takım aşınması yönünden kullandıkları kesici takımları incelediklerinde kaplamalı karbür kesicinin tüm işleme koşullarında en iyi performansı gösterdiğini ancak kaplamasız karbür takımında ortalama yüzey pürüzlülüğü dikkate alındığında düşük kesme hızlarında en iyi performansı sergilediğini belirtmişlerdir. Özben ve arkadaşları [9], %5, %10, %15 hacim oranında SiC partikül takviyeli AlSi 7 Mg 2 alüminyum matrisli kompozitlerin mekanik özelliklerini ve işlenebilirliğini araştırmıştır. Yaptıkları çalışma sonucunda yüzey pürüzlülüğünün ilerleme ve takviye oranının atmasıyla birlikte arttığını belirlemişlerdir. Manna ve Bhattacharayya yaptıkları çalışma neticesinde Al matrisli SiC takviyeli MMK ların işlenmesinde iyi yüzey kalitesi elde etmek için yüksek hız, düşük ilerleme ve düşük kesme derinliğini tavsiye etmişlerdir [10]. Kumar ve arkadaşları ise Al 7075 matrisli SiC parçacık takviyeli MMK lerin işlenmesi sırasında 180 ile 220 m/dk arasındaki kesme hızları, 0,1 ile 0,3 mm/dev arasındaki ilerleme ve 0,5 ile 1,5 mm arasındaki kesme derinliklerinin optimum yüzey kaliteleri elde etmek için en iyi değerler olduğunu belirtmişlerdir [11]. Joshi ve arkadaşları MMK ların hassas işlenmesi ile elde edilecek yüzey pürüzlüklerini yapay sinir ağlarını (ANN) kullanarak modellemiştir [12]. Kök ise kesme parametrelerinin takviyeli MMK nın yüzey pürüzlüğüne etkilerini modellemek için ortogonal dizileri kullanmıştır [13]. Fakat MMK lerin talaşlı işlenmesi sonucunda ortaya çıkacak yüzey kalitelerini genetik algoritma yöntemleri kullanılarak matematik model geliştirmeyi amaçlayan bir çalışmaya rastlanmamıştır. takviyeli Al 6061 alaşımı matrisinin çeşitli kesme parametreleri ile CNC tornada kesilmesi ile elde edilmiş yüzey pürüzlülüğü ölçümleri kullanılarak, genetik programlama (GEP) yardımı ile bir matematik model oluşturma hedeflenmiştir. 2. GENETİK PROGRAMLAMA Genetik programlama (GEP) genetik algoritmalar için Koza tarafından bir sistemdeki anlaşılabilir ilişkilerin otomatik olarak ortaya çıkartılabilmesi amacıyla önerilmiş ve bir çok alanda kullanılan bir uzantısıdır [14]. Genetik programlamanın aşamaları Koza tarafından şu şekilde belirlenmiştir: Problemin fonksiyon, değişken ve sabitlerin gelişigüzel başlangıç kombinasyonlarının (bilgisayar programları) popülasyonlarının üretilmesi. Popülasyondaki her programın çalıştırılması ve problemi ne kadar iyi çözdüğüne göre birer uygunluk değeri verilmesi Aşağıdakileri uygulayarak yeni bilgisayar programı popülasyonu oluşturulması; Mevcuttaki en iyi programların kopyalanması (yeniden üretim) Mutasyonlarla yeni bilgisayar programlarının oluşturulması Çaprazlama ile yeni bilgisayar programlarının oluşturulması (eşeysel yeniden üretim) O zamana kadar depolanmış programların değiştirilmesi operasyonu için yeni mimari seçilmesi O ana kadar çözümü en iyi sağlayan, herhangi bir jenerasyondaki