Sektör meyve sineği tabanlı aşırı öğrenme makinesi kullanarak jeopolimerle stabilize edilmiş killerin serbest basınç dayanımını tahmin etme

Daha düşük çevresel maliyetle daha sağlam zemin

Dünya genelinde mühendisler, yumuşak, kil bakımından zengin zeminleri yollar, yapılar ve dolgu perdeleri için sağlam temellere dönüştürmek zorunda. Geleneksel olarak bu, önemli miktarda Portland çimentosu eklemeyi gerektirir; çimento büyük bir karbondioksit kaynağıdır. Bu çalışma daha temiz bir yolu araştırıyor: kil güçlendirmek için jeopolimer adı verilen endüstriyel yan ürünleri kullanmak ve işlenen zeminin laboratuvarda sonsuz testler yapmadan ne kadar dayanıklı olacağını tahmin etmek için akıllı bir yapay zeka yaklaşımı uygulamak.

Endüstriyel atığı yararlı bağlayıcılara dönüştürmek

Jeopolimerler, yüksek alüminosilikat içeren tozların—örneğin öğütülmüş yüksek fırın cürufu (GGBS) ve uçucu kül—alkalİ çözeltilerle aktive edilmesiyle elde edilen bağlayıcılardır. Kil ile karıştırıldıklarında taş benzeri rijit ağlar oluşturarak yüksek dayanım, düşük çekme ve iyi dayanıklılık sağlayabilirler; ayrıca konvansiyonel çimentoya kıyasla çok daha az CO₂ salarlar. Önceki deneyler, jeopolimerle stabilize edilmiş killerin karışıma bağlı olarak neredeyse sıfırdan 40 megapaskalın üzerinde dayanımlara ulaşabileceğini göstermiştir. Ancak sonuç, killi zeminin doğal plastisitesi, eklenen cüruf veya kül miktarı, alkalİ çözelti gücü ve sodyum, silikon ile alüminyum gibi ana elementlerin dengesi gibi birçok bileşenin aynı anda hassas bir şekilde etkilediği faktörlere bağlıdır.

Zemin dayanımını tahmin etmeyi bu kadar zor kılan nedir

Pratik bir karışım tasarlamak için mühendisler belirli bir reçetenin önceden ne kadar dayanıklı olacağını bilmek ister. Her aday karışım için tam laboratuvar programları yürütmek yavaş ve pahalıdır. Geleneksel istatistiksel formüller de yetersiz kalır çünkü zemin türü, jeopolimer bileşimi ve ortaya çıkan dayanım arasındaki ilişkiler son derece doğrusal olmayan ilişkilerdir. Sinir ağları ve destek vektör makineleri gibi modern makine öğrenimi araçları tahminleri iyileştirdi, ancak bunlar yoğun ayar gerektirebilir, küçük veri setlerinde aşırı öğrenme yapabilir ve genellikle hangi girdilerin en çok etkilediğini açıkça göstermeyen opak “kara kutu” davranışı sergileyebilir.

Dijital bir sürü tarafından yönlendirilen daha akıllı bir öğrenme makinesi

Yazarlar, farklı zemin türlerini, bağlayıcı karışımlarını, alkalİ konsantrasyonlarını ve kür koşullarını kapsayan jeopolimerle stabilize edilmiş killer üzerine önceki çalışmalardan 270 test sonucunu derledi. Ardından üç ilişkili tahmin modeli eğittiler. Çekirdek motor olan aşırı öğrenme makinesi, çoğu iç ayarını yavaş deneme‑yanılma eğitimleri yerine tek bir analitik adımda belirleyen hızlı bir sinir ağıdır. Bu iç ayarları daha da rafine etmek için ekip, ağın üzerine meyve sineği optimizasyonu adı verilen ve meyve sineklerinin yiyecek arama davranışını taklit eden bir rutin ekledi. Geliştirilmiş versiyonlarında, sektör meyve sineği optimizasyonunda sanal sürü rastgele dolaşmaz; bunun yerine arama alanını eşit aralıklı sektörlere ayırarak keşfeder, bu da kararlılığı artırır ve algoritmanın kısa sürede iyi bir çözüme ulaşmasına yardımcı olur.

Daha iyi tahminler ve hangi faktörlerin önemli olduğuna dair daha net içgörü

Görülmemiş veriler üzerinde test edildiğinde, temel öğrenme makinesi işlenmiş kilin dayanabileceği sıkıştırma miktarı olan serbest basınç dayanımını makul bir doğrulukla zaten tahmin ediyordu. Orijinal sürü araması eklendiğinde doğruluk daha da iyileşti. Sektör tabanlı sürü en iyi performansı gösterdi; temel modele kıyasla tahmin hatasını yaklaşık %42 azalttı ve önceki meyve sineği versiyonuna göre %19 iyileşme sağladı; tüm bunları sıradan bir dizüstü bilgisayar için yeterince hafif hesaplama maliyetiyle başardı. Tahmin edilen dayanımların çoğu ölçülen değerlere yakın düştü ve hata örüntüleri modelin yalnızca eğitim verilerini ezberlemek yerine genellediğini gösterdi.

Karmaşık modelleri pratik zemin reçetelerine dönüştürmek

“Kara kutuyu” açmak için araştırmacılar, her girdiye nihai tahmine katkı atayan SHAP analizi adlı bir teknik uyguladı. Bu analiz, dayanımı artırmada en etkili tek faktörün cüruf içeriği (GGBS) olduğunu; kilin plastisitesi ve sıvı limitinin de önemli roller oynadığını ortaya koydu. Aşırı uçucu kül kullanımı veya çok yüksek plastisite gibi bazı karışım parametreleri dayanımı düşürme eğilimindeyken, uygun alkali konsantrasyonu ve sodyum‑alüminyum dengesi daha ılımlı olumlu etkiler sağladı. Bu içgörüler ve doğru tahminler bir araya geldiğinde, sektör meyve sineğiyle geliştirilmiş öğrenme makinesi, mühendislerin daha az testle ve daha düşük çevresel ayak iziyle güçlü, stabil zemin üreten jeopolimer karışımlarını seçmelerine rehberlik edebilecek umut verici bir araç haline geliyor.

Atıf: Abdellatief, M., mortagi, M. Predicting unconfined compressive strength of geopolymer-stabilized clays using a sector fruit fly–based extreme learning machine. Sci Rep 16, 12723 (2026). https://doi.org/10.1038/s41598-026-47208-z

Anahtar kelimeler: jeopolimerle stabilize edilmiş kil, zemin dayanımı tahmini, jeoteknikte makine öğrenimi, sürdürülebilir zemin iyileştirme, aşırı öğrenme makinesi