Dinamik yükler altında bağlantı elemanlarının davranışlarının incelenmesi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Makina Mühendisliği Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: BARIŞ TANRIKULU
Danışman: RAMAZAN KARAKUZU
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu çalışma, enine yüklerden etkilenen dinamik yük senaryolarındaki cıvata davranışlarını incelemeyi ve geliştirmeyi amaçlamaktadır. Değişken yük durumları altında, bağlantı elemanının davranışlarını tahmin etmek amacıyla deneysel, teorik, makine öğrenimi ve benzetim tabanlı çalışma metodolojilerini kapsayan detaylı bir araştırma yürütülmüştür. Bulgular, titreşimle gevşemeye maruz kalan cıvataların kafa altı ve diş bölgelerinde, sürtünme katsayılarında artış yaşandığını göstermektedir. Bunun temel nedeni, temas eden bölgelerdeki makro ve mikro kaymalardan kaynaklanan aşınmadır. Bu sebeple, bağlantı elemanlarının tekrar kullanılması beklenilmeyen sonuçların dogmasına sebebiyet verebilmektedir. Deneysel sonuçlar, kullanılan kaplama tipinin, bahsi gecen sürtünme davranışı üzerinde önemli bir etkiye sahip olduğunu göstermiştir. Bağlantı elemanlarının yanal yükler altındaki sürtünme ve gevşeme davranışlarını incelemek üzere deneysel testler gerçekleştirilmiş ve sonuçları irdelenmiştir. Deneysel test kabiliyetinin son kullanıcıda sınırlı ve test yapmanın maliyetli olmasından dolayı, deneysel yöntem sonucu ile doğrulanmış bir benzetim modeli ihtiyaç duyulduğu ortaya çıkmıştır. Simülasyon yaklaşımı, araştırmacıların bağlantı elemanı gevşeme risklerinin etkilerini test gereksinimi olmadan tahmin etmeyi amaçlamaktadır. Gevşeme analizi her ne kadar güvenilir ve kapsamlı bir model olsa da zaman alması ve modelin zorluğuna bağlı olarak çözüm süresi uzun zaman alabilmektedir. Günümüzün gelişen teknolojisi ile birlikte, karmaşık yaklaşımların ve tahmin metodolojilerinin yapay sinir ağları sayesinde nispeten daha kolaya indirgenebileceği bilinmektedir. Bu kapsamda yapay sinir ağı tabanlı bir derin öğrenme tekniği ve modeli geliştirilmiştir. Model hem deneysel veriler hem de benzetim sonucunda elde edilmiş verileri kullanılarak eğitilerek tahmin yapacak düzeye getirilmiştir. Fonksiyon hatalarını yönetmek ve modelin doğruluğunu test etmek amacıyla ortalama karesel hata (MSE), ortalama karesel sapma (MSA) ve R-kare değerleri kullanılmıştır. Bu bağlamda oluşturulan model döngüsü, eğitim sürecinde parametrelerin optimize edilmesi ve en uygun senaryoların belirlenmesi amacına yönelik olarak tasarlanmıştır dinamik bir altyapı ile hazırlanmıştır. Geliştirilen bu alt yapı, gelecekte veri sayısının artırılması için deneysel ve benzetim sonuçlardan elde edilen verilerin modelin iyileştirilmesi için kullanılabilmesine olanak sağlamaktadır. Çalışmanın son bölümünde, öncelikle cıvata gerilmelerinin teorik temelleri ve gevşemeden etkilenen cıvataların ömrü incelenmiştir. Hesaplamalar, cıvatalı bağlantılardaki yük örneklerini analiz etmek için yaygın olarak kullanılan bir yöntem olan ankastre kiriş teorilerini kullanarak yapılmıştır. Akabinde, cıvataların tekrarlayan sıkmaya maruz kaldığında, enine yorulma ömrüne dayalı olarak yorulma ömrünü tahmin etmek için bir metodoloji oluşturulmuştur. Bu metodoloji, kümülatif hasar teorisini kullanarak tekrar sıkım altındaki hasar değerlerini hesaplayan bir kümülatif omur tahmin yaklaşımının uygulanabilirliğini ortaya çıkarmaktadır. Bu yöntem ile enine yer değiştirmeye maruz kalan cıvataların, yanal kesme ve oluşan eğilme momentlerini de işin içine katarak, gevşeme verileri ile cıvatanın gerçekçi omur tahminlerinin yapılmasına olanak sağlamaktadır. Elde edilen hesaplamalar ve deneysel sonuçlar, kesme yükünün veya yanal deplasmanın artması ve cıvatanın sürtünme katsayısındaki artışlar ile yanak yük taşıma kabiliyetinin artması sebebi ile cıvatanın yorulma ömründe düşüş olduğunu göstermektedir. Bu nedenle, tahmini ömrünün hassasiyetini artırmak amacıyla yüksek enine yükleri analiz ederken bağlantı elemanının yeniden kullanılabilirliğini dikkate almak çok önemlidir.