Bu çalışmada, AISI 1050 çeliğinin tornalanmasında, farklı talaş kırıcı formlarının ve kesme parametrelerinin işlenmiş yüzeylerdeki yüzey pürüzlülüğü üzerinde etkileri deneysel olarak araştırılmış ve deneylerden elde edilen yüzey pürüzlülük değerleri yapay sinir ağları kullanılarak ampirik eşitlikler ile belirlenmiştir. AISI 1050 çeliğinin talaş kırıcı formlarına ve kesme parametrelerine bağlı olarak yüzey pürüzlülüğünü belirlemek için yapay sinir ağların kullanımı önerilmiştir. Yapay sinir ağında geri yayılım öğrenme algoritması ve fermi transfer fonksiyonu kullanılmıştır. Oluşturulan sinir ağını eğitmek amacıyla eğitim ve test verisi olarak deneysel ölçüm verileri uygulanmıştır. Bütün deneysel aralık üzerinde yüzey pürüzlülüğünü en iyi hassasiyet ile tahmin etmek için, en uygun eğitim veri seti, mümkün oldukça deneysel hatanın en az olduğu, on nöronlu iki gizli katmanlı ilk gizli katmanında 6, ikinci gizli katmanda 4 nöron ile elde edilmiştir. Ağ eğitildikten sonra, R2 değeri; 0.978 ve ortalama hata değeri; 0.018% olarak bulunmuştur. Matematiksel modellemenin sonuçları incelendiğinde, hesaplanan yüzey pürüzlülüğünün açık bir şekilde kabul edilebilir değerler içerisinde olduğu görülmüştür

In this study, the effects of different chip breaker forms and cutting parameters on the surface roughness on machined surfaces were investigated experimentally in turning of AISI 1050 steel; and values of surface roughness obtained from experiments were determined with empirical equations using artificial neural networks. The utilizing of ANN was offered to determine the surface roughness depending on chip breaker forms and cutting parameters of AISI 1050 steel. The back propagation learning algorithm and fermi transfer function were used in artificial neural network. Experimental measurements data were employed as training and test data in order to train the neural network created. The best fitting training data set was attained with ten neurons in two hidden layers 6 of which were at first hidden layer and 4 of which were at second hidden layer, making it possible to predict surface roughness with precision at least as good as that of the experimental error over the entire experimental range. After network training, R2 value was found as 0.978, and average error as 0.018%. When the results of mathematical modelling are examined, the computed surface roughness is observed to be apparently within acceptable values