Akademik Veri Yönetim Sistemi
Bozok Journal of Engineering and Architecture, cilt.4, sa.2, ss.31-50, 2025 (Hakemli Dergi)
Bu çalışma, farklı geometrilere ve üretim parametrelerine sahip yapıştırılmış lamine ahşap (glulam) kirişlerin eğilme dayanımı (MOR) değerlerinin üç noktalı ve dört noktalı eğilme testleri üzerinden belirlenmesini ve bu değerlerin makine öğrenmesi tabanlı modeller kullanılarak tahmin edilmesini amaçlamaktadır. Deneysel kirişler, PVAc-D3 (Polivinil Asetat) tutkallı sarıçam (Pinus sylvestris L.) lameller kullanılarak düz, eğrisel, kontrplak takviyeli ve takviyesiz olmak üzere dört farklı grupta üretilmiştir. Elde edilen deneysel veriler, beş farklı regresyon algoritması (SVR, Lasso, Ridge, Huber ve XGBoost) ile analiz edilmiş ve her modelin tahmin performansı 10 katlı çapraz doğrulama yöntemiyle değerlendirilmiştir. Analiz sonuçlarına göre SVR modeli, üç noktalı eğilme deneylerinde R² = 0,9920 ve RMSE = 0,4587 MPa gibi oldukça yüksek doğruluk ve düşük hata değerleriyle en başarılı performansı göstermiştir. Dört noktalı deneylerinde de benzer bir eğilim gözlenmiş, SVR modeli R² = 0,9782 ile üstün performansını korumuştur. Bu bulgular, makine öğrenmesi tabanlı yaklaşımların, glulam kirişlerin mekanik özelliklerinin tahmininde deneysel testleri destekleyen güçlü bir mühendislik aracı olabileceğini ortaya koymaktadır.
This study aims to determine the bending strength (MOR) values of glued laminated timber (glulam) beams with different geometries and production parameters through three-point and four-point bending tests and to predict these values using machine learning-based models. The experimental beams were produced in four different groups: straight, curved, plywoodreinforced, and unreinforced, using PVAc-D3 (Polyvinyl Acetate) adhesive-bonded Scots pine (Pinus sylvestris L.) lamellas. The experimental data obtained were analysed using five different regression algorithms (SVR, Lasso, Ridge, Huber, and XGBoost), and the prediction performance of each model was evaluated using 10-fold cross-validation. According to the analysis results, the SVR model showed the most successful performance in the three-point bending tests with quite high accuracy and low error values such as R² = 0.9920 and RMSE = 0.4587 MPa. A similar trend was observed in the four-point tests, with the SVR model maintaining its superior performance with R² = 0.9782. These findings demonstrate that machine learning-based approaches can be a powerful engineering tool to support experimental testing in predicting the mechanical properties of glulam beams.