TEKNOLOJİK ARAŞTIRMALAR

www.teknolojikarastirmalar.org ISSN:1304-4141 Makine Teknolojileri Elektronik Dergisi 2004 (2) 7-20 TEKNOLOJİK ARAŞTIRMALAR Makale Makina tasarım işleminde kullanılan yapay zeka teknikleri ve uygulama alanları İhsan TOKTAŞ*, Nizami AKTÜRK** *Gazi Üniversitesi, Teknik Eğitim Fakültesi, Makina Eğitimi Bölümü, Teknikokullar, Ankara **Gazi Üniversitesi, Mühendislik Fakültesi, Makina Müh. Bölümü, Ankara (Geliş Tarihi: 3 Mart 2004, Kabul Tarihi: 21 Nisan 2004) Özet Bir ana fonksiyonel talebi veya problemi, en uygun karşılayacak ürün veya çözüme dönüştürme sürecine tasarım ; bu süreç içersinde teknik ve araçlardan kurulu yürütülen tüm faaliyetler düzenine ise tasarım işlemi denir. Makina tasarım işleminde, en çok kullanılan yapay zeka teknikleri sırasıyla; uzman sistemler, bulanık mantık, genetik algoritmalar ve yapay sinir ağlarıdır. Bu çalışmada; makina tasarım işleminde kullanılan yapay zeka tekniklerinin temel yapısı ve birbiriyle mukayesesi ele alınmıştır. Ayrıca bunların; (dez)avantajları, kullanma amacı, özellikleri ve makine tasarım alanlarında geliştirilmiş olan bazı program ve yaklaşımlar kısaca sunulmuştur. Anahtar Kelimeler: Makine Tasarım İşlemi, Yapay Zeka, Uzman Sistemler, Bulanık Mantık, Genetik Algoritmalar, Yapay Sinir Ağları. 1.Giriş Toplumsal ve ekonomik ihtiyaçlara bağlı olarak, çevredeki nesne ve olaylardaki değişimler hızla artmaktadır. Sonuçta, çok değişik ve çeşitli ürünlerin, yani değişik sistemlerin tasarım ve üretimiyle ilgileniriz. Fakat bu karmaşık değişken çevre içinde, mühendislik hizmetlerinin sistematikleştirilmesi, ürün maliyetinin azaltılması ve kalitenin artırılmasında önem kazanınca, daha etkin yeni araçlar ve metotlar ortaya atılmıştır. Araştırmalar göstermiştir ki, problem çözme metodu bilimsel ve mühendislik hesaplamalarındaki çözüm yollarından oldukça farklı olan yapay zeka (YZ) teknikleri, makine tasarım işleminde avantajlı bir şekilde kullanılmakta, tasarım aktivitesini, çok az hata ile, daha hızlı, daha kolay, daha etkin tanımlayabilmektedir. Ayrıca, daha iyi yeni tasarım metotlarının ve stratejilerinin geliştirilmesine izin vermektedir. Mühendislik tasarım işleminde klasik programlama teknikleri ile geliştirilen programlar yerini artık yapay zeka teknikleri kullanarak geliştirilen çalışmalara bırakmaktadır. Böylece, işletmelerin gelecekte rekabet edebilmeleri için müşterinin istediği; ürün kalite ve çeşitliliği artmakta, ürünün pazara intikal süresi kısalmakta ve ürün maliyetini düşürerek karı artırmaktadır. Ayrıca, sezgisel parametrelerin kullanılabilmesi, doğru analiz yapabilme ve anında karar verme gibi insana özgü olan yetileri kullanarak karar veren veya tavsiyelerde bulunan yeni araçların ve metotların geliştirilmesi ile daha hızlı ve gerçekçi çözümler elde edilmektedir.

Teknolojik Araştırmalar 2004 (2) 7-20 Makina tasarım işleminde kullanılan yapay zeka teknikleri ve uygulama alanları 2. Makina Tasarım İşleminde Kullanılan Yapay Zeka Teknikleri Yapay zeka tekniklerinin çeşitli mühendislik tasarımı faaliyetlerinde uygulanması son zamanlarda artmaktadır. En popüler yapay zeka teknikleri; uzman sistemler, yapay sinir ağları, bulanık mantık sistemleri ve genetik algoritmalardır [1]. 2.1 Uzman sistemler Makine tasarım işleminde geliştirilen uzman sistemler(us), aynı amaçlı kullanılan diğer yapay zeka tekniklerine oranla çok daha fazla kullanım alanı bulmuştur [2]. Uzman sistemlerin temel özellikleri bilgisayara bir problem sunulduğunda o problemi o konunun uzmanı ne şekilde çözüyor ise o şekilde çözebilen yapay zeka programları oluşturmaktır. Bu programlarda belirtilen problem sahası ile ilgili uzmanlık bilgilerinin toplandığı bir bilgi tabanı, bu bilgilerin uzmanvari bir şekilde kullanılarak sonuçlar üreten bir çıkarım mekanizması, ve tıpkı bir uzman gibi sonuçları ve verilen kararları nasıl ve neden oluşturduklarını açıklayan bir açıklama mekanizması ile bilgisayarla kullanıcının doğal dilde haberleşmesini sağlayan bir kullanıcı ara birimi vardır (Şekil 1.) [3-5]. Bilgi tabanında bilgiler genel olarak kurallar; (EĞER-İSE), bilinen gerçekler, bilgi sınıfları, prosedürler ve algoritmalar şeklindedir. Bilgi Sistemi Mühendisi Kullanıcı Kullanıcı Arabirimi Açıklama Mekanizması Düzenleme Birimi Bilgi Elde Etme Arabirimi Çıkarım Mekanizması Bilgi ve Veri Tabanı Uzman Şeki1 1. Uzman Sistemin Yapısı Uzmanların bilgi ve tecrübesinden yararlanarak oluşturulan uzman sistemlerin en önemli yararları şunlardır [4-6]; Uzmanlardaki yorgunluk ve stres sebebiyle sürekli yüksek verimde çalışamamalarının aksine, her an hazırdırlar ve muntazam bir şekilde çalışırlar. Yüksek performans, uygun yanıt süresi, yüksek güvenilirlik, anlaşılabilirlik ve esneklik gibi kaliteyi arttıran genel karakteristiklere sahiptirler. Kullanıcıya, sistemin sonuç çıkarma yöntemini açıklaması ve o konudaki uzmanlığı rahat ve kolay bir şekilde sunarak yardımcı olması itibariyle zeki bir öğreticidir. Tasarımın tutarlığını bir organizasyon dahilinde geliştirir. Problem çözümünde hataları azaltır. Mühendislik analizi için geliştirilmiş yazılımlara uyumludur. 8