programın genetik programlamanın çözümü olarak atanması. Genetik programlamada çıktılar matematiksel değerler değil, bilgisayar programlarıdır. Bu yöntemde ağaç yapısındaki bilgisayar programları rastlantısal olarak üretilir. Üretilen programlar hiyerarşik, genel, değişik boyutlarda ve yapıdadır. Yöntemin amacı bütün muhtemel çözümlerin uzayını tarayarak problemin çözümüne en iyi uyan bilgisayar programını bulmaktır [15]. 2.1 Genetik İfade Programlama (GEP) Yazılımı Bu çalışmada kullanılan GEP yazılımı Ferreira tarafından bulunmuş olan ve sabit uzunlukta lineer kromozomlar halinde kodlanmış değişik boyutta ve şekildeki bilgisayar programlarını üreten bir GEP uzantısıdır [16]. Kromozomlar her biri küçük bir programcık olan genlerden oluşmuştur. Lineer kromozomların yapısal ve fonksiyonel organizasyonları mutasyon, çaprazlama ve yeniden kombinasyon gibi önemli genetik oparatörlerin sınırsız operasyonuna imkan verir. GEP in avantajlı yönlerinden birisi benzersiz çok genli yapısının birden çok alt programlardan (kromozom) oluşan kompleks programları üretebilmesidir. Genetik programlamada bireyler daha sonra değişik boyut ve şekildeki lineer olmayan birimler (ağaçlar) olarak ifade edilecek olan sabit uzunluktaki lineer diziler (kromozomlar) halinde kodlanırlar. Bundan dolayı GEP teki ana parametreler kromozom ve ağaçlardır. Örnek olarak Tan((d0*d0)+c1) ifadesinin ağaç şeklindeki ifadesi Şekil 1 de verilmiştir. Şekil 1. Örnek Bir Ağaç Yapısı 3. MATERYAL VE PROSEDÜRLER Deneylerde kullanılmak üzere, 32 µm ve 66 µm boyutlarında; %10, %15, %20 ağırlık oranlarında partikül takviyeli Al 6061 alaşım matrisli altı değişik MMK vorteks metoduyla üretilmiştir. Al 6061 alaşımının yoğunluğu 2,71 gr/cm 3 olup, bu alaşımın elementsel (EDX) spektroskopi analiz sonuçlarına göre kimyasal bileşimi Tablo 1'de verilmiştir. Tablo 1. Al 6061 Alaşımının Kimyasal Kompozisyonu (% Oranı) Si Mn Cr Zn Ti Mg Cu Al 0,6 0,15 0,35 0,25 0,15 0,1 0,15 96 Tablo 2. Malzemesi Alüminyum Oksidin Kimyasal Bileşenleri Fe 2 TiO 2 CaO Diğerleri min 93 max 0.8 min 1.8 max 1.1 max 0.2 partikül takviye elemanının yoğunluğu 3,95 gr/cm 3 olup, alüminyum oksidin kimyasal bileşimi Tablo 2'de verilmiştir. Mikro yapı incelemeleri için malzemelerden standart metallografik tekniklerle numuneler hazırlanmıştır. Mikro yapıların incelenmesinde Mustafa Kemal Üniversitesi, Teknoloji ve Araştırma-Geliştirme Merkezi (MARGEM) nde JEOL marka JSM-5500LV model taramalı elektron mikroskobu (SEM) kullanılmıştır. Malzemelerin mikro yapı fotoğrafları Şekil 2 de verilmiştir. Şekil 2. Ağırlıkça % 10-15-20 Oranlarında ve 32/66 µm Partikül li Kompozitlerin Mikro Yapı Fotoğrafları; a) %10, 32 µm, b) %10, 66 µm, c) %15, 32 µm, d) %15, 66 µm, e) %20, 32 µm, f) %20, 66 µm 58 Mühendis ve Makina Mühendis ve Makina 59

