Yapay sinir ağı modellerinde betonun mekanik özellikleri tahmininde eksik ve fazla tahmini düzenlemek için özel bir kayıp fonksiyonu geliştirme

Neden daha güvenli beton tahminleri önemli

Günümüzün çoğu bina ve köprüsü betona dayanır ve mühendisler bu betonun ne kadar dayanıklı olacağını tahmin etmek için giderek yapay zekâya başvuruyor. Ancak standart sinir ağları hataları her yönde eşit şekilde küçültmeye çalışırken, gerçek yapılar için tahminlerin biraz ihtiyatlı olması fazla iyimser olmalarından daha güvenlidir. Bu çalışma, sinir ağlarının beton dayanımını fazla tahmin etme olasılığını azaltacak şekilde eğitilmesini sağlayan yeni bir yöntem sunar; böylece mühendisler yapay zekânın gücünden ödün vermeden makul bir güvenlik payı koruyabilirler.

Güvenlik ile akıllı algoritmalar arasındaki denge

İnşaat mühendisliği uygulamalarında, tasarım kuralları malzemeler değişkenlik gösterse veya yapım kusurları olsa bile yapıları güvenli tutacak biçimde muhafazakâr yazılır. Betonun dayanımını eksik tahmin etmek genellikle ekstra güvenlik anlamına gelirken, fazla tahmin güvenlik paylarını sessizce azaltabilir. Geleneksel sinir ağı eğitim yöntemleri bu iki sonucu ayırt etmez; sadece hataların toplam büyüklüğünü azaltmaya çalışır. Yazarlar bunun mühendislerin risk hakkındaki düşünce biçimiyle çeliştiğini savunur ve bu güvenlik tercihinin doğrudan öğrenme sürecine eklenmesini amaçlarlar.

İhtiyatı tercih eden bir kayıp fonksiyonu

Çalışmanın özü, her hatanın eğitim sırasında sinir ağı için ne kadar kötü olduğunu belirten özel bir kayıp fonksiyonudur. Tüm hataları eşit ele almak yerine önerilen formül model gerçek değerden daha yüksek bir dayanım tahmin ettiğinde daha ağır cezalar, daha düşük tahmin ettiğinde ise daha hafif cezalar verir. Bu dengesizliği yöneten bir çift kontrol sayısı, modeli daha güvenli eksik tahminlere doğru ayarlamaya olanak tanır. Kayıp, farklı veri setlerinde ve ölçeklerde tutarlı çalışabilmesi için normalize edilir ve TensorFlow veya PyTorch gibi yaygın araçlarla kullanılan standart bir sinir ağı düzeniyle birleştirilir.

Lastik katkılı betonda fikri test etmek

Bu ihtiyatlı eğitim kuralının pratikte nasıl davrandığını görmek için yazarlar, taşın bir kısmının atık lastik parçalarıyla değiştirildiği lastik katkılı betona odaklanır. Deneysel bir veri seti kullanarak, aynı mimariye sahip fakat farklı kayıp fonksiyonları kullanılan birkaç sinir ağı eğitirler; yaygın seçenekler arasında ortalama kare hata ve ortalama mutlak hata da vardır. Ardından her modelin iki önemli mekanik özelliği ne kadar iyi tahmin ettiğini karşılaştırırlar: betonun taşıyabileceği yükü yansıtan basınç dayanımı ve yüke karşı ne kadar rijit olduğunu tanımlayan elastikiyet modülü.

Muhafazakâr öğrenmenin tahminleri nasıl değiştirdiği

Özel kayıp fonksiyonu ile eğitilmiş modeller, çoğu durumda yaklaşık yüzde altı dolayında hata seviyeleriyle geleneksel kayıpları kullananlarla neredeyse aynı genel doğruluğa ulaşır. Kritik fark, gerçek dayanımı ne sıklıkla fazla tahmin ettiklerindedir. Standart kayıp fonksiyonlarında bazı testlerde tahminlerin dörtte biri ile neredeyse tamamı arasında değişen oranlarda fazla tahmin görülür. Özel kayıp doğru şekilde ayarlandığında bu fazla tahmin oranı dramatik biçimde düşer; basınç dayanımı için yaklaşık yüzde bir, rijitlik için ise yüzde onun altında olurken hâlâ veriyi çok iyi şekilde uyarlar. Tahmin edilen ve ölçülen değerlerin grafikleri, yeni modelin noktalarının ideal eşitlik çizgisinin hemen altında kümelendiğini gösterir; bu kasıtlı, hafif bir eksik tahmin eğilimini yansıtır.

Gerçek yapılar için bunun anlamı

Tek başına ihtiyatlı bir tahmin modeli güvenli bir binayı garanti edemez; tasarımcıların hâlâ yönetmeliklere uyması, donatıyı, yükleri ve geometrileri dikkate alması ve eleman ile sistem davranışlarını kontrol etmesi gerekir. Ancak bu yeni kayıp fonksiyonu, sinir ağlarını malzeme düzeyinde muhafazakâr olmayan fazla tahminlerden uzaklaştırarak, yapay zekâya dayalı tahminlerin inşaat mühendisliği pratiğinin temelindeki güvenlik-öncelikli zihniyetle uyumlu şekilde tasarım kontrollerine girmesine yardımcı olur. Yazarlar çalışmalarını, daha büyük veri setlerine ve tam yapısal modellere genişletilebilecek bir kavram kanıtı olarak görür; yerleşik güvenlik felsefeleriyle uyumlu çalışan pratik AI araçlarına doğru atılmış bir adım sunar.

Atıf: Habib, A., Habib, M., Junaid, M.T. et al. Developing a custom loss function for regulating underestimation and overestimation of concrete mechanical properties predictions in neural network models. Sci Rep 16, 15950 (2026). https://doi.org/10.1038/s41598-026-44200-5

Anahtar kelimeler: beton dayanımı tahmini, yapay sinir ağları, kayıp fonksiyonu, lastik katkılı beton, yapısal güvenlik