Toktaş, İ., Aktürk, N. Teknolojik Araştırmalar 2004 (2) 7-20 İçerik, eleman ve materyalin en uygun seçimi için geniş bilgi bankasını kısa sürede tarar ve çok fazla miktardaki bilgiyi, belirli bir uygulama problemin çözümü için beceriyle kullanırlar. Bunların yanında uzman sistemlerin bazı kısıtları vardır [4, 5]: Bugün US geliştirmedeki en önemli darboğazlardan birisi bilginin toplanması ve uzmandan alınması problemidir. Uzman sahip olduğu bilgileri, tecrübesini, yeteneklerini kurallar halinde ortaya koyamayabilir. Bunların bir kısmının kurallar halinde programlanması söz konusu da olamayabilir. Bilgi edinme işlemleri konusunda oldukça yoğun bir araştırma süregelmektedir. Bir US tipik olarak, bilgiyi sembolik olarak ifade eder, kıyaslama işlemini inceler ve açıklar, ayrıca probleme ait alanları belirler. Bu işlemi yapacak bir uzmanın uzun bir süre ileri düzeyde bir eğitim alması ve yıllarca bu konuda tecrübe edinmesi gerekecektir ki bu da oldukça maliyetli ve zaman alıcı bir iştir. Bunun yanında, bir US in ne kadar iyi olduğu, bir problem karşısında konunun uzmanı tarafından çıkarılan sonuca ne kadar yakın olduğu ile ölçülür. US, veritabanında bulunan bilgiler ve bu bilgilerin yerleştirilmesi için gerekli işlemin özelliği ile kısıtlıdır. Bilgi tabanında kesin olarak belirlenmemiş yeni durumlar ortaya çıktığında probleme çözüm üretilemez. Yani problemi çözmek için gerekli bütün bilgiler sınırları ile önceden bilinmelidir. Diğer bir deyişle, elde mevcut olan durum bilgi tabanındaki EĞER-İSE şeklinde tasarlanmış kuralların EĞER kısmında belirtilen durumlara %100 uyum sağlamaz ise problemlere çözüm getirilemez. Mesela oda sıcaklığı 20 derece olduğunda termostatın kapanması istendiğinde oda sıcaklığı 19.9999 olsa bile sistem termostatı kapat önerisi vermez. Hayatta herşeyi böyle kesin sınırları ile söylemek mümkün değildir. Yüksek, alçak, yaklaşık olarak, tahmini olarak, yeterince vb. gibi sıfatlara uzmanların bilgilerini anlatırken oldukça fazla rastlanır. Bunların yorumu ise kişiden kişiye değişmektedir [8]. Bu sebeple, US ler beklenmeyen durumlarda önemli açıklar verebilirler. Ayrıca programdaki hataları bulmak için yapılan testlerin doğal olarak güvenilmez olduğu da söylenmektedir. Bu kısıtların yanı sıra uzman sistemlerin, uzmanların sahip oldukları ortak kanı, beklenmeyen durumlar için yaratıcı yanıt bulma, öğrenme ve algılama yoluyla tecrübe gibi, özelliklere sahip olmama gibi dezavantajları da vardır. Uzman sistemlerin kullanıldığı uygulama alanları fonksiyonlarına göre; teşhis, sınıflandırma, seçim, veri analiz ve yorumu, analiz, tasarım, tahmin, simülasyon, izleme, danışmanlık, zeki yardım-destek, planlama ve programlama, kontrol ve eğitim olarak sınıflandırılmıştır [4, 5]. Bir tasarım uygulamasında kullanılması planlanan bir uzman sistem geliştirme aracı aşağıda verilen özellikleri sağlamalıdır [4, 8]: Kullanıcıya sonuç alma işlemi süresince soru sorma kabiliyeti ve sonuç alma işleminin her adımı için nedenlerin kullanıcı tarafından belirlenmesine izin veren bir açıklama mekanizması, Sonuç çıkarma işleminin açıkça kullanıcı tarafından kontrolü için mekanizmalar (arama yönü vs: ileri doğru (forward) veya geriye doğru (backward) araştırma kabiliyeti), Bilgi tabanının grafiksel gösterimi, Çakışan veriler bulunduğunda kullanıcıyı uyarabilme ve kurallara öncelik ve ağırlık verme kabiliyeti, Karşılıklı etkileşim kabiliyetleri, kullanıcıya her bir kural ve veriye, çoklu özellikleri açıkça belirtmesine olanak sağlayan çerçeve (frame) tabanlı bilgi temsil şemasının istenilir olduğuna işaret etmektedir. Tasarım uygulamalarında uzman sistemler, tasarımcının aktivitelerini modeller, tasarımcının bilgi birikimini tasvir eder ve tasarımcıya yardımcı olacak sistemleri veya tasarım yapacak sistemlerin kurulmasını içermektedir [5, 9]. 9

Teknolojik Araştırmalar 2004 (2) 7-20 Makina tasarım işleminde kullanılan yapay zeka teknikleri ve uygulama alanları ROSALLE diye adlandırılan bir sistemde Cholvy ve Fotsseau [10], sınırlayıcı limitleri aşılsa bile tasarımcıların çalışmasını sürdürmesine izin verebilecek bir ilişkili veri tabanı ve nesne uyarlı programlama kullanmıştır. Mittal vd. [11], fotokopi makinalarındaki kağıt nakil mekanizma tasarımı için PRIDE diye adlandırılan bilgi tabanlı bir bilgisayar programı geliştirmiştir. Kavramsal tasarım aşamasında, yapısal konfigürasyonların sentez ve bunların nümerik optimizasyonla seçimi Shah [12-15] tarafından sunulmuştur. DSPL diye adlandırılan bir dil oluşturan Brown ve Chandrasekan [16], hiyerarşik yaklaşım kullanan uzman bir sistemin bilgisayarla rutin tasarım işini yapabileceğini belirtmektedirler. Zarefar [17], tanıtılan paralel eksenli dişli sürücü sistemlerini tasarlayan PAGES adlı bir program geliştirmiştir. Suzuki ve Kimura [18], düz metal levha parçaların konfigürasyon optimizasyonunda kural tabanlı imalat sistemi kullanmıştır. DPMED, dişliler, kasnakları, yataklar ve millerin parametrik tasarımında kullanılan uzman sistem yaklaşımıdır [19-21]. ERGENIOUS, tekrar tasarlamaya rehberlik edecek kural-tabanlı, alana özel bir sistemi kullanan diğer bir parametrik tasarım modelidir [22]. Duffey [23], problem tanımından başlayarak konfigürasyon operatörlerini imalat sistemindeki kurallar olarak kullanan bir otomatik konfigürasyon ve oluşum geliştirmiştir. Fenves, ve Murthy de [24, 25], dönüşüm operasyonlarına dayanan tasarım sistemleri oluşturmuşlardır. Ramachandran vd. [19], mekanik güç iletme sistemi tasarımı için MEET diye adlandırılan bir sistem geliştirmiştir. Kusiak ve Szczerbicki [26-32], mekanik sistemlerin kavramsal tasarımı için bir metodoloji önermiştir. Önerilen bu metodoloji, tasarım işlemine ait üç farklı tasarım uzayı arasındaki ilişkiyi tanımlamakla başlar; ihtiyaç uzayı, fonksiyonel uzay, fiziksel uzay. Metodoloji, çizge (graph) teorisi, genel sistem teorisi, YZ kavramlarını kullanır ve kavramsal tasarımı üç aşamaya ayırır; (1) Şartname (İhtiyaçların Listelenmesi) Aşaması, (2) Temsil Aşaması, (3) Sentez Aşaması. EXPBELT, konveyörlerin seçimi ve hesabı ile ilgili problemleri çözen bir uzman sistemdir [33]. IntelliCAD, mikroelektro-mekanik sistemlerin hızlı bir şekilde prototipini geliştirmek için, açık bir yapıya sahip kolay kullanımlı bir bilgisayar destekli tasarım yazılımıdır [34]. PROTOGEN+, belirli özellikte bir çeliğin uygun bileşenlerinin seçiminde ve sıcak dövme işlemi optimizasyonunda tasarımcılara yardımcı olan bir yazılımdır [35]. Uzman Maliyet ve İmal edilebilirlik Rehberi (ECMG), tasarımın ilk aşamalarında maliyet tahminlerinin çıkarılması ve ayrıca üretebilirlik ile ilgili faktörlerin tasarım