Tablo 3. Kullanılan Kesici Ucun Özellikleri Kesici takım SK (c) Üretici kalite Sandvik 432 HIP Ana karbür yapısı WC- TiCTac Bond:Co deneyleri Johnford TC35 tipi CNC torna tezgahı kullanılarak gerçekleştirilmiştir. Yukarıda bahsedilen altı değişik MMK nin her biri dört farklı kesme hızında (130, 180, 230 ve 280 m/dk) ve üç değişik ilerleme (0,10; 0,15 ve 0,20 mm/ dev) miktarında işlenmiş, toplam 72 deney gerçekleştirilmiştir. Her bir deneyde numunelerden 1 mm kesme derinliğinde 3000 mm 3 talaş kaldırılmıştır. için sementit karbür kesici uç kullanılmış olup özellikleri Tablo 3 te verilmiştir. Yüzey pürüzlülüğü; Mahr Perthometer M1 model yüzey pürüzlülüğü ölçüm cihazı yardımıyla işlenebilirlik deneyleri bittikten sonra silindir şeklinde olan parçanın üç farklı bölgesinden 120 lik açı aralıklarıyla ortalama yüzey pürüzlülüğü () değeri alınarak gerçekleştirilmiş ve elde edilen bu üç değerin ortalaması alınarak yüzey pürüzlülüğü değerlendirilmiştir (Şekil 3). 3.1 Modelleme Prosedürleri ISO geometri SNMA 120408 Şekil 3.Yüzey Pürüzlülüğü Ölçüm Düzeneği Takım geometrisi Şekil: kare Boşluk açısı: 0 o Tolerans sınıfı: M Tip: a (talaş kırıcısız, delikli) kenar boyu: 12 mm Kalınlık: 4,76 mm Köşe radyüsü: 0,8 mm Modelleme, ortalama pürüzlülük değerlerini partikül boyutu, partikül ağırlık oranı, kesme hızı ve ilerleme oranına bağlı olarak hesaplamak düzenlenmiştir. Tablo 4 te değişkenler, kodları, kısaltmaları ve aralıkları verilmiştir. Parametreler ve fonksiyon setlerinin listesi sırasıyla Tablo 5'te ve Tablo 6 da verilmiştir. Bu çalışmada toplamda 72 deney yapılmıştır. Deney sonuçlarından 13 tanesi literatürle uyumsuz olduğu için atılmış ve kalan 59 deney verisi modellemede kullanılmıştır. Deney verilerinden 48 adedi modelleri oluşturmak üzere eğitim verisi olarak, kalan 11 adedi oluşturulan modelin uygunluğunu denetlemek üzere test verisi olarak rastgele seçilmiştir. ve test verileri programa yüklenmiş ve parametreler teker teker değiştirilerek en uygun parametre setini bulmak için GEP yazılımı çalıştırılmıştır. En uygun parametre seti olarak en yüksek R 2 değerlerini veren set seçilmiştir. 4. SONUÇLAR VE TARTIŞMA Elde edilen sonuçların değerlendirilmesi şu adımlar izlenerek yapılmaktadır: Önce programa yüklenen eğitim verilerine göre kesme kuvvetlerinin matematik modelleri GEP yazılımı tarafından oluşturulmuştur. Daha sonra oluşturulan modele göre hesaplanan pürüzlülük değerleri toplam ortalama hatayı belirlemek için deneysel verilerle karşılaşılmıştır. Son olarak modelden elde edilen değerler ile deneysel verilerin karşılaştırılması için korelasyon grafiği oluşturulmuştur. Formülasyonların genelleme yeteneklerini belirlemek için deneysel datalar modelleme prosedürlerinde de bahsedildiği gibi eğitim ve değerlendirme seti olmak üzere ikiye ayrılmıştır. ve test verileri rastgele seçilmiştir. Formülasyonlar eğitim setleri temel alınarak oluşturulmuş ve genelleme yetenekleri doğrulama