deneysel sonuçların anal z nde yapay snra ğları kullanımı ve

V. Ulusal Üretim Araştırmaları Sempozyumu, İstanbul Ticaret Üniversitesi, 25-27 Kasım 2005
DENEYSEL SONUÇLARIN ANALİZİNDE YAPAY SİNİR AĞLARI
KULLANIMI VE BETON DAYANIM TESTİ İÇİN BİR UYGULAMA
Özlem HASGÜL
Balıkesir Üniversitesi
A. Sermet ANAGÜN
Osmangazi Üniversitesi
Özet
Üretim sistemlerinde fiziksel olayları ve sistemleri anlamak ve tanımak amacıyla pek çok deney yapılmaktadır.
Bu deneylerde olayları yaratan değişkenler ilişkinin niteliği belirlenmek ve ölçülmek istenir. Bu çalışma
kapsamında, bir denetim sonucunda elde edilen deneysel veriler arasındaki bağıntının yapay sinir ağlarını
kullanarak ifade edilmesi istenmektedir. Deneysel sonuçların analizi için yapay sinir ağlarının kullanımı ile
beton dayanım testi için bir uygulama yapılmıştır. Yapay sinir ağlarını kullanarak deney sonuçlarının yorumlama
süresinin kısaltılması ve deneydeki bağımlı ve bağımsız değişkenlerin aralarındaki ilişkinin matematiksel bir
bağıntı ile ifade edilmesi yerine süreç parametreleri arasındaki karmaşık, belirsiz ve doğrusal olmayan ilişkilerin
belirlenmesi istenmektedir. Böylece daha önce yapılmış deneylerden elde edilen verilerle genellemeler yaparak
ortaya koymak ve bu genelleme ile daha önce hiç gerçekleştirilmemiş deneyler için önceki örneklerden çağrışım
yaparak ilgili olaya çözümler üretebilmek mümkün olacaktır.
Anahtar Sözcük: Yapay Sinir Ağları, Deney Sonuçlarının Analizi, Yapay Zeka
1. GİRİŞ
Üretim sistemlerinde olayları yaratan değişkenlerin birbirleri arasındaki ilişkinin niteliğinin belirlenmesi için
deneyler yapılmaktadır. Deneyler genel olarak gerçek sistem üzerinden örnekler alarak çıktıların izlenmesiyle
yada gerçek sistemi temsil edebilecek ortamlarda benzetim yoluyla sistem davranışının izlenmesiyle
yapılmaktadır.
Yapılan bu deneylerde, bağımsız değişkenlerin sayısının çok fazla olması nedeniyle hesaplamaların zor oluşu,
deneyler için örnekler alınırken ara değerlerin sonucunun bilinememesi ve sonuçların elde edilmesi için zaman
gerekmesi nedeniyle deneylerin gerçekleştirilmesi maliyetli olmaktadır.
Çağımızda zaman ve ekonomi etkenleri, işletmeleri bu iki temel etkeni esas alarak çalışmaya zorlamaktadır. Bir
yerde zamandan kazanç ayrıca ekonomiklik anlamına da gelmektedir. Bu yüzden daha önce yapılmış
deneylerden elde edilen verilerle genellemeler yaparak ortaya koymak ve bu genelleme ile daha önce
gerçekleştirilmemiş deneylere ilişkin önceki örneklerden çağrışım yaparak ilgili olaya çözümler üretmek
gerekmektedir.
Teknolojideki sürekli değişimler her gün yeni tekniklerle problemlerin çözümünü gündeme getirmektedir. Pek
çok problemin çözümünde, istatistiksel yöntemler uzun zamandan beri kullanılmaktadır. Örneğin regresyon
analizi kullanılan istatistiksel yöntemlerdendir. Fakat istatistiksel yöntemler, problemi doğrudan etkileyen
parametrelerin sayısı çok büyük değerlerde olduğunda ve bu parametrelerle sonuç arasında karmaşık veya çoğu
zaman tanımlanamayan bir ilişki olduğunda yetersiz kalmaktadır. Bu amaçla yapılan çalışmalar sonunda
problemlerin genetik algoritmalar, sinirsel ağlar ve yapay zeka gibi tekniklerle çözülmesi gündeme gelmektedir.
