Abstract
Günümüzde bilgisayar ve yazılım alanındaki gelişmelerle birlikte yapay zeka ve makine öğrenmesi alanında önemli gelişmeler olduğu bilinmektedir. Bu çalışmada, Vladimir Mitrović ve arkadaşlarının oluşturduğu, silindirik tornalama işlemi sırasında oluşan kesme kuvvetlerini barındıran veri seti kullanılarak derin öğrenme (DNN) ve XGBoost makine öğrenmesi modellerinin kesme kuvveti tahmin yetenekleri karşılaştırılmıştır. Teğetsel kesme kuvveti (Ft) ele alındığında DNN ve XGBoost modelin sırasıyla %99,71 ve %99,89 R2 değeriyle birbirlerine oldukça yakın tahmin yetenekleri olduğu görülmüştür. Benzer şekilde eksenel kuvvet (Fa) tahminlerinde ise DNN modelin R2 = %98,65, XGBoost modelin R2 = %99,60 oranında tahmin yeteneğine sahip olduğu tespit edilmiştir. Radyal kuvvet (Fr) incelendiğinde XGBoost modelin, DNN modele göre %5,94 oranında daha iyi tahmin yapabildiği sonucuna varılmıştır. Genel olarak XGBoost modelin, DNN modele göre daha performanslı olduğu belirlenmiştir. Ayrıca XGBoost modelde iterasyon sayısı olmadığından DNN modele göre hızlı hesap yapabildiği görülmüştür.

This publication has 24 references indexed in Scilit: