Okudan, AhmetŞahin, Ömer Sinan2023-03-182023-03-182019Okudan, A., Şahin, Ö. S., (2019). YAPAY SİNİR AĞLARI İLE ÜÇ BOYUTLU OBJE SINIFLANDIRMADA KONVOLÜSYON FİLTRELERİNİN ETKİSİNİN İNCELENMESİ. Selcuk University Journal of Engineering Sciences, 18, (3), 164-178.1302-6178https://hdl.handle.net/20.500.12395/46155Sonlu elemanlar analizi (FEA), yapıların fiziksel davranışlarını tespit etmek için bilgisayar ortamında tasarlanan ve belirli formülasyonlar ile çözülen simülasyon yöntemidir. Problemin büyüklüğüne veya karmaşıklığına göre hazırlık ve çözüm süresi artmaktadır. Sonlu elemanlar analizi için olması gerekenler, geometri ve sınır koşullarıdır. FEA’nın zor ve yorucu olmasının sebebi hazırlık aşamasının çok fazla girdi istemesidir. Ayrıca FEA yapabilmek için ileri düzeyde mühendislik bilgisi de gereklidir. Üç boyutlu yazıcı kullanımının artması da FEA’ya olan ihtiyacı arttırmıştır. Cep telefonu ve tabletlerin işlem gücünün gelişmesi ile sonlu elemanlar analizinin, girdiye ihtiyaç duymadan telefon kamerası ile yapılabilirliğinin mümkün kılınması adına altyapı oluşturulmuştur. Basit analizlerin otomatik olarak yapılabilmesi için derin öğrenme algoritmaları tasarlanmıştır ve eğitilmiştir. Hayatımızın her alanına giren yapay zekânın, sonlu elemanlar analizi alanında ne gibi çözümler sunacağı incelenmiştir. Ağ örgüsü (mesh) olmadan çözüm yapma hacimsel piksellenme metoduna dayandığı için bu çalışmada vokselizasyon tabanlı öğrenme üzerine inceleme yapılmıştır. Bu çalışmada, sonlu elemanlar analizi girdisi için gerekli olan üç boyutlu geometrik verilerin, bir kamera vasıtası ile taranan objelerin sınıflandırılmasına yarayacak yapay sinir ağı (YSA) oluşturulmuştur ve doruluğu test edilmiştir. Üç boyutlu geometrilerin sınıflandırılabilmesi için özelleştirilmiş bir evrişimli (konvolüsyonel) sinir ağı tasarlanmıştır. Çalışmada, üç boyutlu bilgisayar geometrilerinin konvolüsyon filtresine sahip yapay sinir ağları ile konvolüsyon fitresi bulundurmayan yapay sinir ağları arasındaki parametre sayısı, öğrenme süresi, öğrenme doğruluğu ve maliyet değerleri karşılaştırılmıştır. Konvolüsyon filtreli YSA’nın validasyon değeri %97,92’dir. Konvolüsyon filtresiz YSA %97,08 validasyon değeri ile öğrenme işlemini tamamlamıştır. Konvolüsyon filtresiz YSA eğitimi 440 saniyede tamamlarken, Konvolüsyon filtreli YSA’nın eğitimi 6260 saniye sürmüştür.Finite elements analysis (FEA) is a simulation method designed in a computer environment to determine the physical behavior of structures and solved with specific formulations. Depending on the size or complexity of the problem, preparation and solution time increases. The requirements for finite element analysis are geometry and boundary conditions. The FEA is difficult and tiring because the preparatory phase requires too much input. In addition, advanced engineering knowledge is required to perform FEA. The increase in the use of three-dimensional printers has increased the need for FEA. With the development of the processing power of mobile phones and tablets, an infrastructure was established to enable the feasibility of finite element analysis with telephone camera without the need for input. Deep learning algorithms are designed and trained in order to perform simple analysis automatically. What kind of solutions will be presented in the field of finite element analysis of artificial intelligence, which is included in every field of our lives, has been examined. Since the solution without mesh is based on the volumetric pixelation method, voxelization-based learning was investigated in this study. In this study, an artificial neural networks (ANN) was created and used for the classification of three-dimensional geometric data required for finite element analysis input and scanned objects by a camera. In order to classify three-dimensional geometries, a customized convolutional neural network was designed. In this study, the number of parameters, learning time, learning accuracy and cost values were compared between artificial neural networks with convolution filter of three dimensional computer geometries and artificial neural networks without convolution filter. The validation value of ANN with convolution filter is 97.92%. Without convolution filter ANN has completed the learning process with a validation value of 97.08%. While the ANN without convolution filter completed the training in 440 seconds, the ANN with convolution filter took 6260 seconds.trinfo:eu-repo/semantics/openAccessDerin öğrenmeYapay sinir ağıÜç boyutlu obje sınıflandırmaEvrişimli sinir ağıKonvolüsyon filtresiSonlu elemanlar analiziDeep learningArtificial neural networkThree-dimensional object classificationConvolutional neural networkConvolution filterFinite elements analysisArticle183164178