üzerindeki etkisini anlamak için tasarlanmıştır [36]. EXCAST, döküm tasarımı için geliştirilen bir uzman sistem programıdır [36]. Rao vd. [36], kavramsal tasarım için basit ama pratik bir model olan Tasarım-Analiz-Değerlendirme-Yeniden Tasarım (DAER) olarak adlandırılan modeli geliştirmişlerdir. GRA (Geared Rotor Analyzer), çok dişli rotor sistemlerinde, dinamik durumları çözmek için tasarlanmıştır [37]. DANST (Dynamic Analysis of Spur Gear Transmissions), düz dişlilerde çalışma hızı, torku, ataleti ve diş profilinin, dinamik yük ve eğilme momenti üzerindeki etkisini önceden bildirebilen parametrik çalışmalar için kullanılan bir yazılımdır. TLIFE (Spur Helical and Spiral Bevel Transmission Life and Reliabilty Model), havacılıkta kullanılan araçların ömür, güvenirlilik ve dinamik kapasitesini hesaplayan bir yazılımdır. SDS/Gear, düz ve helisel dişliler, kramayer dişli, düz konik dişlileri analiz eden bir yazılımdır [38]. Cost Advantage, ürün imal edilinceye kadar her aşamada maliyeti belirtmek ve düşürmek için gerekli bilgiyi sonuç almak için kullanan güçlü bir imalat için tasarım uzman sistemidir. Design++, karmaşık üç boyutlu tasarımları, malzeme ve maliyet raporlarını, otomatik olarak geliştiren uzman bir mühendislik sistemidir [39]. ICAD (Knowledge Technologies International-KTI), havacılık, otomotiv, endüstriyel cihaz ve yapı endüstrisi için nesne tabanlı bir mühendislik yazılımıdır [40]. 10

Toktaş, İ., Aktürk, N. Teknolojik Araştırmalar 2004 (2) 7-20 2.2 Bulanık mantık Son yüzyılda yapılan bilimsel devrimlerin hemen hepsi belirsizlik ilkelerini ve bunların sonucunda geliştirilen yöntemleri içermektedir. Belirgin mantık olan Aristo mantığı, yerini belirsizlik içeren ve Azerbaycanlı bilim adamı Zadeh tarafından bulanık mantık (BM) denilen bir hesaplama ve sistem kontrol yöntemi geliştirilmiş ve bugün mühendisliğin bütün alanlarında kullanılır hale gelmiştir [41-43]. Bulanık sistemler, teorik ve matematik aksiyonlu yaklaşımlardan bağımsız bir çözüm algoritması içerdiğinden, herhangi bir sistemin modellenmesinde yaklaşık ve kolay çözüm verir. Elde edilebilen tüm sayısal ve sözel bilgiler çözüm algoritmasına katılarak anlamlı çözümlere varılabilir. Bu bakımdan bulanık yöntem uzman kişilerin de vereceği sözel bilgileri işleyerek toptan çözüme gitmeye yarar [44]. Zadeh [43], olasılık teorisinin gerçek problemlerdeki belirsizlikleri ele almada yetersiz olduğuna vurgu yaptıktan sonra olasılık teorisinin verimliliğini arttırmak için bulanık teorisinde kullanılan tekniklere ve kavramlara başvurulması gerektiğini söylemektedir. Yani, a) olasılık teorisi ve bulanık mantığının birbirinden farklı olduğu, b) belirsizlikle ilgilenirken olasılık teorisinin yeterli gelmediği, ve c) olasılık teorisi ile bulanık mantık birbiriyle çelişmekten çok birbirini tamamladığı söylenebilir. Farklı ve çelişen iki nesne aynı bulanık kümesinin üyeleri olabilirler. Doğru ve Yanlış ı tanımlamadaki fark Şekil 2 de keskin kümeler ve bulanık kümeleriyle tanımı gösterilmiştir. Bir bulanık kümesinde önemli olan her bir elemana atanan doğruluk derecesidir [43]. Genel olarak bir bulanık denetleyici; Veri tabanı, Bulanıklaştırma, Kural tabanı, Çıkarım motoru ve Durulaştırmadan meydana gelmektedir (Şekil 3) [43]. µ 1.0 Yanlış Yanlış=0 Doğru=1 Doğru (a) 0 Doğruluk Derecesi (b) 1 Şekil 2. Doğru ve Yanlış ın tanımı; a) keskin kümelerle, ve b) bulanık kümeler Bulanık mantık ile modelleme yaparken girdi ve çıktı değişkenleri genelde kullanımı basit olan üçgen üyelik fonksiyonları ile alt kümelere ayrılarak bulanıklaştırılır. Bunun için çok küçük, küçük, orta, büyük ve çok büyük gibi, değişkene bağlı olarak sözel ifadeler kullanılır. Daha sonra işlem sırası, girdi ve çıktı üyelik fonksiyonları arasındaki ilişkiyi belirleyen kuralların bulunduğu kural tabanının oluşturulmasına gelir. Kural tabanı oluşturulurken ya mevcut verilerden hareket edilir veya tecrübelerden yararlanılır. Kural tabanı sözel cümleciklerden oluşur. Bulanık mantık ile modellemede, kural tabanı bir çeşit mantıksal ifade olan EĞER-İSE yapısıyla oluşturulur. EĞER kısmı, girdi bulanık kümelerinden, İSE kısmı çıktı bulanık kümesinden değişkenleri içerir. EĞER-İSE ifadeleri VE veya VEYA bağlaçları ile birbirine bağlanır. Mesela X 1 ve X 2 girdi değişkeni, Y çıktı değişkeni olmak üzere ve tüm değişkenlerin küçük, orta ve büyük gibi üçer alt kümesi olduğu kabul edilirse, yazılabilecek kurallardan birisi: EĞER X 1 küçük ve X 2 orta İSE Y büyüktür şeklinde olabilir. 11

Teknolojik Araştırmalar 2004 (2) 7-20 Makina tasarım işleminde kullanılan yapay zeka teknikleri ve uygulama alanları Veri tabanı Bulanıklaştırma Çıkarım motoru Kural Tabanı Durulaştırma Çıktılar Şekil 3. Bulanık bir denetleyicinin yapısı. Kurallar oluşturulduktan sonra, girdi değişkenlerinin bulanık alt kümelerinin her farklı kombinasyonu için çıktı değerleri hesaplanır. Bulanık kurallara karar vermekteki en basit yöntem, örnek veriler kullanmak ve bulanık çıkarım yöntemiyle gerekli kuralları çıkarmaktır [45]. Bulanık çıkarım motorunda, bulanık deneysel veriler kurallar çerçevesinde bulanık mantık yürütülerek mantıksal hale dönüştürülmektedir. Bu bulanık bilgilerden yararlanabilmek ve kesin sayılar haline dönüştürebilmek için bu bilgilerin durulaştırılması gerekmektedir. Bir bulanık küme işleminin sonucundaki bulanık kümenin tek sayı haline dönüştürülmesi işlemine durulaştırılma adı verilir. En çok kullanılan durulaştırma yöntemleri, en büyük üyelik ilkesi, ağırlıklı ortalama yöntemi, ağırlık merkezi yöntemi, ortalama en büyük yöntem, toplamların merkezi, en büyük alanın merkezi, en büyük ilk veya son üyelik derecesidir. Durulaştırma işlemlerinde en çok kullanılan yöntem ağırlık merkezi yöntemidir [41]. Bulanık mantıkta değişkenlere kesin değerler atamak yerine sözel ifadeler verilmektedir. Bu tanımlar bulanık setler ile belirtilirler. Çıkarım motoru bu tanımlar üzerinden yapılır. Mesela oda sıcaklığı 20 derece yerine normal ifadesi kullanmakta ve normal oda sıcaklığı gösteren bir bulanık set tanımlanmaktadır. Bulanık sete sahip bir değişken o setin belirttiği tanıma uygunluk derecesine sahip olur. Bu değer 0 ile 1 arasında bir değerdir. 