Son zamanlarda özellikle bilgisayar teknolojisinin yaygın olarak kullanılmaya başlaması, yüksek hızlarla işlem
yapabilen bilgisayarların üretilmesi, daha karmaşık çözüm yöntemlerinin de kullanılmasını mümkün kılmaktadır.
Sinirsel ağlar, genetik algoritmalar ve yapay zeka, kullanılmakta olan klasik yöntemlere alternatif olarak
karşımıza çıkmaktadır.
Bu çalışmada deneysel sonuçların analizi için yapay sinir ağlarının kullanılabilirliği araştırılmış ve beton
dayanım testi için bir uygulama yapılmıştır. Beton dayanım testi hazır beton üretiminde üretilen her parti için
yapılmakta olup sonuçları ancak 28 gün sonra alınabilmektedir. Bu yüzden özellikle tahmin için zaman boyutu
çok önem kazanmaktadır. Ayrıca en ekonomik karışım miktarının hesaplanması tecrübenin önemli derecede
133
Ö. Hasgül, A. S. Anagün
etken olduğu türden bir problemdir. Beton dayanımı etkileyen bağımsız değişkenlerin değerlerinin farklılık
göstermesi durumunda da çıktının ne olacağının tahmini önemlidir.
Çalışmada yapay sinir ağlarını kullanarak deney verilerinde bağımlı ve bağımsız değişkenler arasındaki ilişkinin
matematiksel bir bağıntı ile ifade edilmesi yerine doğrusal olmayan, karmaşık ve belirsiz ilişkilerin belirlenmesi
amaçlanmaktadır.
2. BETON DAYANIMI İÇİN UYGULAMA
2.1. Ağı Eğiten Modellerin Elde Edilmesi
Problemin YSA ile modellemesine ilk olarak uygun metodolojinin seçilmesiyle başlanmıştır. Uygulamanın
alacağı giriş değerleri, vereceği çıkış değerlerinin olması istenen durumuna göre ve ağın vereceği yanıtların hızı,
türü sayısı kullanılacak YSA türü için belirleyici unsurlar olmaktadırlar.
Çalışma için uygun ağ yapısı geri yayılım ağı seçilmiştir Geri yayılım, beklenen sonuç değer ile hesaplanan,
sonuç değer ile arasındaki farkı göz önüne alarak, sistemdeki gizli tabaka nöronlarına bir sonraki ardıştırmada
üretecekleri sinyali düzeltmeleri için sinyal gönderme işlemidir. Bu süreç doğrusal değildir ve sondan başlanarak
her defasında bir önceki tabakaya bilgi sinyal aktarılarak başa ulaşana kadar devam eder (Rumelhart, 1987).
Ger yayılım ağının eğitim öncesi belirlenecek yapısal değişkenleri, girdi, çıktı ve orta katmanda bulunacak nöron
sayılarıdır. Çalışmada tek karakteristik üzerinde durulduğundan sistemin cevabı niteliğindeki çıktı katmanı da
tek süreç elemanından oluşmaktadır ve çıktı nöronu beton dayanımı olarak ele alınmıştır. Bu çıkış nöronunun
alacağı değeri etkileyebilecek veriler ise giriş nöronuna yerleştirilmiştir. Girdi nöronları PÇ 42,5 çimentosu
(CM1), PÇK 42,5 çimentosu (CM2), su, uçucu kül (KUL), katkı1 (KAT1), katkı2 (KAT2), yıkanmış kum
(YKUM), kırma kum (KKUM), kırma taş (KTAS) olarak alınmıştır. Saklı tabaka sayısı doğrusal olmayan
değişkenlerin derecesi ile ilgilidir ve genelde kabul gören uygulama gizli katman sayısının bir yada iki olmasıdır.
Bu nedenle, bu problemde bir adet saklı tabaka yeterli görülmüştür.
Orta katmanda az sayıda nöron bulunması ağın öğrenme yeteneğini azaltırken, çok sayıda nöron bulunması ise
ezberlemeye neden olmaktadır (Cin, 1996). Bu çalışma için ağın ezberlemesine neden olmamak için orta
katmandaki nöron sayısı 3 olarak alınmış ve ağın eğitim kümesindeki veriler arasındaki ilişkileri öğrenmemesi
durumunda eğitim ve testler sonunda arttırılması uygun görülmüştür.
