Selim Demirci

Bu çalışmada, itriyum demir garnet (YIG) katkılı hidroksiapatit (HAp) kompozitlerinin üretimi ve karakterizasyonu gerçekleştirilmiştir. HAp, biyouyumluluğu ve osteojenik özellikleri ile bilinen bir biyoseramik malzeme olup, kemik doku mühendisliğinde yaygın olarak kullanılmaktadır. Ancak HAp'in düşük mekanik mukavemeti, bu malzemenin yük taşıyan uygulamalarda kullanımını kısıtlamaktadır. Bu eksiklikleri gidermek amacıyla HAp malzemesine YIG eklenerek, hem mekanik özelliklerin iyileştirilmesi hemde malzemeye manyetik özelliklerin kazandırılması hedeflenmiştir. Çalışmada, YIG tozları itriyum (Y) ve demir (Fe) tuzları kullanılarak sitrik asit yardımıyla sol-jel yöntemiyle sentezlenmiştir. Daha sonra, ticari HAp tozlarıyla elde edilen YIG tozları ağırlıkça % 1, 2 ve 3 oranlarda olacak şekilde karıştırılarak peletler elde edilmiştir ve bu peletler 1200°C'de 3 saat süreyle sinterlenmişlerdir. Üretilen kompozitler, termalgravimetrik analiz (TG/DTA), X ışını kırınımı (XRD), taramalı elektron mikroskobu (SEM), Raman spektroskopisi, manyetik ve ıslatılabilirlik testleri ile karakterize edilmişlerdir. Ayrıca üretilen kompozitlerin mekanik özellikleri sertlik ölçümleriyle incelenmiştir. Elde edilen kompozitlerin hem manyetik özelliklerinde hem de mekanik özelliklerinde YIG miktarının artmasıyla belirgin iyileşmeler olduğu gözlenmiştir. Bu yeni kompozitler, biyomedikal uygulamalarda, özellikle kemik rejenerasyonu ve kanser tedavisinde kullanılmak üzere potansiyel vadetmektedir.

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.