0 olması kesinlikle ilgili tanıma uyulmadığını 1 ise tam uygunluğu gösterir. Bir örnek vermek gerekirse, oda sıcaklığı için oluşturulacak bir bulanık set de uygunluk dereceleri şöyle olabilir (aslında bu set sonsuz eleman olan bir fonksiyondur) [3]. Normal: (0, 0.3, 0.7, 1.0, 0.7, 0.3, 0) Burada 0 oda sıcaklığının 10 derece ve aşağısı ile 30 derece ve yukarısını, 0.3 oda sıcaklığının 10-16 dereceler ile 24-30 dereceler arasında, 0.7 ise 16-18 ile 22-24 dereceler arasında, 1 ise sıcaklığın 18-22 dereceler arasında olduğunu gösterir. Görüldüğü gibi oda sıcaklığı hangi değeri alırsa alsın onun normal olma durumu hesaplanabilir. Bu bilginin bilgi tabanında kullanılması da yine bulanık mantıktan oluşan kurallar ile gerçekleştirilir. Örnek olarak yine oda sıcaklığı verilirse; Eğer oda sıcaklığı normal ise sıcaklık girişini normale ayarla şeklindeki bir kural bilgi tabanında var ise ve oda sıcaklığı normalden biraz düşük ise sistem sıcaklık girişini de normalden biraz düşük yapacaktır [3]. 12

Toktaş, İ., Aktürk, N. Teknolojik Araştırmalar 2004 (2) 7-20 Şu ana kadar bulanık kümeleri bir çok disipline uygulanmıştır. Mühendislik uygulamalarında bulanık mantığının başarısı ilk olarak endüstriyel işlem kontrol alanında fark edilmiştir ve sayısal analiz alanına uygulanması ise henüz yenidir ve geçmişte bu konuya fazla ilgi duyulmamıştır. Şüpheli tanımlamalar içeren problemlerin yaklaşık çözümünde, veri yönetimi ve sınıflandırması, karar verme mekanizmalarında bulanık mantık kullanılmıştır. Bulanık kümeleri teorisi son otuz beş yıl içinde geliştirildi. Birçok alana yayılmasına karşın, bulanık kümeleri mantığı bazısı kuşkudan, bazısı ise önyargıdan kaynaklanan bir çok eleştiriye uğradı. Bütün bunların ardından geçmişe bakarak, bulanık kümelerinin pratik kullanışlılığını ortaya koyan bir çok somut uygulamayı bulanık mantığına ait tartışma konularına cevap sayabiliriz. Teorik alanda ortaya konulan ilerlemelere rağmen üyelik fonksiyonlarının geçerliliği, bu fonksiyonların üretiliş şekilleri ve bulanık çıkarım kurallarına dair bazı operasyon teknikleri üzerinde tartışmalar hala devam etmektedir. Ancak, bulanık mantığın akıl yürütmeden pratik uygulamalara kadar değişen çeşitli mühendislik disiplinlerinde önemli bir rol oynadığı kesindir. Bulanık mantık yaklaşımının en büyük avantajı, gerekli kural tabanı oluşturularak deneysel verilerin doğrudan kullanılabilmesidir. Faktörlerin birbiriyle etkileşimi ve çelişkisini tutarlı bir şekilde ancak tecrübeli bir mühendis tartabilir ve en makul kararı verme aşamasında var olan bütün bilgileri ancak o kullanabilir. Bu sebeple matematik bağıntılarla güçlükle ifade edilen deneysel veriler çok daha kolay bir şekilde dikkate alınabilmektedir. Bu çerçevede son olarak bulanık teorisinin temel avantajları şu şekilde sıralanabilir [43]. Bulanık mantık, eksik ve şüpheli bilgiden kaynaklanan belirsizliği hesaba katmanın sistematik bir temelini sunmaktadır. Keskin sınırları olmayan kümeler bulanık kümeleri kullanılarak kolaylıkla modellenebilir. Bulanık mantık uzman bilgisini kullanmaya imkan sağlar, bu bilgiyi tutarlı ve yapısal bir yolla işleme yeteneğine sahiptir. Bir rasgele tanımlama için gerekli bilgi mümkün olmadığı zaman, olasılık metotlarının kullanılması zor olabilir. Bu durumda, bulanık kümeleri teorisi işe yarar. Makine tasarım işleminde karşılaşılan en önemli problem, sözel değişkenlerin ve tam ifade edilemeyen verilerin çok fazla olmasıdır. Bulanık mantık yaklaşımı kullanarak bu değişkenler belirli değişkenler haline getirilerek çözüm elde edilmeye çalışılmaktadır. 2.3 Genetik algoritmalar Genetik Algoritmalar(GA), temelde güçlü olanın yaşamını sürdürmesi, güçsüz olanın ise ölmesi prensibini esas alarak, farklı birçok çevrede güçlü olanın yaşamını sürdürmesi için verimlilik ve etkinlik arasındaki dengeyi sağlamaya çalışmaktadır. Diğer bir değişle, GA lar bir amaç fonksiyonunu maksimize veya minimize etmek üzere optimizasyon problemlerinin çözümünde doğadaki genetik yasalara benzer kurallar aracılığıyla en iyiye yaklaşma olanağı sağlamaktadır. GA ile problemleri çözebilmek için problemlerin genellikle rakamlarla (çoğunlukla 0 ve 1) gösterilmeleri gerekmektedir. Bunlara biyolojide olduğu gibi gen denilir. Genler kromozomlar oluşturur. Her bir kromozom problem için alternatif bir çözüm demektir. Önemli olan en iyi çözümü bulabilmektir. O nedenle sadece gösterimi sağlamak problemi çözmek için yeterli değildir. Her kromozomun problem çözümüne uygunluğunu gösteren bir uygunluk fonksiyonuna ihtiyaç vardır. Bir genetik algoritma belirli sayılardaki kromozomlar üzerinde işlevini görür. Belirli bir seçme kriterine göre seçilen iki kromozomu birleştirerek (çaprazlama) yeni kromozomlar oluşturur. Bazı durumlarda çözüme daha önce varabilmek için kromozom üzerinde bilgi değişikliği yapmak gerekir(mutasyon). Eski kromozomlar ile üretilen yeni kromozomlar uygunluk fonksiyonunu kullanarak bir değerlendirme operasyonundan geçirilip daha sonraki adımlarda yeni kromozomları oluşturacak kromozomlar seti belirlenir (yeniden üretim). Bu çaprazlama, mutasyon, değerlendirme ve yeniden oluşturma işlemleri daha iyi sonuçlar üretilinceye kadar devam eder. Sonuçta uygunluk fonksiyonu en yüksek olan kromozom çözüm kromozomu olarak belirlenir. Bu kromozomun gösterdiği çözüm, problemin de çözümü olarak kabul edilir [3]. 13