Geri yayılım algoritması, genelleştirilmiş delta yöntemini kullanmaktadırlar. Genelleştirilmiş delta kuralı, geri
yayılımda ağırlık güncellemede kullanılan yöntemlerden biridir. Yöntemin işleyişi adımlar halinde verilmiştir
(Çelik, 1996);
Adım 1. Ağ sistemindeki tüm nöronların çıkış değerleri hesaplanır. Genellikle lineer olmayan veri iletimini
sağlamak üzere taşıma fonksiyonu olarak bir sigmoidal fonksiyon kullanılır. Bu çalışma için de sigmoidal
fonksiyon kullanılmıştır.
n
O i = f ( ∑ I j Wij − Θi )
(1)
j=1
(2)
Burada l , taşıma fonksiyonunun şeklini kontrol eden bir sabittir. Sigmoidal fonksiyonu kullanıldığından dolayı,
verilerin ağa girilmeden önce 0-1 arasında normalize edilmesi gereklidir. Bunun için her bir değişken, o
değişkenin alabileceği maksimum değere veya maksimuma yakın bir değere bölünerek 0-1 arasında bir sayı elde
edilebilir. YSA dan elde edilecek çıkışlarda, veri girişi sırasında daha önce kullanılmış bölen ile çarpılarak
normalizasyon işlemi tersine çevrilir.
Adım 2. Ağ sisteminin toplam hatası hesaplanır;
(3)
1 k
Hata =
2
∑ (y
i
− Oi ) 2
i =1
k: Çıkış tabakasındaki nöron sayısı,
yi : i. nöronun arzu edilen çıkış değeri
Adım 3. Çıkış tabakası için ağırlık değişimleri değerleri hesaplanır;
∆Wij = η ⋅ δ j ⋅ O i
δ j = ( y i − O j ) f ′( net j )
η: Öğrenme oranı (0-1 arasında bir değer)
Adım 4. Gizli tabaka için ağırlık değişimi değerleri hesaplanır;
∆ W ji = η ⋅ δ j ⋅ Oi
δ j = ∑ (δ k ⋅ Wkj ) f ′( net j )
k
134
(4)
(5)
V. Ulusal Üretim Araştırmaları Sempozyumu, İstanbul Ticaret Üniversitesi, 25-27 Kasım 2005
Adım 5. Değişim değerlerine göre ağırlıklar güncellenir;
WijYeni=WijEski + ∆Wij
(6)
Adım 6. Toplam hata kabul edilebilir düzeye gelinceye kadar bu işlemler tekrar edilir
Yukarıda verilen ağ hesaplamalarında, yapay sinirsel ağın uygulanacağı probleme göre değerler alabilen ve ağın
kuruluşu sırasıda değerleri analitik olarak hesaplanamayan 3 değişken bulunmaktadır. Bunlar, orta katmandaki
nöron sayısıyla, öğrenme katsayısı ve momentum teriminin alacağı değerlerdir.
Öğrenme oranı, keskinlik parametresi ve momentum parametresi değerleri, çıktı nöronunda elde edilen değerle,
istene değer arasında fark oluştuğu zaman, ağırlık değerlerini güncellemede kullanılan katsayılardır. Örneğin
öğrenme oranı küçük seçilirse ağırlıklar küçük aralıklarla güncellenmiş olur, büyük seçilirse büyük aralıklarla
güncellenmiş olur. Eşik değeri ise ağırlıkların güncellenmesi sırasında kısır döngüyü önleyen katsayıdır
(Çelik, 1996).
