Köprü ayaklarının histerezis eğrilerini tahmin etmek için mekanizma‑tabanlı hibrit Transformer‑GRU ağı: yorumlanabilir bir çalışma

Neden daha akıllı köprü kontrolleri önemli

Modern toplumlar, insanların ve malların hareket etmesini sağlayan geniş köprü ağlarına bağımlıdır. Bu yapılar trafik, rüzgâr ve özellikle depremler gibi yüklere sessizce dayanmak zorundadır. Mühendisler, bir köprü ayağının tekrar eden sarsılma altında nasıl eğildiğini, plastikleştiğini ve toparlandığını görmek için histerezis eğrisi adı verilen özel bir eğri kullanırlar. Geleneksel olarak bu eğrilere ulaşmak zaman alan laboratuvar testleri veya ağır bilgisayar simülasyonları gerektirir. Bu çalışma, temel fiziğe saygı gösterirken bu eğrileri hızlı ve doğru şekilde tahmin eden yeni bir yapay zekâ yaklaşımı sunuyor; bu, daha güvenli ve verimli köprü tasarımı ve izleme için potansiyel bir ilerleme olabilir.

Bir köprünün kağıt üzerinde sallanışını izlemek

Bir deprem ya da güçlü rüzgâr köprüyü salladığında, ayaklar basitçe esneyip yay gibi geri dönmez. Bunun yerine her yükleme döngüsü, kuvvet‑yer değiştirme grafiğinde bir döngü şeklinde bir iz bırakır. Bu histerezis döngüleri, ayağın ne kadar enerji emebildiğini, hasarla birlikte rijitliğinin nasıl azaldığını ve ne kadar kalıcı eğim bırakacağını ortaya koyar. Bu davranış güçlü şekilde doğrusal olmayan olduğu için mühendisler bunu yakalamak için uzun zamandır ayrıntılı deneylere ve karmaşık sayısal modellere dayanmaktadır. Bu yöntemler güçlü olsa da yavaş ve pahalı olabilir; felaket sonrası çok sayıda köprüyü hızlı analiz etmeyi veya yaşlanan altyapıyı rutin olarak değerlendirmeyi zorlaştırır.

Makine öğrenimine fiziği eklemek

Yapay zekâ alanındaki son ilerlemeler, karmaşık yapısal davranışları doğrudan veriden öğrenmeyi mümkün kılmıştır. Ancak tamamen veri‑odaklı modeller kara kutu gibi davranabilir: geçmiş sonuçlara iyi uysa da yeni yapılara veya nadir yükleme koşullarına karşı başarısız olabilir ve genellikle bir tahminin neden yapıldığını açıklamakta yetersiz kalır. Bu eksikliklerle başa çıkmak için yazarlar, popüler bir dil işleme aracı olan Transformer ile zaman serisi ağı GRU’yu harmanlayan hibrit bir model tasarladılar. Önemli olarak, girdileri ve ağı temel mekanik ilkelerini içerecek şekilde düzenlediler: bir akış ayak geometrisinin (kesit türü ve boyutlar gibi) detaylarını, başka bir akış malzeme dayanımlarını ve üçüncü akış uygulanan yükleri ve önceki histerezis döngülerinin parçalarını taşır.

Hibrit modelin “dikkat” gösterme biçimi

Model içinde, değiştirilmiş çok‑başlı dikkat mekanizması geometri, malzemeler ve yükler arasında eşleştirme yapar. Tüm girdi sayılarını aynı şekilde işlemek yerine ağ, geometrik özellikleri “sorgu” (query), malzeme özelliklerini “anahtar” (key) ve yük ile geçmiş verilerini “değer” (value) olarak açıkça kullanır. Bu yapı modelin basit mekanik düşünceyi yansıtan desenleri öğrenmesini teşvik eder: bir ayağın şekli ve büyüklüğü ile beton ve çeliğin dayanımı onun rijitliğini belirlerken, uygulanan kuvvetler ve geçmiş döngüler o rijitliğin nasıl bozulacağını tayin eder. Dikkat bu ilişkileri damıttıktan sonra, bir GRU katmanı her bir yükleme döngüsünden diğerine ayağın tepkisinin nasıl evrildiğini izleyerek zaman içinde yorgunluğa benzer etkileri yakalar.

Birçok gerçek dünya deneyiyle eğitim

Modeli öğretmek ve doğrulamak için araştırmacılar PEER Yapısal Performans Veritabanı’ndan 207 adet donatılı beton kolonun döngüsel testlerini kullandılar. Bu zengin veri kümesini dikkatle filtreleyip yeniden düzenleyerek geometri, donatı ayrıntıları, malzeme dayanımları, yükleme kayıtları ve önceki döngüden gelen geçmiş dahil olmak üzere 15 giriş parametresine ve mevcut döngü için hedef yer değiştirmeye dönüştürdüler. Her histerezis döngüsü, farklı testlerin adil karşılaştırılabilmesi için ortak bir uzunluğa yeniden örneklendi. Ardından hibrit ağı, düz GRU, çift yönlü GRU ve dikkat‑tabanlı GRU dahil olmak üzere birkaç alternatifle karşılaştırdılar; tüm modelleri aynı eğitim prosedürü ve optimizasyon stratejisiyle ayarladılar.

Doğruluk, veri verimliliği ve içgörü

Mekanizma‑tabanlı Transformer‑GRU, tüm karşılaştırma modellerini geride bıraktı. En iyi rakip dikkat‑GRU’ya kıyasla tahminleri, uyum ölçüsünde mütevazı ama anlamlı bir artış ve hem ortalama hem de tepe hatası değerlerinde gözle görülür azalmalar gösterdi. Önemli olarak, mevcut verinin görece küçük bölümleriyle eğitildiğinde bile güçlü performans korudu; bu, yüksek kaliteli testlerin nadir olduğu alanlarda önemli bir avantajdır. Yazarlar ayrıca çok sayıda histerezis döngüsünü ardışık olarak tahmin ederken hata birikiminin nasıl oluştuğunu incelediler ve döngülerin doğal sırasını koruyan bir eğitim stratejisinin hata artışını kontrol altında tuttuğunu buldular. Kara kutunun içini görmek için SHAP adlı oyun teorisi tabanlı bir yorumlanabilirlik aracı uyguladılar. Bu analiz, yeni modelde kesit şekli ile diğer geometrik ve malzeme özelliklerinin düz GRU modeline göre çok daha büyük bir rol oynadığını, aynı zamanda yük geçmişine de uygun ağırlık verildiğini ortaya koydu—mühendislik beklentileriyle yakından örtüşen bir davranış.

Gerçek köprüler için ne anlama geliyor

Günlük ifadeyle, çalışma özenle tasarlanmış bir yapay zekâ sisteminin köprü ayaklarını salt veriyi ezberlemek yerine temel yapısal mekaniği yansıtan şekilde “düşünmeyi” öğrenebileceğini gösteriyor. Geometriyi, malzemeleri ve yüklemeyi modelin kalbine gömerek yazarlar, bir ayağın tekrarlayan sarsılma altında nasıl eğileceğine ve bozunacağına dair mühendislik kullanımı için uygun doğrulukta hızlı tahminler ve hangi girdilerin en çok önem taşıdığını gösteren araçlar elde ediyorlar. Bu tür modeller, sonunda mühendislerin depremler sonrası geniş köprü envanterlerini taramasına, güçlendirme planlarını daha verimli yapmasına ve benzer fikirleri binalardaki ve altyapıdaki diğer kolon‑benzeri yapılara uygulamasına yardımcı olabilir.

Atıf: Wang, J., Zeng, W. & Zhong, H. A mechanism-based hybrid Transformer-GRU network for bridge pier hysteresis curves prediction: an interpretable research. Sci Rep 16, 4961 (2026). https://doi.org/10.1038/s41598-026-35626-y

Anahtar kelimeler: köprü sismik performansı, histerezis eğrileri, fizikten haberdar yapay zekâ, Transformer‑GRU modeli, yapısal sağlık izleme