sembolik Bayesçi ağlar yoluyla korozyona uğramış boru hatlarının fiziksel olarak yorumlanabilir kalan dayanım tahmini

Neden boru hattı güvenliği herkes için önemlidir

Modern yaşam, gaz ve petrolü uzun mesafelere sessizce taşıyan toprak altı ve su altı boru ağlarına dayanır. Bu borular korozyona uğradığında, metal duvarları incelir ve sonunda patlayarak yangınlara, patlamalara ve kirliliğe yol açabilir. Mühendisler, hasar görmüş bir borunun hâlâ ne kadar dayanım taşıdığını tahmin etmeye çalışır, böylece zamanında onarıp değiştirebilirler. Bu makale, bu tahminleri yalnızca yüksek doğrulukla yapan değil, aynı zamanda mühendislerin güvenebileceği fizik benzeri açık formüller halinde gerekçesini de açıklayan yeni bir yaklaşım sunuyor.

Yaşlanan boruların içindeki gizli tehlikeler

Basımlı çelik boru hatları genellikle enerji altyapısının yaşam çizgileri olarak adlandırılır, ancak sert çevre koşullarıyla sürekli mücadele ederler. Korozyon boru duvarını yavaşça aşındırarak çukur ve oluklar oluşturur ve bunlar zayıflatır. İç basınç çok yükselirse, korozyona uğramış bir bölüm patlayabilir. Geleneksel mühendislik formülleri bu tür boruların kalan dayanımını tahmin eder, ancak genellikle temkinli sonuçlar verir ve farklı boru boyutlarına, malzemelere veya hasar şekillerine iyi genelleşmez. Daha sofistike sayısal simülasyonlar doğru olsa da zaman alıcıdır ve koşullar değiştiğinde yeniden yapılmaları gerekir. Bu durum, günlük güvenlik değerlendirmelerinde hız, kesinlik ve uygulanabilirlik arasında zor bir ödünleşme yaratır.

Güvenlik için kara kutu yapay zeka yeterli değil

Makine öğrenimindeki son gelişmeler, bilgisayarların boru geometrisi, malzeme özellikleri ve hata büyüklüğü ile bir borunun hangi basınçta kırılacağı arasındaki karmaşık desenleri öğrenebileceğini gösterdi. Sinir ağları ve topluluk ağaç modelleri gibi yöntemler basit formüllerden daha iyi performans gösteriyor. Ancak genellikle birer kara kutu gibi davranırlar: fiziksel gerekçeyi ortaya koymadan yalnızca tahmin sağlarlar. Boru hattı bölümlerinin hizmette kalıp kalmayacağına karar vermek gibi güvenlik açısından kritik uygulamalarda mühendislerin ve düzenleyicilerin yalnızca bir yanıta değil—o yanıtın neden mantıklı olduğunu anlamaya—ihtiyacı vardır. Sonradan yapılan açıklama araçları ipuçları verebilir, ancak mühendislik sezgisine dayanan açık, öz bir denklemin yerini tutmazlar.

Öğrenme ile insan tarafından okunabilir kuralların yeni bir karışımı

Yazarlar, her iki dünyanın en iyilerini birleştirmeyi amaçlayan Sembolik Bayesçi Ağlar (SyBN) adlı bir çerçeve öneriyor. SyBN paralel çalışan iki ana kola sahiptir. Bir kol, her girdi özelliğine—boru çapı, duvar kalınlığı, çeliğin dayanımı ve korozyon kusurlarının derinliği, uzunluğu ve genişliği gibi—olasilıklı ağırlıklar atayan bir Bayesçi sinir ağıdır. Bu kol verilerdeki karmaşık, doğrusal olmayan ilişkileri öğrenir ve özellikle ölçüm azlığı olan bölgelerde tahminlerinin ne kadar belirsiz olduğunu nicelendirir. İkinci kol, aynı ilişkileri toplama, çıkarma, çarpma ve bölme gibi temel işlemlerle oluşturulmuş basit matematiksel ifadeler halinde ifade etmeye çalışan derin sembolik regresyon modülüdür. Bu kollar arasındaki uyarlamalı bir “kapı”, örnek bazlı olarak sembolik kısmın sinir ağıyla ne kadar güçlü bir şekilde eşleştirilmesi gerektiğine karar verirken ifadelerin kompakt ve fiziksel açıdan makul kalmasını sağlar.

