Yatay Milli Kırıcılarda Kırma Kapasitesinin Regresyon, Yapay Sinir Ağları ve Çok Değişkenli Uyarlamalı Regresyon Analizi Kullanılarak Modellenmesi
نویسندگان
چکیده
Bu çalışmada, yatay milli darbeli kırıcıların (HSI) kırma kapasitesinin (Q), regresyon analizleri, yapay sinir ağları (ANN) ve çok değişkenli uyarlamalı analizi (MARS) kullanılarak araştırılmıştır. amaçla, Türkiye'deki çeşitli taş ocaklarında ikincil işlemlerinde kullanılan 32 farklı HSI tipi kırıcı ele alınmıştır. Çeşitli sayısal veriler (rotor genişliği (Rw), rotor çapı (Rd), hızı (Vr), karakterize edilen besleme boyutu (d80), çalışma enerjisi (Oe) kırmataşın Los Angeles aşınma değeri (LAAV)) her bir kırma–eleme tesisinden elde edilmiştir. Öncelikle, toplanan doğrusal olmayan analizleri gerçekleştirilmiştir. Daha sonra ise, bu Q değerini tahmin etmek için ANN MARS yapılmıştır. Sonuç olarak, güçlü modelleri geliştirilmiştir. Önerilen modellerin (M6–M10) belirleme katsayısı (R2) 0.91 ile 0.98 arasında değişmekte olup, söz konusu yüksek R2 değerleri geliştirilen göreceli başarısını göstermektedir. nedenle, önerilen modeller, araştırılan güvenilir şekilde kullanılabilir. Bununla birlikte, etkileyen diğer faktörleri araştırmak örnek çalışmalarının sayısı arttırılmalıdır.
منابع مشابه
Yazilim Maliyet Tahmininde Yapay Sinir Aglari Kullanimi
Özet. Yazılım maliyet tahmini, proje yöneticilerini her daim zorlayan işlerin başında gelmiştir. Yapılan tahmini gerçek değere yaklaştırmak, yazılım geliştirme süreci boyunca süre ve bütçe kısıtlarını daha iyi kontrol edebilmek demektir. Akademik yazında, her birinin kendine has olumlu veya olumsuz yönleri olan birden fazla tahmin yöntemi önerilmiştir. Bu makalede, özellikleri iyi bilinen bir y...
متن کاملCok Yanitli Dogrusal Regresyon Algoritmasiyla Lojistik Regresyon ve Birliktelik Kurali Sonuclarinin Birlestirilmesi
Özet Pazarlama alanının en önemli noktalarından biri, doğru ürünü, doğru müşteriye önermektir. Bu çalışma, yeni bir veri madenciliği aracı olarak geliştirilen PROPCA’nın bir parçası olarak bu soruna bir çözüm önermektedir. Bu çalışmanın amacı, lojistik regresyon ve birliktelik kurallarını bir araya getirip ürün önerileri yapmaktır. Bu algoritmaların ayrı ayrı kullanımlarından daha iyi sonuç ver...
متن کاملEfor Kestirim Doğruluğu İçin Tasarım Büyüklüğü ve Problem Büyüklüğü Karşılaştırılması
Özet. Yazılım sektöründe hatalı efor kestirimleri maliyeti önemli ölçüde arttırır ve projelerin başarısız olmasına yol açabilir. Belirgin maddi kayıplara ek olarak, ürünü hem satın alan hem de üreten organizasyonlar, çalışan demotivasyonu ve benzeri organizasyonel sorunlar yüzünden negatif etkilenirler. Yazılım kestirim uzmanları kestirim doğruluğunu arttırmak için birçok yöntem geliştirmiştir....
متن کاملKol Emg Sinyallerinin Örüntü Tanıma Tabanlı Analizi ve Yapay Sinir Ağları İle Sınıflandırılması Pattern Recognition Based Analysis Of Arm Emg Signals and Classification With Artificial Neural Networks
Thanks to improving technology human life is consistently becoming easier. In points which exceeds human abilities machines come into play and they overcomes they remedy the deficiencies of human. One of the disciplines which must be evaluated in this coverage is manufacturing artificial hand for defective human which can manage with EMG signals. In this paper we tried to classify EMG signals w...
متن کاملScrum Uygulamalarında İşlevsel Büyüklük Tabanlı İşgücü Kestirimi ile Hikaye Puanı Tabanlı İşgücü Kestiriminin Karşılaştırılması
Öz. Bu çal mada, Scrum uygulamalar nda i gücü kestirimi için kullan lan iki yöntem, kestirim sonuçlar n n ba ar s aç s ndan kar la t r lm t r. Scrum yönteminin kendi i gücü kestirim yakla m olan Hikaye Puan ile COSMIC i levsel büyüklük ölçümü kullan larak olu turulan kestirim yöntemleri, bir vaka çal mas ile kar la t r lm t r. Çal mada farkl regresyon yöntemleri ve yapay sinir a yöntemi kullan ...
متن کاملذخیره در منابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ژورنال
عنوان ژورنال: Fen ve mühendislik bilimleri dergisi
سال: 2022
ISSN: ['2147-5296', '2149-3367']
DOI: https://doi.org/10.35414/akufemubid.1116702