setleri ile test edilmiştir. En iyi GEP formülasyonlarının elde edildiği parametreler ile eğitim ve test verileri için istatiksel parametreler Tablo 7 de verilmiştir. R 2, MSE, MAE ifadeleri sırasıyla, korelasyon katsayısı, hataların ortalama kareleri ve ortalama mutlak hatayı temsil etmektedir. En uygun pürüzlülük GEP modeline ait ağaç yapısı Şekil 4 te verilmiştir. Ağaç yapısındaki d0, d1, d2 ve d3 değerlerinin neleri temsil ettiği Tablo 4 te verilmiştir. Deneyler sonucunda elde edilen pürüzlülük değerleri ve model ile tahmin edilen değerlerin karşılaştırması eğitim verileri için Tablo 8'de, test verileri için Tablo 9 da sunulmuştur. Tablolardaki pürüzlülük değerleri incelendiğinde modellerden elde edilen değerler ile ölçülen değerler arasında yeterli uyumun olduğu görülecektir. Sırası ile eğitim ve test verilerine ait korelasyon katsayıları 0,812 ve 0,811 olarak tespit edilmiştir. Modellerden elde edilen değerlerin dağılımının hedef değerlerle karşılaştırılması Şekil 5 te görülebilmektedir. Grafikler incelendiğinde model değerlerinin çoğunlukla hedef değerler etrafında kümelendiği görülmektedir. Tablo 4. Modelleme Kullanılan Değişkenler Kodlama Değişken Kısaltması Aralığı Birimi Girdi d0 boyutu Ps 32-66 µm Girdi d1 ağırlık oranı Pr 10-20 % Girdi d2 hızı V 130-280 m/dk Girdi d3 oranı F 0,1-0,20 mm/dev Çıktı Yüzey pürüzlülüğü 0,667-3,256 µm Tablo 5. GEP Parametreleri c1 = -9,668488 P1 Fonksiyon seti x 2, x 3, 3, tan, 1/x P2 Gen sayısı 2, 3, 4, 5 P3 Başlık sayısı 3, 5, 8, 10, 15 P4 Link fonksiyonu Toplama(+), Çarpma(x) P5 Jenerasyon sayısı değişken P6 Kromozomlar 30-45 P7 Mutasyon oranı 0,044 P8 Ters çevirme oranı 0,1 P9 Tek nokta yeni kombinasyon oranı 0,3 P10 İki nokta yeni kombinasyon oranı 0,1 P11 Gen yeniden kombinasyon oranı 0,1 P12 Gen yer değiştirme oranı 0,1 Şekil 4. GEP Modeli Ağaç Yapısı c0 = 0,674927 c1 = -1,623413 c0 = -9,505829 c1 = 7,123718 c0 = -5,295563 c1 = -5,642639 c0 = -5,217743 c1 = 2,275055 60 Mühendis ve Makina Mühendis ve Makina 61

Tablo 6. Fonksiyon listesi Tablo 7. En iyi GEP Modellerinin Parametreleri İstatistiksel Sonuçları Tablo 8 devamı. için GEP Modeli Sonuçlarının Deneysel Verilerle Karşılaştırılması Kod S1 S2 S3 Fonksiyon Seti x 2, x 3, 3, tan x 2, x 3, 3 S4 +, -, x, /,, e x, S5 +, -, x, / S6 +, -, x, /,, ln, 1/x S7 +, -, x, /,, e x, 1/x S8 +, -, x, /, tan Çıktı P1 P2 P3 P4 P5 Tablo 8. için GEP Modeli Sonuçlarının Deneysel Verilerle Karşılaştırılması R 2 MSE MAE S3 5 15 + 1341820 0,812 0,811 0,092 0,058 0,225 0,212 1 32 10 130 0,10 2,914 2,572 0,12 3 32 10 130 0,20 2,552 2,876 0,13 4 32 10 180 0,10 2,381 2,091 0,12 5 32 10 180 0,15 1,744 2,174 0,25 6 32 10 180 0,20 2,052 2,471 0,20 7 32 10 230 0,10 1,749 1,818 0,04 9 32 10 230 0,20 1,986 2,242 0,13 10 32 10 280 0,15 1,715 1,774 0,03 11 32 10 280 0,20 2,791 2,095 0,25 12 32 15 130 0,10 2,902 1,938 0,33 13 32 15 130 0,15 2,061 