Yöntemin teste tabi tutulması

SyBN’yi değerlendirmek için araştırmacılar, tam ölçekli patlama deneylerinden ve dikkatle kalibre edilmiş bilgisayar simülasyonlarından toplanmış 453 korozyonlu boru hatı vakasından oluşan bir kıyas veri kümesi kullandılar. Her veri noktası boru ve kusurlarını tanımlayan sekiz girdi parametresi ve ölçülmüş patlama basıncını içerir. Veriler zorludur: boru çapları bir büyüklük sırasından fazla değişir, kusur şekilleri geniş ölçüde farklılık gösterir ve hedef patlama basınçları büyük değişkenlik taşır. SyBN, doğrusal ve ridge regresyon, destek vektör regresyonu, k-en yakın komşu, rastgele ormanlar, gradyan arttırılmış ağaçlar ve XGBoost dahil olmak üzere standart modellerle karşılaştırıldığında tüm yaygın hata ölçülerinde en iyi performansı gösterdi. Ayrıca, özellik öneminin Bayesçi ele alınışı ve sembolik kolun düzenleyici etkisi sayesinde tekrarlanan çalışmalarda daha stabil sonuçlar üretti.

Hangi faktörlerin daha önemli olduğunu görmek

Takım ayrıca SyBN’nin farklı girdilerin önemini nasıl değerlendirdiğini inceledi. Bayesçi sinir ağı doğası gereği en çok dayandığı özellikleri öğrenir ve bu ağırlıklar, makine öğrenimi modellerini yorumlamak için yaygın olarak kullanılan SHAP yöntemi ile karşılaştırıldı. Her iki görüş de boru duvar kalınlığının patlama basıncı için baskın faktör olduğunu, bunu çeliğin rijitliği ve kusurun uzunluğunun izlediğini; son çekme dayanımı ve kusur genişliğinin daha küçük roller oynadığını gösterdi. Bu iki bağımsız yorumlama yönteminin uyumu, modelin alakasız desenler yerine gerçek fiziksel etkileri yakalıyor olduğuna dair güveni artırır ve üretilen sembolik ifadeler mühendislerin doğrudan inceleyebileceği, test edebileceği ve hatta tasarım kurallarına yerleştirebileceği formüller sağlar.

Bu, daha güvenli boru hatları için ne anlama geliyor

Basitçe ifade etmek gerekirse, bu çalışma korozyona uğramış bir boru hattının ne zaman başarısız olabileceğini tahmin eden ve aynı zamanda mühendislerin okuyabileceği denklemlerle gerekçesini açıklayan bir yapay zeka sistemi oluşturmanın mümkün olduğunu gösteriyor. SyBN mevcut makine öğrenimi yaklaşımlarına göre doğrulukta daha iyi performans gösterir, tahminleri etrafında gerçekçi belirsizlik bantları sağlar ve hangi boru özelliklerinin daha önemli olduğunu vurgular. Mevcut çalışma hasarın zaman içinde nasıl büyüdüğünden ziyade korozyonun statik anlık görüntülerine odaklansa da çerçeve, gerçek zamanlı sensör verilerini şeffaf ve güvenilir modellerle birleştiren gelecekteki izleme sistemlerine işaret ediyor. Halk için bu, bakım kararları için daha iyi bilgilendirilmiş bir temel—ve nihayetinde daha az beklenmedik boru hattı arızası—anlamına gelir.

Atıf: Chen, M., Zhang, Y., Ye, Y. et al. physically interpretable residual strength prediction of corroded pipelines via symbolic Bayesian networks. Sci Rep 16, 8151 (2026). https://doi.org/10.1038/s41598-026-41914-4

Anahtar kelimeler: boru hattı korozyonu, yapısal sağlık izleme, yorumlanabilir makine öğrenimi, sembolik regresyon, altyapı güvenliği