Öğrenme katsayısı, ağırlık vektörünün ideal bölgeye yaklaşma hızının bir ölçüsüdür. Genellikle 0 ile 1 arasında
bir değer verilir. Eğer ağırlık vektörü, ideal ağırlıklar bölgesine çok uzakta ise, öğrenme katsayısına büyük
değerler vererek ideal bölgeye hızla yaklaşma sağlanabilir. Ağırlıklar ideal bölgeye yakın ise öğrenme
katsayısına küçük değerler verilerek aynı bölgede salınımlar engellenmeye çalışılır. Çok büyük değerler, hata
değerini arttıracak sıçramalara neden olurken, çok küçük değerler ise eğitim süresinin uzamasına ve ideal ağırlık
bölgesine ulaşamadan bir yerel en küçük hata değeri veren ağırlık bölgesinde kalınmasına neden olabilir
(Cin, 1996).
Momentum terimi 0 ve 1 arasında değerler alır. Ağırlıkların bir önceki ardıştırma sırasında ilerleme yönünü
korumasını sağlar. Çoklu uzayda hatalar yüzeyinde bulunan çukurlara gelen ağırlıklar vektörüne bir itici güç
sağlar. Yerel en küçük bölgelere düşmeyi engelleyerek, bütünsel enküçüğe yaklaşmayı hızlandırır. Momentum
teriminin alması gereken değer, verilerin durumuna ve öğrenme katsayısına göre değişmektedir.
Geri yayılım algoritması için iterasyon sayısı 50.000 olarak seçilmiştir. Verilerin eğitilmesi ve test edilmesi için
Qnet 2000 paket programı kullanılmıştır. Bu durumda elde edilen hata, 0,053 tür. Farklı iterasyon sayıları için
elde edilen hata değerleri Tablo 1.’de verilmiştir. Eğitim sırasında elde edilen değerlerin ortalama hata yüzdeleri
oldukça küçük seviyelerdedir ve iterasyon sayısının daha da artırılmasının, hatanın azalmasına önemli bir etkisi
yoktur. Kullanılan paket program öğrenme katsayısını kendisi atamakta ve değişiklik yapmaya izin
vermemektedir. O yüzden öğrenme katsayısı olarak programın atadığı değerler esas alınmaktadır. Sinir ağının
hesaplama dinamiğini oluşturan diğer parametre olan momentum katsayısı için ön denemeler yapılmıştır.
Yapılan ön denemelerin sonuçları Tablo 2’de verilmiştir. Karşılaştırılan alternatifler içinde en uygun momentum
terimi olarak 0.8 değeri benimsenmiştir.
Tablo 1. Eğitme hatasının iterasyon sayısına bağlı değişimi
İterasyon Sayısı
10000
20000
30000
40000
50000
60000
Hata
0,059
0,054
0,055
0,055
0,053
0,053
Korelasyon
0,928
0,938
0,937
0,937
0,941
0,940
Tablo 2. Momentum terimine bağlı olarak hata değişimi
Momentum Terimi
0.6
0.7
0.75
0.8
0.9
Eğitim Hatası
0.16
0.05
0.049
0.053
0.049
Test Hatası
0.61
0.17
0.11
0.10
0.11
2.2. Yapay Sinir Ağının Eğitilmesi
Eğitme aşamasında ağırlıkların hesaplanabilmesi için Yapay sinir ağlarına girişler ve karşılık gelen çıkışlar
verilir. Yapay sinir ağları için öğrenme bu giriş ve çıkış verileri arasında bir çeşit bağlantı kurmak diye de
tanımlanabilir. Eğitme aşamasında hesaplanan bu ağırlık değerleri daha sonra sadece girişlerin verilip çıkışların
hesaplanmasının istenildiği kullanma aşamasında işe yararlar. Eğitme aşamasının bir basamağı hem ilerleme
hem de geri yayılma safhalarını içerirken, kullanma aşamasında sadece ilerleme işlemi uygulanır. Zaten gerçek
sonuçlar bilinmediğinden hatanın hesaplanıp geri yansıtılması mümkün değildir. Yapay sinir ağlarının
problemlere yaklaşımı insan zekası gibi tamamen edinilen tecrübeye dayanmaktadır.
Esbeton işletmesinde beton dayanım testi ile elde edilen veriler kullanılarak YSA’ı eğitmek ve test etmek için
gerekli olan veri kümesi oluşturulmuştur. Ağ yeterli sayıda veri grubu ile eğitildiğinde en uygun öğrenme
sağlanabilmektedir. Eğitme işlemi sırasında bu veriler ağa tanıtılmış ve YSA’nın, 9 adet giriş ve 1 adet çıkış
nöronu arasındaki bağ ağırlıklarını ayarlayarak, giriş-çıkış verileri arasında bir ilişki kurması sağlanmıştır.
