Doğruluk için Optuna ile makine öğrenimi modeli optimizasyonu: öngerilmeli beton kirişlerde dayanım ve çatlak davranışının tahmini

Betondaki çatlakları tahmin etmenin önemi

Köprüler ve büyük yapılar, onlarca yıl boyunca ağır trafik ve hava koşullarını sessizce taşıyan uzun beton kirişlere dayanır. Bu kirişlerin birçoğu "öngerilmeli"dir—çeli̇k kablolar beton içine gerilerek çekilir, böylece çatlama ve eğilme önlenir. Bu kirişler dayanımını kaybettiğinde veya beklenmedik şekilde çatlamaya başladığında sonuçlar ağır olabilir: maliyetli onarımlar, trafik kapanışları veya hatta kazalar. Oysa tam ölçekli kirişleri laboratuvarda test etmek pahalı ve yavaştır. Bu çalışma, Optuna adlı bir optimizasyon aracıyla dikkatle ayarlanmış modern makine öğreniminin, yeni büyük ölçekli deneyler yerine mevcut test verilerini kullanarak bu kirişlerin ne kadar dayanıklı olacağını ve çatlak davranışını nasıl göstereceğini nasıl tahmin edebileceğini araştırıyor.

Dağınık test sonuçlarından zengin bir veri kaynağına

Araştırmacılar önce yayınlanmış 22 çalışmadan öngerilmeli beton kirişlere ait geniş bir test sonucu koleksiyonu topladı ve sonunda 626 kiriş veri setine ulaştı. Her kiriş, genişlik ve yükseklik gibi, çelik donatı miktarı ve konumu ile öngerme kablolarının ayrıntıları gibi 21 ölçülebilir özellikle tanımlandı. Önem verdikleri çıktılar arasında ilk ciddi çatlağın oluştuğu an (çatlama momenti), kirişin kırılmadan önce taşıyabileceği yük (nihai moment), çatlakların tipik aralığı ve en geniş çatlağın boyutu yer aldı. Farklı birimlerde ve test düzeneklerinde yapılan deneylerin modelleri yanıltmaması için bu karışık veriyi dikkatle temizlediler ve standardize ettiler; ardından adil, bağımsız sınama için verinin bir kısmını ayırdılar.

Bilgisayarlara hasar belirtilerini “okutmaya” öğretmek

Gerçek yapıların karışık gerçeklikleriyle sık sık zorlanan geleneksel formüllere güvenmek yerine ekip, dört popüler makine öğrenimi modelini veriden doğrudan örüntüleri öğrenmeleri için eğitti: Karar Ağaçları, Rastgele Orman, XGBoost ve LightGBM. Bu modellerin tümü, bir kirişin nasıl davranacağını tahmin etmek için giriş özelliklerinden çok sayıda karar kuralı oluşturur. Ancak performansları, her bir karar ağacının ne kadar derin büyümesine izin verileceği, kaç ağaç kullanılacağı ve modelin ne kadar hızlı öğreneceği gibi hiperparametre adı verilen "düğmelerin" ayarlanmasına büyük ölçüde bağlıdır. Kötü seçilmiş ayarlar, yeni kirişlerle karşılaşıldığında başarısız olan yavaş, hatalı veya fazla öğrenmiş (overfit) modellere yol açabilir.

En iyi ayarları Optuna’ya aratmak

Bu ayarlama zorluğunu aşmak için araştırmacılar, hiperparametrelerin el ile denenmesi yerine otomatik olarak umut verici kombinasyonları keşfeden modern bir optimizasyon çerçevesi olan Optuna’yı kullandı. Her aday ayar için Optuna bir modeli eğitti, kiriş performansını ne kadar iyi tahmin ettiğini değerlendirdi ve ardından bu geri bildirimi kullanarak daha iyi ayarlar önerdi. Ekip ayrıca eğitim turlarının sayısını iyi seçmek için öğrenme eğrilerini inceledi; böylece çok erken durup yetersiz öğrenen veya aşırı öğrenen modellerden kaçındı. Bu süreç net bir galip ortaya çıkardı: Optuna ile ayarlanmış LightGBM modeli, kiriş dayanımını R² değeri 0,98’in üzerinde ve çatlak direncini R² değeri 0,8’in üzerinde tahmin ederek test verilerine çok yakın tahminler verdi.

Makine öğreniminin “kara kutusunu” açmak

Yüksek doğruluk tek başına mühendisler için yeterli değildir; tasarım veya güvenlik kontrollerinde bir modele güvenmeden önce modelin belirli tahminleri neden yaptığını anlamaları gerekir. Bu şeffaflığı sağlamak için yazarlar, her tahmini bireysel giriş özelliklerinin katkılarına ayıran bir yöntem olan SHAP’i kullandı. SHAP, örneğin, kirişin sıkıştırma bölgesinin derinliğinin, içerdiği öngerilmeli çeliğin miktarının ve betonun dayanımının çatlakların ne zaman oluştuğunu ve ne kadar geniş olduklarını güçlü biçimde etkilediğini gösterdi—bu içgörüler temel yapısal mekaniğe uygun. Gerçekte, makine öğrenimi modeli yalnızca insan anlayışıyla uyuşmakla kalmadı, aynı zamanda farklı tasarım seçimlerinin göreli etkisini nicel olarak ortaya koydu.

Gerçek dünyadaki yapılar için anlamı

Uzman olmayanlar için ana mesaj şudur: dikkatle ayarlanmış makine öğrenimi, dağınık test sonuçlarını öngerilmeli beton kirişlerin sağlık ve güvenliğini kontrol etmek için pratik bir araca dönüştürebilir. Optuna ile optimize edilmiş LightGBM ve XGBoost modelleri, mühendislerin kirişlerin ne zaman çatlayacağını ve ne kadar yük taşıyabileceğini tahmin etmesine yardımcı olabilir; böylece bu kadar çok tam ölçekli numune üretip kırmaya gerek kalmaz. Modeller hem doğru hem de açıklanabilir olduğundan, ne kadar çelik kullanılacağı ve nerelere yerleştirileceği gibi daha akıllı tasarım kararlarına rehberlik edebilir; bu da köprülerin ve binaların ömrünü uzatırken zaman, para ve malzemeden tasarruf sağlar.

Atıf: Wen, Y., Guo, R., Duan, Z. et al. Machine learning model optimization with optuna for accurate prediction of strength and crack behavior in prestressed concrete beams. Sci Rep 16, 5822 (2026). https://doi.org/10.1038/s41598-026-36692-y

Anahtar kelimeler: öngerilmeli beton kirişler, çatlak tahmini, makine öğrenimi, hiperparametre optimizasyonu, yapısal mühendislik