Teknolojik Araştırmalar 2004 (2) 7-20 Makina tasarım işleminde kullanılan yapay zeka teknikleri ve uygulama alanları Mühendislik tasarımında karşılaşılan pek çok problemde tasarım değişkenleri ayrıktır. Yani, bir problemin çözüm kümesi birbiri ile alakası olmayan değerlerden meydana geliyor olabilir. Tasarım değişkenleri ayrık olması durumunu ele alan çok az algoritma geliştirilmiştir. Ayrık değişkenlerin kullanıldığı Genetik algoritma, yapısal optimizasyon çözüm uzayı gibi zaman alıcı ve karmaşık çözüm uzayları ve bilinen doğrusal programlama metotlarıyla çözülemeyen optimizasyon problemlerinin çözümü için esnek ve oldukça etkili sonuçlar verdikleri görülmektedir [46]. Diğer optimizasyon yöntemleriyle kıyaslandığında, GA bir topluluktaki (populasyon) her bir bireyin yönlendirmesiyle arama yapmakta, Monte Carlo yöntemi ise yönlendirilmeyen rastgele arama yapmaktadır. GA, eğer bireylerin uyumluluğu artarsa arama alanında radikal ve yerel olmayan atlamalarda yapabilmektedir. Simulated annealing ise arama alanında artan hareketle işlemi yapmaktadır. Sonuç olarak GA birçok cephede aynı anda optimum çözümü aramaktadır ve dolayısıyla yerel bir optimumda sıkışma riski minimumdur [47]. GA, makine mühendisliğinin birçok alanında uygulanabilecek güçlü bir metottur, fakat daha yaygın kullanılabilmesi için desteğe ihtiyaç vardır. GA, arama, optimizasyon, makine öğrenmesi problemlerinde uygulanmaktadır. 2.4 Yapay sinir ağları Yapay sinir ağları (YSA), bilgisayarda öğrenme işlemi için geliştirilmiştir. Bu ağlar insan beyninin varsayılan çalışma prensiplerine göre tasarlanmış olup olaylar arasındaki ilişkileri bilinen örnekleri kullanarak öğrenmeye çalışırlar. Paralel çalışma özellikleri olduğundan çok daha kısa zamanda sonuçlar üretebilmekte dolayısıyla gerçek zamanlı problem çözmede oldukça faydalı sonuçlar ortaya koymaktadır. Bu ağlar birbirine bağlanmış ve bir hiyerarşik yapıda olan basit işlem elemanlarının (yapay sinir hücreleri) yoğun bir paralel dizisi ve verilen girdilere karşı çıktı üretebilen bir Kara Kutu olarak ta tanımlanabilir (Şekil 4). Bu kara kutunun işlevi, basitçe, matematiksel bir fonksiyonu temsil etmek şeklinde açıklanabilir. YSA bu fonksiyonun tam olarak bir matematiksel karşılığına ihtiyaç duymaz, diğer bir değişle örneklere gereksinimi vardır. Zaten, matematiksel karşılığı gerekli olsaydı, YSA ya ihtiyaç duyulmazdı. Girişler Çıkışlar Şekil 4. Kara kutu Her hücrenin bilgi toplama ve bunu işleyerek diğer elemanlara gönderme özelliği vardır. Bu konuda çeşitli algoritmalar ve yaklaşmalar söz konusudur. Yapay sinir ağları, olayları gerçekleşen örnekleri kullanarak öğrendiklerinden uzman sistemlerdeki bilgi toplama darboğazı burada ortadan kalkmış olmaktadır. Yalnız burada da kullanılan örneklerin bilgisayarın öğrenmesi istenen ilişkileri doğru şekilde temsil etme özelliklerinin olması gerekmektedir. Problemin ağa gösterim şekli, ağın sahip olduğu topolojik yapı, ağın kullandığı öğrenme stratejisi ve öğrenme kuralı, ağın bilgi toplama ve sonuç üretme mekanizmalarının seçimi ve ağın performansı üzerinde etkili olacaktır. Ağı oluşturan işlem elemanları birbirleri ile bağlıdırlar. Her bağlantının bir değeri vardır. Bu değerler ağın olay hakkında sahip oldukları bilgiyi gösterir. Tek bir bağlantının değerinin bir anlamı yoktur. Bir grup bağlantı veya bağlantıların hepsi anlamlı bilgiyi oluşturur. Birbirinden değişik yaklaşık 30 civarında farklı topolojiden (modelden) bahsedilebilir. Genel olarak 3 tür öğrenme stratejisinden söz edebiliriz. Ağ eğitilirken bir öğretmen tarafından ne öğrenmesi gerektiği ağa söylenebilir (öğretmenli öğrenme). Yine bir öğretmen ağa ne öğrenmesi gerektiğini söylemez fakat sonuçların doğru veya yanlış olduğunu söyleyebilir (takviyeli 14

Toktaş, İ., Aktürk, N. Teknolojik Araştırmalar 2004 (2) 7-20 öğrenme). Ağ, dışardan herhangi bir etki söz konusu olmaksızın olayı kendi kendine öğrenir (öğretmensiz öğrenme). Bu stratejileri uygulayan çeşitli öğrenme kuralları vardır [3]. Yapay sinir ağlarının bir takım özellikleri her ne kadar ilgili problemin yapısına ve kullanılan sinir ağı modeline bağlı olsa da geleneksel ve popüler bilgi işleme metotlarından ayıran bazı özellikleri aşağıda Tablo 1 de gösterilmiştir [3, 48, 49]. Tablo 1: YSA ve Geleneksel tekniklerin karşılaştırılması [3, 49]. Geleneksel Yapay Sinir Ağları Teknikler Öğrenme Süresi -- Uzun Cevap verme Süresi Uzun Kısa Öncelikli bilgi Gerekli Sadece örnekler gerekli Bilgi Temsili Zor Kolay Rasgele seçilmiş Zor Kolay problem Performans Uygun İyi Bilgi İşleme Açık Kapalı Kaynak Uzman kişi Örnekler Günümüzde YSA disiplinler arası bir konu olduğundan yapılacak çalışmaların sayısı da gitgide artacaktır. Bu çalışmaların birçoğunda mevcut algoritmaların en başarılısı olan geriye yayılım (backpropagation) algoritması uygulanmıştır. Mevcut ağ ları geliştirmek için daha sağlam ve somut çalışmalara ihtiyaç vardır. Bu sahanın gerçek potansiyelini gösterebilmesi için, öncelikle yeni tekniklerin geliştirilmesi; varolanların iyileştirilip, güçlendirilmesi; ve teorik tabanın genişletilip sağlamlaştırılması gerekmektedir [50, 51]. Son yıllarda yapay zeka alanında mantık ve sembol gösterimine dayanan disiplinler hakim hale gelmişlerdir. Örneğin Uzman sistemler gündeme gelmiş ve önemli başarılara imza attıkları gibi başarısızlıkları da olmuştur. Bazıları yapay sinir ağlarının günümüz yapay zekasının yerini alacağını düşünmektedir. Fakat yapılan uygulamalardaki eğilim yapay sinir ağları ve uzman sistemlerin, her biri kendi uzmanlık alanına giren işi yapmak üzere, birleşip aynı sistemler üzerinde bulunacaklarını göstermektedir. Aslında bu eğilim sadece uzman sistem ve yapay sinir ağı ikilisi için değil aynı zamanda tüm yapay zeka teknikleri için de geçerlidir. Oluşturulan bu sistemlere karma (hibrid) sistemler adı verilmektedir. Yapay Zeka tekniklerinin sistemde birlikte hareket etmesi, tek başlarına olmalarından daha kuvvetli bir sistem oluşturmakta ve biyolojik benzerleri tarafından sunulan modeli başarılı bir şekilde temsil edilebilmektedirler. Tablo 2 de US ve YSA arasındaki benzerlikleri, Tablo 3 de farklılıklar, gösterilmektedir. Tablo 2. US ve YSA nın Karşılık Gelen Elemanları [49]. Uzman Sistemler Yapay Sinir Ağları Şartlar veya sonuçlar İşlem elemanları (düğümler) Kurallar Bağlantılar Belirsizlik değerleri Ağırlık değerleri Gerçekleri toplama Toplama fonksiyonu Kuralları çalıştırma Çıkış Fonksiyonu 15