2,037 0,01 15 32 15 230 0,10 1,413 1,360 0,04 16 32 15 230 0,15 1,504 1,539 0,02 17 32 15 280 0,15 1,396 1,423 0,02 19 32 20 130 0,10 1,641 1,627 0,01 20 32 20 130 0,20 3,108 2,107 0,32 22 32 20 180 0,20 2,002 1,874 0,06 23 32 20 230 0,10 1,179 1,143 0,03 24 32 20 230 0,15 1,670 1,380 0,17 25 32 20 230 0,20 1,342 1,742 0,30 26 32 20 280 0,15 1,460 1,286 0,12 28 66 10 130 0,10 3,794 3,262 0,14 29 66 10 130 0,15 3,923 3,537 0,10 30 66 10 180 0,10 2,580 2,699 0,05 31 66 10 180 0,15 3,256 3,025 0,07 32 66 10 180 0,20 2,955 3,237 0,10 33 66 10 230 0,10 2,563 2,381 0,07 34 66 10 230 0,15 2,809 2,735 0,03 35 66 10 230 0,20 2,442 2,962 0,21 37 66 10 280 0,20 2,737 2,785 0,02 38 66 15 130 0,10 1,446 2,096 0,45 39 66 15 130 0,15 2,405 2,315 0,04 40 66 15 180 0,10 1,160 1,693 0,46 42 66 15 180 0,20 1,987 2,171 0,09 43 66 15 230 0,10 1,154 1,465 0,27 44 66 15 230 0,15 1,297 1,762 0,36 46 66 15 280 0,10 1,466 1,318 0,10 47 66 15 280 0,15 2,056 1,634 0,21 48 66 15 280 0,20 2,584 1,867 0,28 49 66 20 130 0,10 1,559 1,574 0,01 51 66 20 130 0,20 2,014 1,964 0,03 52 66 20 180 0,10 1,050 1,246 0,19 53 66 20 180 0,15 1,501 1,493 0,01 54 66 20 180 0,20 1,679 1,711 0,02 55 66 20 230 0,10 0,753 1,060 0,41 56 66 20 230 0,15 1,015 1,337 0,32 58 66 20 280 0,15 1,542 1,236 0,20 59 66 20 280 0,20 1,503 1,477 0,02 Tablo 9. için GEP Model Sonuçlarının Deneysel Verilerle Karşılaştırılması 2 32 10 130 0,15 2,910 2,604 0,11 8 32 10 230 0,15 1,686 1,930 0,15 14 32 15 180 0,10 1,354 1,569 0,16 18 32 15 280 0,20 2,027 1,759 0,13 21 32 20 180 0,10 1,458 1,318 0,10 27 32 20 280 0,20 1,541 1,658 0,08 36 66 10 280 0,10 1,711 2,177 0,27 41 66 15 180 0,15 1,977 1,962 0,01 45 66 15 230 0,20 2,172 1,986 0,09 50 66 20 130 0,15 1,883 1,771 0,06 57 66 20 280 0,10 0,667 0,941 0,41 62 Mühendis ve Makina Mühendis ve Makina 63

5. SONUÇLAR parçacıkları ile takviye edilmiş Al6061 alaşımın değişik kesme parametreleri ile işlenmesi sonucunda ortaya çıkacak olan yüzey pürüzlülüğünün takviye elemanının partikül büyüklüğü, takviye ağırlık oranı, kesme hızı ve ilerlemeye bağlı olarak tahminini gerçekleştirmek için GEP kullanılarak bir matematik model oluşturulmuştur. Şekil 5. GEP ile Elde Edilen Değerlerinin Dağılımı Yapılan matematik modelden elde edilen sonuçların korelasyon katsayısı 0,812 olarak bulunmuştur. Bu da MMK lerin işlenmesi sonucunda ortaya çıkacak yüzey pürüzlülüğünün tahmininde GEP in etkili bir metot olduğunu göstermektedir. Bu sayede bu çalışmada kullanılan parametrelerin sınırları içerisinde olması şartı ile değişik malzeme özellikleri ve işleme şartlarına bağlı olarak ortaya çıkacak yüzey kalitesi işleme yapmadan önce yeterli doğrulukta tahmin edilebilecektir KAYNAKÇA 1. Pramanik, A., Zhang, L. C., Arsecularatne, J. A. 2008. Deformation Mechanisms of MMCs under Indentation, Composites Science and Technology, 68, p. 1304-1312. 