Prediction of halogen-free and flame retardant (HFFR) polymeric composite sheathed cable elongation test results using machine learning methods

Recently, there has been an increasing interest in the use of artificial intelligence techniques in different fields. In this work is aimed to use different machine learning algorithms (MLA) to predict the elongation at break from the mechanical properties of cable sheath materials in halogen-free flame retardant (HFFR) cables. In order to be used in the developed prediction models, tensile test was applied to the samples and the percent elongation values were determined. Obtained experimental results were used in different artificial intelligence prediction models. Absolute percentage errors of support vector machine (SVM) and artificial neural network (ANN) methods were obtained at a quite acceptable level with a limited number of data obtained from HFFR cable samples. The estimations obtained by these methods were compared with the data of the estimations obtained by performing regression analysis with the MS Excel program. According to the statistical results, with the use of SVM and ANN in this area, the successful prediction rate was 87.5%, and the average success rate for the predictions made was 92%. The use of MEA in this area will largely end the uncertainty in the trial and error production and reduce the rate of unsuccessful production.

Halojensiz ve alev geciktiricili (HFFR) polimerik kompozit kýlýflý kablo kopma uzamasý test sonuçlarýnýn makine öðrenmesi yöntemleri kullanýlarak tahmin edilmesi

Son zamanlarda yapay zeka (YZ) tekniklerinin farklý alanlarda kullanýmý ile ilgili artan bir ilgi vardýr. Bu çalýþmada, halojen içermeyen alev geciktiricili (HFFR) kablolarda, kablo kýlýf malzemelerinin mekanik özelliklerinden olan kopma uzamasýnýn tahmin edilmesinde farklý makine öðrenmesi algoritmalarýnýn (MÖA) kullanýmýný amaçlamýþtýr. Geliþtirilen tahmin modellerinde kullanýlmak amacý ile numunelere çekme deneyi uygulanmýþ, yüzde uzama deðerleri tespit edilmiþtir. Elde edilen deney sonuçlarý farklý yapay zeka tahmin modellerinde kullanýlmýþtýr. HFFR kablo numunelerinden elde edilen sýnýrlý sayýda veri ile destek vektör makinasý (DVM), yapay sinir aðlarý (YSA) yöntemlerinin mutlak yüzdesel hatalarý oldukça kabul edilebilir seviyede elde edilmiþtir. Bu metotlar ile elde edilen tahminler, ek olarak MS Excel programý ile regresyon analizi yapýlarak elde edilen tahminlerin verileri ile karþýlaþtýrýlmýþtýr. Elde edilen istatiksel sonuçlara göre, bu alanda DVM ve YSA’nýn kullanýmý ile baþarýlý tahmin oraný %87.5, gerçekleþtirilen tahminler için baþarý oraný ortalama %92 elde edilmiþtir. Bu alanda MÖA’nýn kullanýlmasý, deneme yanýlma yöntemi ile yapýlan üretimlerde oluþan belirsizliði büyük oranda sonlandýracak ve baþarýsýz üretim oranýný azaltacaktýr.