Malzeme biliminde işlem-mikroyapı ve mekanik özellikler arasındaki çok iyi bir ilişki bulunmaktadır. Çeliklerin oda sıcaklığındaki mekanik özellikleri doğrudan mikroyapıda bulunan ferrit, sementit ve perlit hacim oranlarına ve tane boyutlarına bağlıdır. Bu çalışmada, AISI 1040 çeliğinin mikroyapı görüntülerinden yapay zekâ ile oda sıcaklığındaki çekme özelliklerinin tahmini gerçekleştirilmiştir. AISI 1040 çeliğinden ASTM-E8/E8M standardına uygun olarak hazırlanan çekme numuneleri oda sıcaklığında çekme testine tabii tutulmuştur. Sonraki adımda aynı çekme numunelerinin deforme olmamış bölgelerinden metalografik numune hazırlanıp mikroyapı resimleri elde edilmiş, ferrit ve perlit hacim oranları görüntü analizi yazılımıyla hesaplanmıştır. Bu veriler ile özgün bir veri seti oluşturulmuştur. Evrişimsel Sinir Ağı kullanılarak, mikroyapı resimlerinden akma, çekme ve kopma gerilimi değerleri tahmin edilmiştir. Gerçekleştirilen deneyler sonucunda mikroyapı resimlerinden AISI 1040 çeliğinin mekanik özelliklerinin başarılı bir şekilde tahmininin gerçekleştirilebileceği ortaya konulmuştur. Çalışma sonucunda Ortalama Kare Hatası 4,36; Kök Ortalama Kare Hatası 2,08; Ortalama Mutlak Hata 1,66; R-Kare 0,99 skorları elde edilmiştir.
n materials science, there is a strong link between process-microstructure and mechanical properties. The mechanical properties of steels at room temperature are directly affected by the ferrite, cementite and pearlite volume fractions and grain sizes of the microstructure. In this study, artificial intelligence was used to predict the tensile properties of AISI 1040 steel at room temperature based on images of its microstructure. Tensile specimens prepared from AISI 1040 steel in accordance with ASTM-E8/E8M were subjected to tensile tests at room temperature. In the next stage, metallographic specimens were created from undeformed sections of the tensile specimens, microstructure images were captured and image analysis tools were used to calculate ferrite and pearlite volume fractions. The data obtained as a result of this procedure was combined to create a unique dataset. The images in the dataset were then used to predict yield, tensile and break stress values using a Convolutional Neural Network. The results of the experimental studies carried out in this research have shown that microstructural images can be used to accurately predict the mechanical properties of AISI 1040 steel. In the experimental studies carried out in this study, 4.36 Mean Square Error (MSE), 2.08 Root Mean Square Error (RMSE), 1.66 Mean Absolute Error (MAE) and 0.99 R-Square (R2) values were obtained respectively as a result of testing the Convolutional Neural Network model on the dataset obtained.
