Bu çalıma, infrared termografi ve yapay sinir aları temelinde eme yorulması altındaki metal malzemelerin kırılma öncesi durumunu tespit etmek amacıyla gerçekletirilmitir. Metal malzemelerin yorulma süreci üç farklı sıcaklık aaması göstermektedir. Bunlardan, ilki balangıç sıcaklık artı aaması, ikincisi sabit sıcaklık aaması, üçüncüsü malzemenin bozulması sonucunda sıcaklıın ani bir tepe deere ulaarak dütüü aamadır. Yorulma süreci için kritik olan üçüncü bölgeyi tespit etmek amacıyla, FLIR E45 termal kameradan 1Hz frekansında kaydedilen termal görüntüler MATLAB 7.1'de hazırlanmı olan görüntü ileme programına transfer edilmektedir. Bu program ile her bir termal görüntüde bulunan karakteristik leke sıcaklıklarını ifade eden alanlar, görüntüden kesilerek yapay sinir aları tarafından ilenecek hale getirilir ve yapay sinir alarına verilir. Görüntü tanıma ve sınıflandırma eklinde yapay sinir aları ile sayısal olarak elde edilen karakteristik sıcaklık deerleri kullanılarak malzeme yüzeyindeki sıcaklık daılımının matematik modeli oluturulur ve bu model kullanılarak görüntünün dier lekelerindeki sıcaklık deerleri kullanılmadan malzeme yüzeyindeki sıcaklık daılımı bulunabilir. Bu yaklaım veri ileme sürecini hızlandırdıı için gerçek resmi ilemeye nazaran daha hızlı sonuçlar alınmasını salar. Bu sayede bir sonraki resim alınana kadar bir önceki resmin ilenmesi bitirilmi olur ki bu da malzemenin yorulma durumunu gerçek zamanda izleme imkânı salar. Resimlerin matematik modellerini kullanarak elde edilen verilerin ilenmesi ile malzemenin youn deformasyona urayan bölgelerinde sıcaklık artıları gözlenmitir. Youn deformasyonun meydana geldii yüksek sıcaklıklı bu bölgeler muhtemel çatlak balama bölgeleri olarak tespit edilerek, yorulma sürecinin sonuna kadar gözlenmitir.
This study has been performed to determine the pre-fracture state of metals under bending fatigue by using the infrared thermography and artificial neural networks. Fatigue behavior of metals shows temperature profiles with three stages: an initial temperature increasing stage of the specimen mean temperature region, a constant (equilibrium) temperature region, an abrupt temperature increase region at end of which the specimen fails and its temperature falls instantly. In order to recognize critical third region, thermal images of the specimen under testing taken by FLIR E45 thermal camera at 1Hz were digitalized and transferred to the image processing program which we have developed in MATLAB 7.1 environments. With this program, fields that represent temperatures of the characteristic spots in each thermal image are cut from the image, made to be ready for processing by artificial neural networks and applied to artificial neural networks. Mathematical model of the temperature distribution over the surface of specimen is formed with characteristics temperature values that are obtained as numerically by using classification and pattern recognition type artificial neural networks. By using this model, temperature distribution over the surface of specimen can be found as without utilizing temperature values of other spots of the image. Since this approach makes the data processing duration faster, it provides obtaining the results faster regarding to the process of real picture. Thus, before capturing the latter image, the processing of former image will have been completed. So, this provides monitoring of fatigue situation of specimen in real time. Temperature increases at the regions of specimen that are subject to heavily deformation were observed by processing the data obtained by using mathematical models of the images. These regions at which heavy deformations occur were observed until the end of fatigue duration by determining them as probable initial crack regions.
