Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi-Cerrahpaşa, Mühendislik Fakültesi, Metalurji ve Malzeme Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: Mehran Mahouti
Danışman: Suat Yılmaz
Özet:
| Sonlu Elemanlar Yöntemi (SEY), mühendislik alanında çeşitli fiziksel olayların simülasyonu için etkili çözümler sunan bilgisayar destekli hesaplamalı bir mühendislik alanıdır. Tren tekerlekleri, işletme ömürleri boyunca karşılaştıkları aşırı ve değişken yükler nedeniyle yorulmaya maruz kalmaktadır. Bu durum, teker ömrü ve güvenliği açısından kritik bir endişe kaynağıdır. Ancak, SEY yazılımları (örneğin ANSYS) ile karmaşık geometrilere sahip yapıların modellenmesi, yüksek işlemci gücü, bellek kapasitesi ve uzun hesaplama süreleri gerektirmektedir. Bu sınırlamalar, özellikle hızlı karar verilmesi gereken durumlarda SEY'in kullanımını kısıtlamaktadır. Bu tez çalışmasında, bu sınırlamaları aşmak için Yapay Zeka (YZ) tabanlı Vekil Modelleme (VM) yaklaşımı geliştirilmiştir. SEY simülasyonlarından elde edilen veri setleri üzerinde eğitilen YZ modelleri, geleneksel yöntemlere kıyasla çok daha kısa sürede yorulma ömrünü tahmin edebilmektedir. Çalışmamızın ana bulguları şunlardır: 1.Geliştirilen YZ tabanlı vekil model, tren tekerlerinin yorulma analizini geleneksel SEY yöntemine kıyasla yaklaşık %90 daha hızlı gerçekleştirmiştir. 2.Vekil model, SEY sonuçlarıyla karşılaştırıldığında ortalama olarak sadece %3'lük bir sapma göstermiştir, bu da modelin yüksek doğruluk oranını kanıtlamaktadır. 3.Çeşitli YZ algoritmaları arasında, Evrişimli Sinir Ağları (ESA) en iyi performansı göstermiş, en düşük Relatif Ortalama Mutlak Hata (ROMH) değeri %3,0 olarak elde edilmiştir. 4.Geliştirilen model, teker yarıçapı, mil yarıçapı, mil genişliği ve uygulanan kuvvet gibi parametrelerin yorulma davranışı üzerindeki etkilerini başarıyla yakalamıştır. Bu sonuçlar, YZVM yaklaşımının tren tekerlerinin yorulma analizinde hem hız hem de doğruluk açısından önemli avantajlar sunduğunu göstermektedir. Bu yaklaşım, demiryolu endüstrisinde daha güvenli ve optimize edilmiş teker tasarımlarının geliştirilmesine katkıda bulunabilir, aynı zamanda tasarım ve analiz süreçlerini önemli ölçüde hızlandırabilir. | |||
| The Finite Element Method (FEM) is a computer-aided engineering (CAE) technique that provides effective solutions for simulating various physical phenomena in numerous engineering fields. Train wheels are subject to fatigue due to extreme and variable loads encountered throughout their operational life, which is a critical concern in wheel design due to its impact on lifespan and safety. However, modeling complex geometries such as train wheels using FEM software (e.g., ANSYS) presents significant challenges in terms of computational requirements, including processor power, memory capacity, and extended calculation times. These limitations constrain the applicability of FEM, particularly in scenarios requiring rapid decision-making. This thesis introduces an Artificial Intelligence (AI)-based Surrogate Modeling (SM) approach to overcome these limitations. AI models, trained on datasets generated from FEM simulations, offer an efficient alternative by predicting fatigue life in a fraction of the time required by traditional computational methods. The key findings of our study are as follows: 1.The developed AI-based surrogate model performed fatigue analysis of train wheels approximately 90% faster than the traditional FEM approach. 2.When compared to FEM results, the surrogate model demonstrated an average deviation of only 3%, validating its high accuracy. 3.Among various AI algorithms tested, Convolutional Neural Networks (CNN) exhibited the best performance, achieving the lowest Relative Mean Absolute Error (RMAE) of 3.0%. 4.The developed model successfully captured the effects of parameters such as wheel radius, axle radius, axle width, and applied force on fatigue behavior. These results demonstrate that the AI-SM approach offers significant advantages in terms of both speed and accuracy for the fatigue analysis of train wheels. This methodology has the potential to contribute to the development of safer and more optimized wheel designs in the railway industry while substantially accelerating design and analysis processes. The comparative analysis between FEM and AI-SM approaches reveals that the latter provides a solution approximately 90% faster, highlighting its efficiency and potential for practical applications in train wheel design and fatigue analysis |