YSA’nın eğitilmesi için 80 adet veri kümesi bulunmaktadır. 22 veri YSA’yı test etmek amacıyla
135
Ö. Hasgül, A. S. Anagün
kullanılmaktadır. Test etmede kullanılan veriler rassal olarak belirlenmiştir. Ele alınan ağ yapısı Şekil 1 de
verilmiştir.
Şekil 1. Ağın yapısı
Ele alınan çalışma için kullanılan ağ yapısına ilişkin değişkenler Şekil 2.’de verilmiştir. İterasyon sayısına göre
hatanın değişimine ait grafik Şekil 3.’de verilmiştir. Bu grafiğe göre hata 0,16’dan itibaren hızlı bir düşüş
göstermiş ve 50000 iterasyon noktasında 0.05’e yaklaşmıştır.
Şekil 2. Ağın yapısına ilişkin özellikler
Şekil 3. Hatanın iterasyon sayısına göre değişim
Deneme desenindeki elde edilen değerlerin hedeflenen değerlerden sapmaları Şekil 4.’te görülmektedir.
Şekil 3.’e göre elde edilen değerler hedeflere oldukça yakın çıkmıştır. Deneme aşamasında elde edilen değerlerin
hedef değerlerle karşılaştırıldığı grafik Şekil 5.’te verilmiştir. Bu grafiğe göre ağın türettiği değerler hedef
değerler ile karşılaştırıldığında ağın öğrenmiş olduğu görülmektedir.
Şekil 4. Hedeflenen ve elde edilen normalleştirilmiş değerlerin değişimi
136
V. Ulusal Üretim Araştırmaları Sempozyumu, İstanbul Ticaret Üniversitesi, 25-27 Kasım 2005
Şekil 5. Deneme deseni için hedef ve çıktı değerleri
2.3. Sinir Ağının Denenmesi
Eğitim işlemi tamamlandıktan sonra eğitilmiş YSA’nın test edilmesi işlemine geçilir. Test işlemi sırasında, daha
önce ağın eğitilmesinde kullanılmayan 22 adet deney verisi kullanılmıştır. Deneysel olarak ve YSA modelinden
elde edilen beton dayanımı değerleri karşılaştırılmıştır. Bu karşılaştırmalardan görüldüğü gibi, sinir ağı sonuçları
iyi bir yaklaşım göstermektedir. Kullanılan test verilerine ilişkin özellikler Şekil 6.’da verilmiştir. Sonuçların
incelenmesinden görülmektedir ki; doğal olarak eğitme seti için öğrenme oldukça yüksek olmaktadır, ancak
YSA dan test numuneleri için de aynı performansı göstermesi beklenemez. Test sırasında YSA modellemesinden
elde edilen hata yüzdeleri ortalaması % 10 olmaktadır. Eğitim aşamasında az sayıda veri grupları kullanılması,
bu sonucun ortaya çıkmasına neden olmuştur. Daha fazla veri grupları ile yapılan sinir ağı eğitiminde bu farkın
azalacağı söylenebilir ancak ele alınan problem için bu seviyedeki bir yaklaşım yeterli görülmüştür. Hedeflenen
ve gerçekleşen çıktıların normalleştirilmiş yayılımları Şekil 7.’de görülmektedir.
Şekil 6. Test verilerine ilişkin özellikler
Şekil 7. Hedeflenen ve gerçekleşen çıktıların normalleştirilmiş yayılımları
Eğitilen veriler test edilirken ağın test ve eğitim verilerine ilişkin elde ettiği çıktılar ile test desenlerinin hedef
değerleri karşılaştırılarak testlerin doğruluk oranı araştırılmıştır. Elde edilen sonuçlar Şekil 8.’de verilmiştir.
Desen sayısına göre hedef ve çıktı değerlerinin karşılaştırması Şekil 9’da verilmiştir.
