Optimumlaştırılmış derin öğrenme ve büyük dil modelleriyle beton basınç dayanımının tahmini

Daha güvenli, daha çevreci yapılar için bunun önemi

Beton evlerimizi, köprülerimizi ve tünellerimizi ayakta tutar; ancak dayanımını test etmek genellikle laboratuvar sonuçları için haftalarca beklemeyi gerektirir. Bu çalışma, gelişmiş yapay zekânın yalnızca karışım formülünden beton dayanımını hızlı ve doğru şekilde tahmin edebilme potansiyelini inceliyor. Daha hızlı ve daha güvenilir tahminler, mühendislerin daha güvenli yapılar tasarlamasına, laboratuvarda yapılan gereksiz deneme‑yanılma süreçlerini azaltmasına ve sanayi atıkları gibi düşük karbonlu bileşenlerin kullanılmasını kolaylaştırmaya yardımcı olabilir.

Dağınık laboratuvar verilerinden temiz dijital bileşenlere

Araştırmacılar, beton karışımlarının bulunduğu büyük, açık bir veri kümesiyle başlıyor. Her kayıt; ne kadar çimento, cüruf, uçucu kül, su, kimyasal katkılar, kum, çakıl ve kür süresinin kullanıldığını ile son ölçülen dayanımı listeliyor. Bu tür gerçek dünya verileri genellikle tutarsızdır: ölçümler eksik olabilir, birimler farklılık gösterebilir ve garip aykırılıklar kayıtlara sızabilir. Bunlarla başa çıkmak için ekip, genellikle metin için kullanılan genel amaçlı yapay zekâ sistemleri olan büyük dil modellerini verileri temizlemek ve yeniden yapılandırmak için kullanıyor. Bu modeller, aralıkların kontrol edilmesi, adlandırma ve birimlerin uzlaştırılması, su‑bağlayıcı oranı gibi anlamlı türetilmiş niceliklerin oluşturulması ve aykırılıkların ele alınması gibi görevleri yönlendiriyor. Amaç, gürültülü bir elektronik tabloyu, öğrenme algoritmalarının sindirebileceği; fiziksel ilkelerle uyumlu, tutarlı bir karışım tanımına dönüştürmek.

Bir ağı hem karışımı hem de zamanı görür şekilde eğitmek

Beton dayanımı yalnızca karışıma konulanlardan ibaret değildir; malzeme kür oldukça günler ve haftalar boyunca güç kazanır. Önceki birçok tahmin aracı ya bileşenlere ya da zaman eğilimlerine odaklandı; nadiren her ikisini aynı anda ele aldı. Bu çalışma, her bileşeni (çimento, su, cüruf veya katkılar gibi) bir ağ içindeki düğüm olarak ele alan ve etkileşimlerinin gücünü yansıtan bağlantılar kuran bir tür model olan uzay‑zamansal graf konvolüsyonel ağ kullanıyor. Aynı zamanda zaman ekseni boyunca, bu bileşimlerin yaşlandıkça nasıl güç kazandığını öğreniyor. Etkili olarak model, “yüksek çimento ve düşük su genellikle daha hızlı, daha yüksek dayanım getirir” gibi kalıpları öğrenirken, cüruf, kül ve kimyasal ajanların farklı kür dönemleri boyunca oynadığı daha ince rolleri de yakalıyor.

Yapay zekâyı "insan‑benzeri" bir optimizörün ayarlamasına izin vermek

Güçlü sinir ağları bile iç ayarları—öğrenme hızı, katman sayısı veya filtre boyutları gibi—kötü seçilirse beklendiği kadar iyi performans gösteremeyebilir. Bunları elle ayarlamak yerine yazarlar iHow Optimizasyon Algoritması adında yeni bir yöntem kullanıyor. İnsanların öğrenme biçiminden ilham alan bu yöntem, şimdiye kadar işe yarayanları içeren bir tür iç bellek tutarken birçok olası tasarımın geniş keşfi ile en umut verici olanların odaklı iyileştirmesi arasında geçiş yapıyor. Bu optimizör, graf tabanlı modelin ağ tasarımları ve eğitim ayarları alanında arama yaparak aşırı uyumdan kaçınırken tahmin hatalarını minimize etmeyi hedefliyor. Aynı optimizasyon fikri ailesi, girdiyi en bilgilendirici niceliklerle sınırlayarak özellik seçimi için de kullanılıyor; böylece model hem kompakt hem de yorumlanabilir tutuluyor.

Diğer yapay zekâ araçlarıyla karşılaştırıldığında ne kadar iyi?

Ekip, standart derin ağlar, görsel tarzı dönüşümcüler (transformer), varyasyonel otoenkoderler, fizik bilgili ağlar ve parçacık sürü optimizasyonu ile genetik algoritmalar gibi çeşitli meta‑sezgisel optimizörler dahil olmak üzere geniş bir alternatif yelpazesiyle kapsamlı karşılaştırmalar yapıyor. Ayrıca farklı dil modelleri tarafından yönlendirilen dört ayrı ön işleme hattını test ederek daha iyi temizleme ve özellik oluşturmanın sonraki doğruluğu belirgin şekilde iyileştirdiğini gösteriyorlar. Tüm bu testlerde iHow optimizasyonu ile uzay‑zamansal graf ağının birleşimi en düşük tahmin hatalarını ve ölçülen dayanımlarla en yüksek uyumu sağlıyor. Varyans analizi ve parametrik olmayan sıra testleri dahil istatistiksel kontroller, bu iyileşmelerin şansa bağlı olma olasılığının düşük olduğunu doğruluyor.

Gelecekteki inşaat uygulamaları için ne anlama geliyor

Basitçe söylemek gerekirse, çalışma gösteriyor ki dikkatle ayarlanmış, graf‑temelli bir yapay zekâ modeli, iyi temizlenmiş veri ile beslendiğinde beton dayanımını önceki yaklaşımlardan çok daha güvenilir şekilde tahmin edebiliyor. Model, bileşenlerin ve kür süresinin nasıl etkileştiğini yakalıyor ve kendini ince ayarlamak için "öğrenmeyi öğrenen" bir optimizör kullanıyor. Yazarlar yöntemin bina yönetmeliklerine veya üretim tesislerinin kontrol sistemlerine gömülmeden önce daha çeşitli, gerçek dünya veri kümelerinde test edilmesi gerektiğini vurgulasa da, bu çalışma mühendislerin laboratuvarda ya da şantiyede daha sonra görülecek dayanımla yakından eşleşecek tahminlere güvenerek daha çevreci karışım tasarımlarını bilgisayar ortamında keşfetmelerine işaret ediyor.

Atıf: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

Anahtar kelimeler: beton dayanımı tahmini, inşaatta derin öğrenme, graf sinir ağları, optimizasyon algoritmaları, sürdürülebilir beton malzemeleri