Search

Ağaç malzemelerin yüzey pürüzlülüğü, nihaiürünlerin kalitesinin değerlendirilmesi açısından çok önemlidir. Bu nedenle buçalışmada, odun türü, bıçak sayısı, besleme hızı ve kesme derinliğinin planyalamaişleminde yüzey pürüzlülüğü üzerindeki etkisini modellemek için bir yapay sinirağı (YSA) modeli geliştirilmiştir. Farklı YSA modelleri oluşturulmuş vebunların performansı ortalama mutlak yüzde hata (MAPE), ortalama kareselhatanın karekökü (RMSE) ve determinasyon katsayısı (R2) kullanılarakdeğerlendirilmiştir. Önerilen modelin test safhasındaki MAPE, RMSE ve R2değerleri sırasıyla %7,27, 0,57 ve 0,903 olmuştur. Sonuç olarak YSA, planyalananodunun yüzey pürüzlülüğünü tahmin etmede etkili bir araçtır ve maliyetli vezaman alıcı araştırmalar yerine oldukça yararlıdır., The surface roughnessof wood materials is very important in terms of assessing the quality of finalproducts. Therefore, in this study, an artificial neural network (ANN) modelwas developed to model the effect of wood species, number of knives, feed rate,and cutting depth on surface roughness in the planing process. Different ANNmodels were created and the performance of them was evaluated using the meanabsolute percentage error (MAPE), the root mean square error (RMSE), and thecoefficient of determination (R²). The MAPE, RMSE, and R2 values inthe testing phase of the proposed model were 7.27%, 0.57, and 0.903,respectively. Consequently, ANN is an effective tool in predicting the surface roughnessof planed wood and quite useful instead of costly and time-consuminginvestigations.

Aim of study: The power consumption of machining operations is an important part of the total production cost. Therefore, in this study, an artificial neural network (ANN) model was developed to model the effects of treatment, rotation speed, cutting depth, and feed rate on power consumption in the wood milling process. Material and methods: A multilayer feed-forward ANN was employed for the prediction of power consumption. The accuracy of the model was assessed by performance indicators such as MAPE, RMSE, and R².Main results: It has been observed that the ANN model yielded very satisfactory results with acceptable deviations. The MAPE, RMSE, and R2 values were obtained as 7.533, 0.027, and 0.9737 %, respectively, in the testing phase. Furthermore, it was found that power consumption decreased with decreasing of feed rate and cutting depth.Research highlights: The findings of this study can be used effectively in the forest industry to reduce the experimental time and costs., Çalışmanın amacı: İşleme operasyonlarının güç tüketimi toplam üretim maliyetinin önemli bir parçasıdır. Bu nedenle, bu çalışmada odun frezeleme işleminde muamele, dönme hızı, kesme derinliği ve besleme hızının güç tüketimi üzerine olan etkilerini modellemek için bir yapay sinir ağı (YSA) modeli geliştirilmiştir.Materyal ve yöntem: İleri beslemeli çok katmanlı bir YSA güç tüketimini tahmin etmek için kullanılmıştır. Modelin doğruluğu, MAPE, RMSE ve R2 gibi performans göstergeleri aracılığıyla değerlendirilmiştir.Sonuçlar: YSA modelinin kabul edilebilir sapmalarla oldukça tatmin edici neticeler elde ettiği görülmüştür. MAPE, RMSE ve R2 değerleri, test aşamasında sırasıyla % 7.533, 0.027 ve 0.9737 olarak elde edilmiştir. Ayrıca, besleme hızının ve kesme derinliğinin azalması ile güç tüketiminin azaldığı bulunmuştur.Araştırma vurguları: Bu çalışmanın bulguları orman endüstrisinde deneysel zamanı ve maliyetleri azaltmak için etkili bir şekilde kullanılabilir.