Şekil 8. Test sonuçları
137
Ö. Hasgül, A. S. Anagün
Şekil 9. Test verileri için hedeflenen ve elde edilen değerlerin karşılaştırılması
2.4. Deneysel Verilerin Regresyon Analizi ile Çözümlenmesi
Regresyon analizi tahmin amacı ile kullanıldığı zaman tahmin edilmek istenen olayı o olayı etkileyen faktörlere
bağlı olarak doğrusal bir ilişki varsayımı altında tahmin etmeye çalışır. Bu çalışma için regresyon
çözümlemesinin amacı, bağımlı değişkenin davranışını incelemek için bağımsız değişkenleri kullanmaktır.
Bağımsız değişkenler PÇ 42,5 çimentosu (CM1), PÇK 42,5 çimentosu (CM2), su, uçucu kül (KUL), katkı1
(KAT1), katkı2 (KAT2), yıkanmış kum (YKUM), kırma kum (KKUM), kırma taş (KTAS) iken bağımlı
değişken dayanım olarak ele alınmıştır. Regresyon analizi için 82 deney verisi kullanılmıştır. Verilerin minitab
programında stepwise regresyon analizi ile elde edilen sonuçları Tablo 3.’de verilmiştir.
Tablo 3. Stepwise regresyon analizi sonuçları
Step
Constant
SU
T-Value
P-Value
CM2
T-Value
PCM1
T-Value
P-Value
YKUM
T-Value
P-Value
KUL
T-Value
P-Value
S
R-Sq
R-
1
395.11
-0.48
-2.39
0.019
2
469.47
-0.97
-3.79
0
0.061
2.88
0.005
3
18.98
-0.95
-7.51
0
1.583
16.11
0
1.67
15.57
0
4
12.81 -10
-0.94
-7.71
0
1.585
16.67
0
1.68
16.13
0
0.0076 0
2.5
0.015
21.7
6.84
5.65
20.8
15.93
13.74
10.2
79.94
79.15
9.87
81.48
80.49
5
79.06
-0.99
-7.9
0
1.463
11.82
0
1.87
11.45
0
0.0074
2.46
0.016
17
1.51
0.136
9.79
82.03
80.82
Alınan 80 tane gözleme göre bağımsız değişkenler bağımlı değişkenin %80‘ini açıklamaktadır yani bağımlı
değişkenin bağımsız değişkenler ile açıklanabilirlik düzeyi % 80,82 olmuştur. Oysa aynı değer yapay sinir
ağlarının eğitim sonuçlarına göre % 95 olarak bulunmuştur. Ele alınan veriler varyans analizine tabi tutulunca
Tablo 4.’teki sonuçlar elde edilmiştir. Regresyon Analizi sonucunda elde edilen katsayılar Tablo 5.’te
verilmiştir.
Tablo 4. Varyans analizi sonuçları
Source
DF
SS
MS
Regression
9
32617.7
3624.2
Residual Error
70
6844.7
97.8
Total
79
39462.4
F
37.06
Tablo 5. Katsayılar
Predictor
Constant
CM1
CM2
SU
KUL
KAT1
KAT2
YKUM
KKUM
KTAS
138
Coef
-897.5
-2.157
-2.53
-0.9863
15.85
575.2
402.3
-0.0352
-0.04193
-0.04927
P
0
V. Ulusal Üretim Araştırmaları Sempozyumu, İstanbul Ticaret Üniversitesi, 25-27 Kasım 2005
Regresyon analizi sonucu elde edilen katsayıların kullanımıyla yapay sinir ağlarını test etmekte kullanılan veriler
değerlendirilmiştir. Elde edilen sonuçlar Tablo 6.’da verilmiştir.Yapılan karşılaştırmalar ile deneyler sonucu elde
edilen verilere YSA sonuçlarının regresyon analizinin sonuçlarında daha yakın olduğu görülmektedir.
