Mehmet Masum Tünçay

Titanium-based alloys are widely used in the defense and aerospace industries due to their high specific strength. However, their resistance to oxidation and hot corrosion under high-temperature service conditions remains limited. In this study, a TiAlSiN coating with an approximate thickness of 1.5 µm was deposited on a Ti6Al4V alloy substrate by physical vapor deposition (PVD) to enhance its high-temperature performance. The coated specimens were subjected to isothermal oxidation tests at 900 °C for durations of 5, 25, and 50 h. In addition, isothermal hot corrosion tests were conducted for 1, 3, 5, and 10h in the presence of molten salts composed of 45 wt.% Na2SO4 and 55 wt.% V2O5 The coating systems were comprehensively characterized before and after the oxidation and hot corrosion tests using scanning electron microscopy (SEM), energy-dispersive X-ray spectroscopy (EDS), elemental mapping, and X-ray diffraction (XRD) analyses. The results demonstrated that the TiAlSiN coating formed a stable and protective surface layer under high-temperature conditions, significantly improving the oxidation and hot corrosion resistance of the Ti6Al4V alloy. These findings indicate that TiAlSiN-coated Ti6Al4V alloys exhibit promising potential for high-temperature applications, particularly in the defense and aerospace sectors.

Understanding and controlling grain growth kinetics in steels is crucial for optimizing mechanical properties during thermomechanical processing. However, traditional empirical models often fail to account for the complex, nonlinear interactions between alloying elements and processing parameters. In this study, we introduce a novel machine learning (ML) based framework that predicts austenitic grain growth behaviour directly from chemical composition and process conditions, utilizing a comprehensive dataset of 1039 experimentally validated samples. Among various algorithms tested, the XGBoost model demonstrated exceptional predictive capability, achieving an R ² value of 0.9728 after hyperparameter optimization. Feature selection methods (Pearson correlation, CfsSubset, ReliefF) and SHAP-based explainable AI analyses were employed to identify the most influential parameters, revealing temperature, initial grain size, and holding time as dominant factors. Experimental validation was conducted on 316L stainless steel samples annealed at 1100 °C. The predicted grain sizes showed strong agreement with experimental measurements, and the observed hardness variations followed the expected Hall–Petch behaviour. This study demonstrates the first integrated ML and experimental approach for predicting grain growth kinetics in steels, offering a powerful tool for alloy design and process optimization. Future work will extend this framework to additional process variables and alloy systems.

Nikel bazlı bir süper alaşım olan Waspaloy gaz türbinleri gibi yüksek sıcaklık uygulamalarında kullanılmaktadır. Süper alaşımların kullanım sıcaklıklarının daha da arttırılması için krom, alüminyum, tantal, hafniyum gibi farklı element ilaveleri ya da fiziksel buhar biriktirme, kimyasal buhar biriktirme, difüzyon kaplama, thermal bariyer kaplama gibi yüzey işlemleri uygulanabilmektedir. Bu çalışmada, gaz nitrasyon işlemi sonrası Waspaloy’un oksidasyon direnci incelenmiştir. Gaz nitrasyonu, azot iyonlarının malzeme yüzeyine difüzyonunu sağlayarak CrN fazı oluşturmasıyla sertlik ve aşınma direncini arttırmayı amaçlar. Nitrasyon uygulanmış numuneler, 48, 96 ve 288 saat boyunca 1175°C’de izotermal oksidasyona tabi tutulmuştur ve ağırlık kazanımları sırasıyla 0,01, 0,03 ve 0,45 gram olarak ölçülmüştür. Oksidasyon sonrası mikroyapının kesit görüntüleri SEM ile incelenmiş ve yüzeye XPS işlemi gerçekleştirilmiştir. Sonuçlara göre, 48 sa numunesinden itibaren bir miktar oksitlenme başlamakla birlikte 288 sa sonunda oksidasyon şiddetinde dikkate değer bir artış olmuştur. XPS analizlerinde 288 saatlik numunede ilave Co ve O pikleri tespit edilmiştir; bu, kobalt içerikli oksit oluşumuna işaret etmektedir. İzotermal oksidasyon işlemi sonrası numunenin mekanik performansındaki değişimi gözlemlemek amacıyla iç bölgeden mikrosertlik ölçümü alınmıştır. Numunelerin oksidasyon öncesi ve 48 sa, 288 sa oksidasyon sonrası iç bölge sertlikleri ise sırasıyla 457±7, 373±9, 347±7 HV(0,2) olarak ölçülmüştür. Sertlikteki düşüş olası çökelti çözünmesi ve/veya tane sınırlarında meydana gelen ve buralardaki çökeltilerin olası iç oksidasyonu ile oluşan çökelti azalması ile ilişkilendirilebilir. Ağırlık kazanımları, SEM kesit görüntüleri ve XPS analizlerine göre gaz nitrasyonunun, 1175°C’de Waspaloy’un oksidasyon direncini artırmada yeterli koruma sağlayamadığı düşünülebilir. Bununla birlikte, gelecekteki çalışmalarda daha detaylı bir oksit karakterizasyonu ve metalurjik yapı bozunması analizi tavsiye edilmektedir.