Teknolojik Araştırmalar 2004 (2) 7-20 Makina tasarım işleminde kullanılan yapay zeka teknikleri ve uygulama alanları Tablo 3. US ler ve YSA Arasındaki Farklılıklar [49]. Parametre Uzman Sistemler Yapay Sinir Ağları Kullanıcı Mevcuttur Mevcut değildir arabirimi Açıklama Mevcuttur Mevcut değildir yeteneği Uzman kişi İhtiyacı var İhtiyacı yoktur Örnekler İhtiyacı yoktur İhtiyacı var Problemin Zorlaşır Değişmemektedir boyutu çoğaldığında bakım Oluşturulması Kurallar, hiyerarşik Eğitilmekte yapılar Bilgi işleme Seri ve karmaşık Paralel Bilgi temsili Kesin ve açık/ Sözlü ifade Saklı / sözlü ve sayısal ifade Tam değerlerin belli olması Şarttır Şart değildir Bu tablolardan da görüldüğü gibi, bir US ile YSA arasındaki temel farklardan biri öğrenme olanağı ile ilgilidir. US lerde öğrenme ya yapılamamakta, ya da zor yapılmaktadır. YSA ise bu olay üzerine kurulmaktadır. Bu yöntemler çoğu zaman birbirini tamamlayıcı özelliklere sahiptirler. Bu yüzden son yıllarda her iki yöntemi birleştirerek, her birisinin zayıf taraflarını giderecek sistemlerin tasarlanması yaygınlaşmaktadır. YSA nın Temel Özellikleri; YSA ya, öğrenilmesi istenen girdi/çıktı ilişkilerinin örnekleri verilir. YSA bu örnekleri kullanarak genellemeler yapar (örneklerden öğrenme). YSA ya örnekler girdi olarak verilir ve YSA, oluşturulan girdi/çıktı eşleşmeleri ile bilgiyi depoladığı yerdeki yayılı belgeleri kullanarak karşılık gelen çıktıyı üretir(biçim tanıma ve sınıflandırma). Eksik bilgiye sahip bir örnek verildiğinde ağ, eksik örnekteki kayıp olan bilgiyi belleğinde bulunan tam örnekteki bilgilerle bağdaştırarak eksik örnekteki kayıp bilgiye karşılık gelen tam örnekteki bilgiyi bulabilir (eksik bilgileri tamamlama). Bazı YSA, kendi kendine öğrenme yeteneğine sahiptirler. Ortamda bazı değişiklikler olduğunda, bu tür sinir ağları bu yeni duruma kendilerini adapte edebilir (kendi kendine adapte olma). Bazı işlem elemanlarının ağdan çıkarılması veya olmaması durumunda yapay sinir ağının başarısız olması gibi bir durum söz konusu değildir. Bilgi, bütün ağ boyunca yayılı olduğundan bazı bilgilerin kayıp oluşu veya yok edilişi, ağın performansının tamamen düşmesine sebep olmayacaktır. Bu özellik, hesaplamada ufak bir eksikliğin kötü sonuçlara yol açabileceği kritik ortamlarda çok faydalı olacaktır(hatalara tolerans gösterme). Bulanık veya eksik bilgiler ağa sunulduğu zaman yayılı bellek girdi için en uygun olan çıktıyı seçer. El yazısı tanıma, bu özelliğe güzel bir örnektir (eksik bilgilerle çalışabilme) [3]. Yapay sinir ağları belli bir belirsizliği taşırlar. Mümkün olan tüm girdiler denenmediği müddetçe, alınan çıktının doğruluğundan yüzde yüz emin olunamaz. Çok büyük bir ağda, böyle bir test imkansız olduğu için, ağ ın performansı ile ilgili istatistiksel tahminlerle yetinilmek zorundadır. Benzer bir zorluk da, yapay sinir ağlarının kendilerinin problemleri nasıl çözdüklerini açıklayamamalarında yatmaktadır. Ağ ların öğrendiklerini kendi içlerinde ifade şekilleri veya koruma şekilleri çok karmaşıktır. Bu sebeple analizleri de çok zor hatta imkansız olmaktadır. Bu, bizim bir insanı, uzaklığa, ışığın yetersizliğine, hatta onu görmeyeli yıllar geçmesine rağmen tanımamızı açıklamamıza benzer [52-54]. 16

Toktaş, İ., Aktürk, N. Teknolojik Araştırmalar 2004 (2) 7-20 Yapay sinir ağlarının potansiyel uygulama alanları, insan zekasının kolaylıkla üstesinden geldiği fakat klasik bilgisayarların çok hantal ya da yetersiz kaldığı alanlar diye tarif edilebilir. YSA nın uygulama alanlarının gelişmesi ancak ve ancak teorik yapılanmanın yetersiz olduğu günümüzde bu alanda yapılan araştırmaların hızla yerini almasıyla gerçekleşecektir [55]. YSA çalışmalarıyla, önceleri temel tıp bilimlerinde nöron modelleme çalışmaları ile beyin hücrelerinin işlevlerinin ve birbirleri ile haberleşme şekillerinin ortaya çıkarılması amaçlanmıştır. Bugün ise sayısal optimizasyon tasarımlarını da içine alacak şekilde, klasik yöntemlerle çözülemeyen problemlere başarılı çözümler getirmektedir. Böylece matematik ve fizik gibi temel bilimlerle, elektrik, bilgisayar ve makine mühendisliği gibi uygulamalı alanlarda kullanılır hale gelmiştir. Günümüzde makine tasarımı çalışmalarında, büyük bir hızla kullanılmaya devam edilmekte olup; sınıflandırma, tahmin, kontrol sistemleri, optimizasyon ve karar verme gibi bazı uygulamaları bulunmaktadır [56]. 2.5 Zeki karma (Hibrit) sistemler Sun ve arkadaşları, bulanık muhakemeye dayalı yapay sinir ağlarını kullanarak, tasarım alternatiflerini tanımlama ve değerlendirme için bir metot sunmuştur [57]. Su ve arkadaşları, ürün tasarım şartnamesi, kavramsal tasarım, ayrıntılı tasarım, işlem planlama, maliyet, CNC imalatını da kapsayan tüm aşamalar için zeki karma bir sistem yaklaşımı geliştirmiştir. Bu sistemde, Tasarım ve imalat uzmanlığı kurala dayalı sistem ve yapay sinir ağları tarafından ele alınmaktadır. Bunun yanında, nümerik analiz, tasarım optimizasyonu, mühendislik çizimi ve veri işleme gibi diğer görevler, genetik algoritma, hipermedya ve Bilgisayar Destekli Tasarım/Bilgisayar Destekli Mühendislik/Bilgisayar Destekli İmalat kullanılarak yapılmaktadır. Sistem yaklaşımı mekanik güç iletme sistemlerine uygulanmıştır [58]. Ayrıca, Su ve arkadaşları, yapay sinir ağları, bilgiye dayalı sistemler ve multimedya tekniklerini kullanarak dişli tasarımı için farklı bir zeki karma tasarım işlem modeli de geliştirmiştir [59]. Milcic ve Miltenovic, bulanık uzman sistemleri kullanarak, mekanik güç iletme sistemlerinden dişlilerin kavramsal tasarımı için, nesne-uyarlı programlamanın tüm kurallarını destekleyen, CLIPS ve Fuzzy CLIPS programlama ortamında bir sistem geliştirmiştir [60]. 