Yassı Çelik Üretiminde Mekanik Özelliklerin Tahminsel Modellemesi:soğuk Haddelenmıiş Ürünler için Mekanik Özelliklerin Özellik Seçim Yöntemlerinin Karşılaştırılmalı Analizi

Abstract

Soğuk haddelenmiş yassı çelik rulo ürünler çeşitli sektörlerde kritik bir rol oynamaktadır ve çok çeşitli uygulamalara sahiptir. Bu ürünlerin esas önemi, mükemmel mekanik özelliklerinden kaynaklanmaktadır. Soğuk haddelenmiş yassı çelik bobinler, otomotiv, ev aletleri, radyatör, inşaat ve ambalaj endüstrilerinde yarı ürün olarak kullanılmaktadır. Yassı çeliklerin soğuk haddeleme sürecinde, soğuk haddeleme, tavlama ve son soğuk haddeleme süreçlerinin parametreleri, uygulama alanının gereksinimlerine göre optimize edilerek ilgili standartlara uygun olarak arzu edilen mekanik özellikler elde edilmektedir. Bu çalışma, düz çelik endüstrisinde mekanik özellik test örneklerinin alınması gerekliliğini ortadan kaldırmak için makine öğrenimi algoritmalarını kullanmaktadır. Bu yaklaşım, hurda oranını azaltmaya ve üretimde kapasite kazançları sağlamaya yardımcı olacaktır. Bu çalışmada, düz çelik ürünlerin akma ve çekme mukavemetini tahmin etmek için Doğrusal Regresyon (LR), Destek Vektör Regresörleri (SVR), K-en yakın komşular (KNN), Rastgele Orman (RF), XGBoost ve Karar Ağacı (DT) gibi makine öğrenimi modelleri kullanılmıştır. Modellerin performansı, sekiz farklı özellik seçme yöntemi ile hiperparametre ayarlaması ve çapraz doğrulama yapılarak geliştirilmiştir. Akma mukavemetinin değerlendirilmesinde, XGBoost modelinin tüm veri seti üzerinde uygulanması %93.8 oranında bir belirleme katsayısı (R²) başarısı elde etmiştir. Avrupa Birliği (AB) verilerine özgü verilere odaklanıldığında, R² %95'e yükselmiştir. Japon veri seti için KNN modeli %91.9 R² elde etmiştir. Avrupa tedarikçileri veri setinde XGBoost modeli ile LASSO yönteminin birlikte kullanılması 23. özellik eklenerek R²'yi %95.4'e çıkarmıştır. Japonya veri setinde Sıralı İleri Seçim (SFS) yöntemi ve XGBoost modeli ile yapılan daha ileri düzey bir rafinasyon, R²'yi 23. özellik eklenerek %94.5'e çıkarmıştır. Çekme mukavemeti tahmini konusunda, XGBoost modeli tüm veri setinde güçlü bir performans sergileyerek %90.8 R² elde etmiştir. Buna karşılık, Avrupa tedarikçileri verilerine uygulanan KNN modeli %88.4 R²'ye ulaşmıştır. Aynı modelin Japon verilerine uygulanması %89.6 R² sonucunu vermiştir. Tüm veri setinde Karşılıklı Bilgi, ANOVA F-Testi ve yinelemeli özellik seçim stratejilerinin bir kombinasyonu R²'yi hafifçe %91.2'ye yükseltmiştir. Avrupa veri seti kullanıldığında, karşılıklı özellik seçim yönteminin uyarlanması KNN algoritması kullanılarak R²'yi %89.5'e çıkarmıştır. Buna karşın, Japon veri setinde, KNN modelinin performansı Sıralı İleri Seçim (SFS) yöntemi uygulanarak 22. özellikte %91.6 R²'ye çıkarılmıştır. Akma ve çekme mukavemeti tahminlerinde en az etkili yaklaşım Lineer Regresyon olmuştur. Bu tezin sonucu, özellikle XGBoost modelinin kullanımının, soğuk haddelenmiş düz çelik bobinlerin mekanik özelliklerinin tahmin doğruluğunu önemli ölçüde artırarak, son haddeleme hattında fiziksel test örneklerine olan ihtiyacı potansiyel olarak ortadan kaldırabileceği ve yassı çelik endüstrisinde hem hurda oranlarını azaltabileceği hem de üretim maliyetlerini düşürebileceği yönünde ikna edici kanıtlar sunmaktadır.

Cold-rolled flat steel coil products play a critical role across various industries and possess multiple applications. The essential nature of these products primarily stems from their excellent mechanical properties. Cold-rolled flat steel coils are utilized as semi-products in the automotive, home appliance, radiator, construction, and packaging industries. Through the cold rolling process of flat steel, the parameters of cold rolling, batch annealing, and skin pass processes are optimized according to the application area's requirements, thus achieving the desired mechanical properties in compliance with the relevant standards. This study uses machine learning algorithms to eliminate the need to take mechanical property test samples on the skin pass line in the flat steel industry. This approach will help reduce the scrap rate and will result in capacity gains in production. Within this study, machine learning models such as Linear Regression (LR), Support Vector Regressors (SVR), K-nearest neighbors (KNN), Random Forest (RF), XGBoost, and Decision Tree (DT) have been performed to predict yield and tensile strength of flat steel products. The performance of the models is improved by running eight different feature selection methods alongside hyperparameter tuning and cross-validation. In evaluating yield strength, applying the XGBoost model across the complete dataset achieved a coefficient of determination R² of 93.8%. Focusing on data specific to the European Union (EU), the R² improved to 95%, indicating superior model performance. The KNN model yielded an R² of 91.9% for the Japanese dataset. Further refinement using the Least Absolute Shrinkage and Selection Operator (LASSO) method with the XGBoost model on the EU dataset elevated the R² to 95.4% upon incorporating the 23rd feature and %. Further refinement using the Sequential Forward Selection (SFS) method and the XGBoost model on the Japan dataset elevated the R² to 94.5% upon incorporating the 23rd feature. Regarding tensile strength prediction, the XGBoost model demonstrated a robust performance across the entire dataset, attaining an R² of 90.8%. In contrast, the KNN model, when applied to the EU data, reached an R² of 88.4%. Applying the same model to the Japanese data resulted in an R² of 89.6%. Employing a combination of Mutual Information, ANOVA F-Test, and recursive feature selection strategies on the full dataset improved the R² marginally to 91.2%. In the EU context, adapting the mutual feature selection method boosted the R² to 89.5% when using the KNN algorithm. Conversely, in the Japanese dataset, the KNN model's performance enhanced to an R² of 91.6% after applying the Sequential Forward Selection (SFS) method at the 22nd feature. The least effective approach across yield and tensile strength predictions was Linear Regression. The outcome of this thesis provides compelling evidence that the application of machine learning algorithms, particularly the XGBoost model, significantly enhances the prediction accuracy of mechanical properties in cold-rolled flat steel coils, thereby potentially eliminating the need for physical test samples on the skin pass line and reducing both scrap rates and production costs across the flat steel industry.