2. Garcia, J. Camurri, C., Carrasso, C., Montalba, C., Prat, O, Rojas, D. 2011. Microstructure Investigations and Mechanical Properties of an Al- MMC Produced by Semisolid Solidification. Materialwissenschaft und Werkstofftechnik, 42, no. 6, p. 42-548. 3. Degischer, H. P., Prader, P., San Marchi, C. 2001. Assesment of Metal Matrix Composites for Innovations - Intermediate Report of a European Thematic Network, Composites Part A: Applied Science and Manufacturing, 32: p. 1161-1166. 4. Park, B. G., Crosky, A. G., Hellier, A. K. 2001. Material Characterisation and Mechanical Properties of Al2O3-Al Metal Matrix Composites, Journal of Materials Science, 36, p. 2417-2426. 5. Sur, G. 2008. Karma li Alüminyum Matriksli Kompozitlerin Üretimi, Mekanik Özellikler ve İşlenebilirliklerinin İncelenmesi, Doktora Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü, s. 242, Ankara. 6. Seeman, M., Ganesan, G., Karthikeyan, R., Velayudham, A. 2010. Study on Tool Wear and Surface Roughness in Machining of Particulate Aluminum Metal Matrix Composite-response Surface Methodology Approach, International Journal of Advanced Manufacturing Technology, 48, p. 613 624. 7. Kök, M., Şahin, Y., Çelik, H. 2002. Metal Matriksli Kompozit Malzemelerin İşlenmesinde Yüzey Pürüzlülüğüne Takım ve Malzeme Özelliklerinin Etkisi, Gazi Üniversitesi Fen Bilimleri Dergisi, 15 (1). 8. Çiftci, İ., Turker, M., Şeker, U. 2004 "CBN Cutting Tool Wear During Machining of Particulate Reinforced MMCs," Wear 257, p.1041-1046. 9. Özben, T., Kılıçkap, E., Çakır, O. 2008. Investigation of Mechanical and Machinability Properties of SiC Particle Reinforced Al-MMC, Journal of Materials Processing Technology, 198, p. 220-225. 10. Manna, A., Bhattacharayya, B. 2003. A Study on Machinability of Al/SiC- MMC, Journal of Materials Processing Technology, vol. 140, iss.1 3, p. 711-716. 11. Bhushan, R. K., Kumar, S., Das, S. 2010. Effect of Machining Parameters on Surface Roughness and Tool Wear for 7075 Al Alloy SiC Composite, International Journal of Advanced Manufacturing Technology, 50, p. 459 469. 12. Joshi, S. S. Basheer, A.C., Uday, A.D, Bhanuprasad, V. M. 2008. Modeling of Surface Roughness in Precision Machining of Metal Matrix Composites Using ANN, Journal of Materials Processing Technology, 197, p. 439 444. 13. Kök, M. 2011. Modelling the Effect of Surface Roughness Factors in the Machining of 2024Al/Al2O3 Particle Composites Based on Orthogonal Arrays, International Journal of Advanced Manufacturing Technology, 55, p. 911 920. 14. Koza, J. R. 1992. Genetic Programming: on the Programming of Computers by Means of Natural Selection, MIT, Cambridge, UK. 15. Asbour, A. F., Alvarez, L. F., Toropov, V. V. 2003. Comput Struct, 81 642 (5), p. 331 338. 16. Ferreira, C. 2006. Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence, 2nd Ed., Springer-Verlag, Germany. 64 Mühendis ve Makina