3. Sonuçlar Yapay Zeka tekniklerinin makine tasarım işleminde kullanılmasıyla, işlemler daha az zaman almakta ve daha kolay olmaktadır. İnsan gücü ve iş günü kaybının azaltılmasıyla düşen maliyetler sayesinde, bugünün rekabet şartlarında önemli bir avantaj sağlamaktadırlar. Geleneksel yazılım sistemlerinin yapısı, çözülecek probleme, programcının seçeceği metodolojiye ve uygulama sırasındaki pek çok etkiye bağlıdır. YZ teknikleri ise uygulamadan bağımsız genel bir yapıya sahiptir. Günümüzde kullanılan yapay zeka teknikleri, rekabet şartlarında insan gücü ve işgünü kaybını azaltarak, pazarda önemli bir avantaj sağlamaktadırlar. Genellikle yüksek performans, uygun yanıt süresi, yüksek güvenirlik anlaşılabilirlik ve esneklik gibi genel karakteristiklere sahip olması için tasarlanan yapay zeka teknikleri, sadece bilgi ve tasarım özelliklerinin anlaşılması değil, bunların yanı sıra benzer tasarım aktivitelerindeki tecrübenin de önemli olduğu tasarım uygulamalarında, tasarımcının aktivitelerini modeller, tasarımcının bilgi birikimini tasvir eder ve tasarımcıya yardımcı olacak sistemleri veya tasarım yapacak sistemlerin kurulmasını içermektedir. Eğer endüstriler bilgi teknolojisi devriminin nimetlerinden yararlanmak istiyorlarsa, uzman işlem planlayıcıların, tasarımcıların, işlem kontrolcülerin bilgi birikimini, sonuç almak için güç olarak, kullanan mekanizmaları hızlı bir şekilde kurmalıdırlar. 17

Teknolojik Araştırmalar 2004 (2) 7-20 Makina tasarım işleminde kullanılan yapay zeka teknikleri ve uygulama alanları Kaynaklar 1. McCormack, M.D. ve Day R., How Artificial Intelligence Impacts E&P Productivity, World Oil, s. 81-87, 1993. 2. Mills, S. ve Tanik, M.M., Selection of Expert System Tools for Engineering Design Applications, ASME-ETCE, Huston-TEXAS, s.41-45, Jan-1997. 3. Öztemel E. Yapay Zeka Teknolojisi, Otomasyon, 46, s.130-132, 1996. 4. Geren, N. ve Baysal, M.M., Uzman Sistem Geliştirme Araçları ve Mühendislik Uygulamalarında Seçimi, Makine Tasarım ve İmalat Teknolojileri Kongresi, MATİT 2001, TMMOB Makine Mühendisleri Odası Konya Şubesi, s. 253-263, 02-03 Kasım 2001. 5. Baysal, M.M. ve Geren, N., Makine Mühendisliğinde Kullanılan Ticari ve Prototip Uzman Sistem Yazılımları, Makine Tasarım ve İmalat Teknolojileri Kongresi, MATİT 2001, TMMOB Makine Mühendisleri Odası Konya Şubesi, s. 241-251, 02-03 Kasım 2001. 6. Baraçlı, H. ve Kulak, O., Müşteri İsteklerini Ürün Karakteristiklerine Dönüştüren Bir Uzman Sistem Yaklaşımı, 2000 li Yıllarda Uzay, Havacılık ve Savunma Teknolojilerinin Öncelikleri Sempozyumu, s.707-716, 2000. 7. Ullman, D. G., The Mechanical Design Process, McGraw Hill, New York, s.340, 1997. 8. Denning, P. J., Towards a Sciense of Expert Systems, IEEE Expert, s.80-83, Summer 1986. 9. Brown, D.C. ve Birmingham, W. P., Understanding the Nature of Design, IEEE Expert, s.14-16, March-April 1997. 10. Cholvy, L. ve Fotsseau, J., Rosalle. A CAD Object Oriented and Rule-Based System, Information Processing 83, Mason, R.E.A., ed., North- Holland: Elsevier Science, s. 501-505, 1983. 11. Mittal, S.M., Dym, C.L. ve Morjaria, M., PRIDE: An Expert System for the Design of Paper Handling Systems, IEEE Computer, s. 102-114, November 1985. 12. Shah, J.J., Development of a Knowledge Base for and Expert system for Design of Structural Parts, Proceedings of the ASME Computers in Engineering Conference, American Society of Mechanical Engineers, Boston, MA., November 1985. 13. Shah, J.J. ve Pandit, L., Designer-An Expert System for Conceptual From Design of Structural Parts, Computers in Engineering, American Society of Mechanical Engineers, Chicago, 1986. 14. Shah, J.J, Synthesis of initial Form From Structural Shape Optimization, ASME Transactions, Journal of Vibrations, Acoustic, Stress and Reliability, January 1988. 15. Shah, J.J., Shape Algebra for Structural Configuration Synthesis, Proceedings of the ASME Computers in Engineering Conference, American Socitey of Mechanical Engineers, San Francisco. CA, July 31-August 3, 1988. 16. Brown, D.C. ve Chandrasekan, B., Expert Systems for a Class of Design Activity, in Proceedings of the first International Conference on Applications in Engineering, Sriram, D. ve Adey, B., eds., Computational Mechanics, UK, 1986. 17. Zarefar, H., Lawley, T.J. ve Etesami, F., PAGES: A Parallel Axis Gear Drive Expert System, Computers in Engineering, American Society of Mechanical Engineers, New York, s. 145-149, 1986. 18. Suzuki, H. ve Kimura, F., Framework for Constructing Intelligent CAD Systems, Proceedings of the IFIP WG 5 2 Working Conference on Expert Systems in Computer-Aided Design, IFIP, Sydney, Australia, February 1987. 19. Ramachandran, N., Shah, A. ve Langrana, N.A., Expert System Approach in Design of Mechanical Components, Technical report CAIP-TR-058. Center for Computer Aids for Industrial Productivity, Rutgers-State University of New Jersey, January 1988. 20. Shah, A., Ramachandran, N. ve Langrana, N., Knowledge-Based Design Of Primitive Mechanical Components, Technical Report CAIP-TR-052, Center for Computer Aids for Productivity, Rutgers University, November 1987. 21. Steinberg, L.I., Design as Refinement Plus Constraint Propagation. The VEXED Experience, Proceedings of the Sixth National Conference on Artificial Intelligence, AAA, Seattle, WA, July 1987. 18