Tablo 6. Regresyon Analizi ve YSA Sonuçlarının Karşılaştırılması
Test No
1
2
3
4
5
6
7
8
9
10
11
Dayanım
345
340
305
343
305
325
297
340
294
290
310
YSA
348
340
308
337
323
323
288
329
298
292
312
Regresyon
354.4835
330.879
310.28
330.24
327.275
313.3945
285.7115
330.749
298.909
294.4425
307.864
Test No
12
13
14
15
16
17
18
19
20
21
22
Dayanım
305
310
290
310
340
330
314
316
375
308
295
YSA
323
306
294
301
328
325
315
310
362
303
293
Regresyon
327.345
306.215
295.6615
297.388
333.738
322.0125
303.575
303.01
362.2185
297.6035
296.0125
Elde edilen sonuçlara ilişkin çizilen grafiklerde Yapay sinir ağları ile elde edilen değerler ile gerçekleşen
dayanım noktalarının birbirine regresyon analizinin sonuçlarına göre daha iyi örtüştüğü gözlenmektedir. Çizilen
Grafikler Şekil 10. ve Şekil 11.’de verilmiştir.
Dayanım
Dayanım
YSA sonuçları ve Deney Sonuçlarının Karşılaştırılması
DAYANIM
380.00
YSA
Beton Dayanımı ve Regresyon Analizi
Series1
380
370.00
370
360.00
360
350.00
350
340.00
340
330.00
330
320.00
320
310.00
310
300.00
300
290.00
290
Series2
280
280.00
1
3
5
7
9
11
13
15
17
Deney
19
21 No
Şekil 10. Dayanım ve YSA
1
3
5
7
9
11
13
15
17
19
Deney no
21
Şekil 11. Dayanım ve Regresyon Analizi
3. SONUÇ
Yapay sinir ağlarının en önemli üstünlükleri; hesaplamaları direkt olarak deney sonuçlarını kullanarak
öğrenmesi, yapması ayrıca dağınık veya yetersiz veri olan ve tanımlanmış teorisi olmayan türden problemlerde
kullanılması ve bu tür problemlerde doğruya yakın çözüm vermesidir.
Çalışma kapsamında yapılan uygulamada beton dayanımının tahmininde regresyon analizi ve yapay sinir
ağlarının sonuçları karşılaştırılmış ve yapay sinir ağlarının çok daha düşük hata ve sapma ile tanımadığı
değerlere ilişkin tahminlemeyi gerçekleştirdiği görülmüştür. Yapay sinir ağlarının düşük hata ile tahmin etmenin
yanı sıra bir diğer üstünlüğü ise deneysel verilere ilişkin gelecekte yapılacak değişikliklerde bunları
değerlendirebilir olmasıdır. Beton karışımı yapılırken kullanılan malzemelere ilişkin yapılacak değişiklikler
sonucunda elde edilecek sonuçların önceden tahmini için yapay sinir ağları çok avantaj sağlayıcıdır. Ayrıca
beton karışım oranı için beton daha karıştırılmadan önce, ele alınacak miktarlarla dayanımın ne olacağı görülüp,
ona göre daha emin bir şekilde daha düşük toleranslar kullanılıp, daha ekonomik bir şekilde karışım oranı
saptanabilir. Beton karışımı yapıldıktan sonra 28 günlük deney sonucuna bağımlı kalmadan dökülecek betonun
dayanım değeri tahmin edilebilir.
Çalışma sonucunda yapay sinir ağlarının deneysel verilerin analizi için klasik yöntemlere alternatif olarak
kullanılabileceği ve problemi etkileyen parametrelerin karmaşık ve tanımlanamayan olduğu durumlarda da daha
etkin sonuçlara ulaşılabileceği görülmektedir.
4. KAYNAKÇA
CİN, İ., 1996, “Şifre Sorgulamada Yapay Sinir Ağların Kullanılması”, Osmangazi Üniversitesi, Fen Bilimleri
Enstitüsü, (Yüksek Lisans Tezi).
ÇELİK, O. N., “Küresel Grafitli Dökme Demirlerde Cu, Ni ve Mo Alaşım Elementlerinin Ostemperleme
Sonucu Beynit Oluşumuna Etkisinin İncelenmesi ve Sinirsel Ağ Modeli İle Değerlendirilmesi”, Doktora Tezi,
Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, 1996, 129s.
RUMELHART, D. E., 1987, “Parallel Distributed Processing, Explorations in the Microstructure of
Cognition”, Vol. 1, MIT Press.
139