Artificial Neural Network (ANN) Approach for Dynamic Viscosity of Aqueous Gelatin Solutions: A Soft Computing Study

Authors : Barış DEMİRBAY, Altun Buse KARAKULLUKÇU

Pages : 465-475

Doi:10.31590/ejosat.680773

View : 20 | Download : 17

Publication Date : 2020-04-15

Article Type : Research Paper

Abstract :Bu araştırmada, bir dizi ölçümden toplanmış deneysel veriyi kullanarak jelatin çözeltilerinin dinamik viskozitesini tahmin etmek üzere geliştirilen çok katmanlı ileri beslemeli bir yapay sinir ağı modeli (YSA) sunuyoruz. YSA yapısında, kayma gerilmesi, kayma oranı, mil torku, mil açısal hızı ile birlikte jelatin çözeltilerinin kütle konsantrasyonu giriş nöronları olarak tanıtılırken, jelatin çözeltilerinin dinamik viskozitesi tahmin edilmek üzere tek bir çıkış nöronu olarak kullanılmıştır. Geliştirilen YSA modeli, Bayesian regülasyonu ile optimize edilmiş geri yayılım algoritması kullanılarak eğitilmiştir. İlk olarak, en doğru performans sonuçlarını veren YSA yapısını bulmak üzere gizli katmanın optimal geometrik yapısı çalışılmıştır. Önerilen ağ modelleri için ortalama karesel hata (MSE), ortalama mutlak hata (MAE), ortalama kare hatalarının karekökü (RMSE), determinasyon katsayısı (R^2), varyans (VAF) ve regresyon analizleri performans değerlendirme parametreleri olarak kullanılmıştır. Geliştirilen YSA modelinin başarı performansını etkileyen en etkin giriş nöronunu araştırmak amacıyla duyarlılık analizi yapılmıştır. Sonuç olarak, gizli katmanda 8 nöronun kullanılması, önerilen diğer YSA modellerine kıyasla en düşük MSE ve en yüksek R^2 değerlerini vererek en yüksek başarı performansını göstermiştir. Duyarlılık analizinin sonucu olarak, kayma oranı oluşturulan sinir ağının başarı performansını etkileyen en etkin giriş nöronu olarak bulunmuştur. Tahmin edilen dinamik viskozite değerlerinin, ölçülen dinamik viskozite değerleriyle büyük bir uyum içinde olması, geliştirilen YSA modelinin doğruluğunu ve güvenilirliğini ispatlamıştır. Bu nedenle geliştirilen YSA modeli, bu araştırmada istatistiksel detayları verilen veri aralığındaki giriş ve çıkış parametrelerini kullanarak, polimer çözeltilerinin dinamik viskozitesini tahmin etmek için efektif bir kullanım sağlamaktadır.
Keywords : Yapay zeka, Makine Öğrenmesi, Yapay Sinir Ağları, Bayesian Regülasyonu, Regresyon, Duyarlılık Analizi, İstatistiksel Analiz, Jelatin, Biyopolimer, Reoloji, Dinamik Viskozite