In this study, a comprehensive machine learning (ML) model was developed to predict and optimize boride coating thickness on steel surfaces based on boriding parameters such as temperature, time, boriding media, method, and alloy composition. In a dataset of 375 published experimental results, 19 features were applied as inputs to predict the boride layer thickness in various steel alloys. ML algorithms were evaluated using performance metrics like Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and R². Among the ML algorithms tested, XGBoost exhibited the highest accuracy. XGBoost achieved an R² of 0.9152, RMSE of 29.57, and MAE of 18.44. Incorporating feature selection and categorical variables enhanced model precision. Additionally, a deep neural network (DNN) architecture demonstrated robust predictive performance, achieving an R² of 0.93. Experimental validation was conducted using 316L stainless steel (SS), borided at 900 °C and 950 °C for 2 h and 4 h. The DNN model effectively predicted the boride thickness under these conditions, aligning closely with the observed values and confirming the models’ reliability. The findings underscore the potential of ML to optimize boriding processes, offering valuable insights into the relationships between boriding parameters and coating outcomes, thereby advancing surface modification technologies.

Çelik, metaller içerisinde en yaygın kullanılanlardan biridir. Birçok farklı türü olan çeliklerden soğuk iş takım çelikleri (SİTÇ) özellikle kalıp sanayisinde sıklıkla tercih edilmektedir. Son zamanlarda geleneksel SİTÇ’ne ek olarak yeni nesil SİTÇ de kullanıma sunulmuştur. Bu çalışma, geleneksel ve iki adet yeni nesil SİTÇ’nin zımba malzemesi olarak elektrik motorunda kullanılan rotor laminasyon silisli saçlarının şekillendirilmesinde kullanımı incelenmiştir. Yeni nesil SİTÇ’nin geleneksele göre daha uzun ömürlü bir kullanım imkanı sunduğu tespit edilmiştir. İlgili çeliklerin mikroyapıları taramalı elektron mikroskopu (SEM) ve enerji dağılımlı X-ışını spektroskopisi (EDS) yardımıyla incelenmiştir ve oluşturabilecekleri karbür yapıları da FactSage 8.2 termodinamik yazılım programı ile değerlendirilmiştir. Elde edilen sonuçlara göre yeni nesil SİTÇ’nde hem ince ve homojen dağılımlı hem de çoklu karbür yapılarının oluştuğu görülmüştür. Niobyum ve Molibden açısından da zengin karbür yapıları ile birlikte homojen yapılı ince karbür yapılarının yeni nesil SİTÇ’nin sahip olduğu uzun kullanım ömrünün nedeni olduğu düşünülmektedir.