ÖZET Anahtar kelimeler: Refrakter, Yüksek Alüminalı Tuğla, Basma Mukavemeti, Yapay Sinir Ağlan Bu çalışmanın amacı, yüksek alüminalı tuğlaların üretiminde standart olarak test edilerek takip edilen basma mukavemetinin yapay sinir ağlan yardımıyla modellenmesidir. Model oluşumu ve testi için kullanılan refrakter tuğlalann kimyasal ve fiziksel özelliklerinden elde edilebilenlerden 300 adet fabrika verisi toplanmıştır. Model oluşumu işleminde girdi parametreleri olarak kimyasal bileşim (%Sİ02, %A1203, %Ti02, %Fe203, %CaO, %MgO, %Na20 ve %K20), sıcaklık, bulk yoğunluk, ve görünür porozite kullanılmıştır. Eğitme ve test verileri orjinal veri setinden genetik algoritmalar kullanılarak aynlmıştır. Yüksek alüminalı tuğlalann eğitim verilerinde genetik algoritmalar kullanan bir yapay sinir ağı modeli kullanılmıştır. Sistem için "Modüler Sinir Ağlan" modeli kullanılmıştır. "Modüler Sinir Ağlan", "Çok katmanlı Sinir Ağlan"nm özel bir türüdür. Bu sinir ağlan girdilerine birbirine paralel olan çok katmanlı sinir ağlan yoluyla işlem yapar; ve sonrasında da sonuçlanın birleştirir. Hataların geri bildirimi ise "Geriye Yayılım Algoritması" gerçekleştirilmiştir. Modelin eğitimi aym zamanda iki ayn transfer fonksiyonu olan Sigmoid ve Tanjant fonksiyonlan ile yapılmıştır. Modelin test işlemi çok düşük ortalama seviyelerinde gerçekleştirilmiştir. Modeller buna bağlı olarak en iyisinin hangisi olduğuna karar verebilmek için hata oranlan bakımından karşılaştırmaya tabii tutulmuştur. Test sonuçlan ile karşılaştınldığında Sigmoid fonksiyonu için % 3.07 ve Tanjant fonksiyonu için ise % 2.78 olarak bulunmuştur. Test değerlerinden de görülebileceği gibi en iyi sonuçlar "Tanjant Fonksiyonu" ile elde edilmiştir. Yüksek alüminalı refrakterlerin bazı özelliklerini kullanarak yapılan modellemeyle başarılı bir şekilde elde edilen tahmini basma mukavemetleri değerleri; benzeri sistemlerin anlaşılmasında ve benzer malzemeler için bazı özelliklerin tahmininde yapay sinir ağlarının çok kullanışlı araçlar olduğunu göstermiştir. Sonuç olarak, yapay sinir ağlan ile elde edilen modellerin bazı malzeme özelliklerinin üretim öncesi tahmininde, yeni ürün dizaynında ve üretim şartlarında kullanılabilir ve yararlı bir araç olarak değerlendirebileceği tespit edilmiştir.
PREDICTION OF COMPRESSIVE STRENGTH OF THE HIGH ALUMINA BRICKS USING ARTIFICIAL NEURAL NETWORKS SUMMARY Keywords: Refractory, High Alumina Bricks, Compressive Strength, Artificial Neural Networks The aim of this study is to modelling of high alumina refractory brick's compressive strength, which is frequently tested during the refractory production, by Artificial Neural Networks. 300 physical and chemical data, which is available for refractory bricks was collected from a domestic refractory plant in Turkey in order to use for modelling and to test the validity of the results. The parameters used as inputs for modelling include chemical composition (SiC>2%, Aİ2C»3%, TiC«2%, Fe2C>3%, CaO%, MgO%, Na2Û% and K20%), sintering temperature, bulk density and apparent porosity. Using genetic algorithms differentiated framing data and original test data. Besides genetic algorithms operated artificial neural networks model was used for training data's of high alumina bricks. "Modular Neural Network" was employed for the system. "Modular Neural Networks" are a special class of "Multilayer Perceptron". These networks process their input using several parallel Multilayer Perceptrons, and then recombine the results. The feedbacks of the errors were done by using "Back Propagation Algorithms". For training of the model two different functions were utilised namely called as Sigmoid and Tangent. Very low level of average test modelling was performed such that comparison was made with their malfunctions ratio to decide the best model. Consequently malfunction ratios found were 3.07 % for Sigmoid Functions and 2.78 % for Tangent Functions and the best results was obtained with "Tangent Functions". It was emphasized that modelling of some properties of high alumina refractory bricks accomplished by artificial neural networks leads to successfully estimation of compressive strength. Therefore, this study could suggest that modelling by artificial neural networks is very useful method for the estimation of some vital properties of resembling material that may be realised through modelling of artificial neural networks. Lastly, this study pointed out that models obtained by artificial neural networks could be utilised in the design of new refractory products and before manufacturing in the estimation of some properties related to materials performance. XI