Toktaş, İ., Aktürk, N. Teknolojik Araştırmalar 2004 (2) 7-20 22. Nicklaus, D.J., Tong, S.S. ve Russo, C.J., Ergenious: A Knowledge Directed Computer Aided Design Shell, Proceedings of the Third Conference On Al Applications, IEEE Computer Society, tihe Computer Society Press, February 1987. 23. Duffey, M.R. ve Dixon, J.R., Automating the Design of Extrusions: A Case Study İn Geometric and Topological Reasoning for Mechanical Design, Proceedingis of the ASME Computers in Engineering Conference American Society of Mechanical Engineers, San Francisco, CA, July 31- August 3, 1988. 24. Fenves, S.J. ve Baker, N.C., Spatial and Functional Representation Language for Structural Design, Expert Systems in CAD, Elsevier Science (North-Holland), IFIP 5.2, 1987. 25. Murthy, S.S. ve Addanki, S., PROMPT: An Innovative Design Tool, Proceedings. AAAI Sixth National Conference on Artificial Intelligence, vol. 2. AAAI, Seattle, WA. July 13-17, s. 637-642, 1987. 26. Kusiak, A. ve Szczerbicki, E., A Formal Approach to Design Specifications, B.Ravani, ed., Advances in Design Automation (New York: ASME), s.311-316, 1990. 27. Kusiak, A. ve Szczerbicki, E., Conceptual Design System: A Modeling and Artificial Intelligence Approach, Proceedings of the Second National Symposium on Concurrent Engineering (Morgantown, WV), s. 427-442, 1990. 28. Kusiak, A. ve Szczerbicki E., Rule-based Synthesis is in Conceptual Design, Proceedings of the third International Symposium on Robotics and Manufacturing (Vancouver, BC), s. 757-762, 1990. 29. Kusiak, A. ve Szczerbicki, E., Transformation from Conceptual to Embodiment Design, IIE Transactions, Vol.25, No.4, s.6-12, 1993. 30. Kusiak, A., Szczerbicki, E. ve Park K., A Novel Approach to Decomposition of Design Specifications and Search for Solutions, Int. Journal of Production Res., Vol 29, No 7, s. 1391-1406, 1991. 31. Kusiak, A., Szczerbicki, E. ve Vujosevic R., CONDES: An Intelligent System for Conceptual Design, Expert Systems, 3(2), 1991. 32. Kusiak, A., Szczerbicki, E. ve Vujosevic R., Intelligent Design Synthesis: An Object-Oriented Approach, International Journal of Production Research, Vol.29, No.7, s.1291-1308, 1991. 33. Dentsoras, A.J ve Gavrielatos, A., Applying Expert Systems to Belt Conveyor Design, Journal of Systems Engineering, cilt 3, s.121-134, 1993. 34. Maseeh, F., Virtual Prototype Manufacturing Software System for MEMS, LEOS Summer Topical Meeting Advanced Aug 5-9, Keystone, s.53, 1996. 35. Manohar, P.A., Shivathaya, S.S. ve Ferry, M., Design of an Expert System for the Optimization of Steel Compasitions and Process Route, Expert System with Applications, cilt 17, s.129-134, 1999. 36. Rao, S.S., Nahm, A., Shi, Z., Deng, X. ve Syamil, A. Artifical Intelligence and Expert Systems Applications in New Product Development-A Survey, Journal of Intelligent Manufacturing, cilt 10, s.231-244, 1999. 37. COSMIC Web Sayfaları URL:http://www.cosmic.uga.edu,(10.05.2001). 38. Solid Dynamics Web sayfaları, URL:http://www.solid-dynamics.fr/,(10.05.2001). 39. Cognition Corp. Web Sayfaları URL:http://www.ci.com,(10.05.2001). 40.Knowledge Technologies International Web Sayfaları, URL:http://www.ktiword.com/home.shtml,(10.05.2001). 41. Şen, Z., Bulanık Hidroloji, III. Ulusal Hidroloji Kongresi, s.65-78, İzmir, 2001. 42. Zadeh, L.A., Fuzzy sets Informal Control, Vol. 8, s. 338-353, 1965. 43. Aydemir, A., Sonlu Eleman Gerilme Analizinde Fuzzy Mantığı, Doktora Tezi, Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Makine Mühendisliği, Nisan 2001. 44. Bumat, Bulanık Küme, Sistem ve Teknolojisi, İTÜ Bulanık Mantık Teknolojisi (Bumat) Bülteni, sayı 1, s. 8-9, İstanbul, 2001. 45. Kiszka, J.B., Kochanskia, M.E. ve Sliwinska, D.S., The Influence of Some Fuzzy Implication Operators on The Accuracy of Fuzzy Model, Part 1. Fuzzy Sets and Syst. 15, s. 111-128, 1985. 46. Goldberg, D. E., Genetic Algorithms in Search, Optimizasyon and Machine Learning, Addison- Wesley Publishing Company Inc., s. 60-77, 327-349, 1989. 19

Teknolojik Araştırmalar 2004 (2) 7-20 Makina tasarım işleminde kullanılan yapay zeka teknikleri ve uygulama alanları 47. Schuette, J. F. ve Pevear, D. R., Matchmod: A Genetic Algorithm to Interpret X-Ray Diffraction Patterns, in Artificial Intelligence in the Petroleum Industry, Symbolic and Computational Applications, edited by B. Braunscweig and R. Day, Editions Technip, Paris, Chap. 14, 397-415, 1995. 48. Lippmann, R. P., Pattern classification using neural networks, IEEE Communication Magazines, s. 47-64, 1989. 49. Allahverdi, N., Uzman Sistemler ve Yapay Zeka Uygulaması, Atlas Yayın Dağıtım, s.145-177, 2002. 50. Perry, W.G., What is Neural Network Software, Journal of System Management, Vol. 45, No.9, s. 12-15,1994. 51. Asakawa, K. ve Takagi, H., Neural Network in Japon, Communications of the ACM, Vol. 37, No. 3, s. 106-112, 1994. 52. Dağlı, C., Artificial Neural Networks for Intelligent Manufacturing, Transaction on Operational Research, Vol. 6, No. 1, s. 1-8, 1994. 53. Azoff, E. M., Neural Network Fundementals with Graphs and application, McGraw-Hill, New York, 1996. 54. Beltratti, A., Margarita, S. ve Terno, P., Neural Networks for Economic and Financial Modelling, International Thompson Computer Press, London, 1996. 55. Crooks, T., Care and Fedinng of Neural Network, AI Expert, Vol. 7, No. 7, s. 37-41, 1992. 56. Öztemel, E., Bigisayarlarda Öğrenme ve Yapay Sinir Ağları, Otomasyon, pp. 134-140, Mart 1996. 57. Sun, J., Kalenchuk, D.K., Xue, D. ve Gu, P., Design Candidate İdentification Using Neural Network- Based Fuzzy Reasoning, Robotics and Computer Integrated Manufacturing, 16, s.383-396, 2000. 58. Su, D., Wakelam, M., Intelligent hybrid system for integration in design and manufacture, Journal of Materials Processing Technology, 76, s.23-28, 1998. 59. Su, D., Wakelam, M. ve Jambunathan, K., Integration of a Knowledge-Based System, Artificial Neural Networks and Multimedia for Gear Design, Journal of Materials Processing Technology, 107, s.53-59, 2000. 60. Milcic, D. ve Miltenovic, V., Application of Artificial Intelligence Methods in Gear Transmitters Conceptual Design, The Scientific Journal Facta Universitatis, Mechanical Engineering, Vol. 1, No 6, s. 721-734, 1999. 20