KTU'de yuksek lisans tezimde ana konum zemin ama yan calismam beton dayanim tahmini icin yapay sinir agi (ANN) modeli, TensorFlow/Keras ile. UCI Machine Learning Repository'de Yeh (1998) "Concrete Compressive Strength" veriseti var (1030 numune, 9 input — cimento, ucucu kul, slag, su, super-plasticizer, agrega, ince agrega, yas, output basinc dayanim) — bu klasik dataset uzerinde ben kendi modelim ile literaturdeki ornek modelleri (Lee 2003, Topcu & Saridemir 2008, Bilim et al. 2009) karsilastirma yapiyorum.

Sonuc: 4 layer fully-connected network (50-30-15-1 noronlari, ReLU + batch norm) ile R2 = 0.93, RMSE = 4.7 MPa cikiyor, literaturdeki ornek modellerden marjinal olarak iyi. Ama tezdeki ana sorum: bu model gercek mix design optimizasyonu icin kullanılabilir mi? Bir kullanici "C40/50 dayanim hedefi, w/c 0.45, ucucu kul %20" girdiginde bu model "su miktari X kg/m3 ile cimento miktari Y kg/m3 olmali" diye onerebilir mi? Yani forward prediction kolay (girdi → dayanim), ama inverse design (hedef → girdi) ne kadar guvenilir?

Inverse design icin gradient-based optimizasyon (scipy.optimize.minimize) kullanmaya basladim ama overfit'e benzer bir sorun var, model unrealistic karisimlar oneriyor (cok yuksek su veya cok dusuk cimento). Constraint eklemeyi denedim ama hala yanlis local minimum'a takiliyor. Deneyimli olanlardan goruse acim.

Harun, super onemli bir soru, doktora doneminde benzer bir cikmaza ben de girmistim. Inverse design probleminin temel zorlugu: ileri model (forward) iyi calismasi ters problemin (inverse) iyi calistigini garanti etmez. Yeh datasetiyle egitilen model genellikle gercek tasarim sinirinin disinda ekstrapolasyon yapinca sacma sonuclar verir. Cozum yaklasimlarim:

1) Constraint'leri sert sınir olarak degil, Bayesian prior olarak modele kat. PyMC veya TensorFlow Probability ile mix design parametrelerine fizigi-bilgili dagilim ata. 2) Inverse problem yerine "forward + grid search" — kabul edilebilir mix uzayinda binlerce kombinasyon dene, hedefe en yakini sec. Bu basit ama saglam. 3) Generative model (GAN veya VAE) kullan, gercekci mix dagilimini ogren, hedef dayanim conditional generation ile cik. Bu son yaklasim Ozbay et al. 2020 (Construction & Building Materials) makalesinde anlatildi.

ank_ezgi yazdi:

forward + grid search — kabul edilebilir mix uzayinda binlerce kombinasyon dene

Ezgi hocam, grid search yaklasimi en pragmatik, hemen deneyecegim. Bayesian prior tarafi heyecan verici ama hesap maliyeti tezimin zaman ufkunda zor — TensorFlow Probability ile MCMC sampling 1030 noktalik dataset uzerinde bile saatler aliyor benim laptopumda. GAN/VAE yaklasimi tezin sonrasi araştirma sorusu olarak guzel.

Harun, Akcansa Ar-Ge'de biz 2024'te benzer bir AI projesi baslattik, dataset olarak kendi 4 yillik uretim arsivimizi (yaklasik 18,000 sarj) kullaniyoruz — Yeh datasetinden cok daha buyuk ama kontrolsuz, gercek uretim verisi. Forward model (CatBoost gradient boosting, ANN'den daha iyi calisti veri tabakali oldugu icin) R2=0.91 verdi, ama inverse design tarafinda bizim de cikis nokta hatasi yasadik.

Cozumumuz: inverse design yerine "recommendation engine" yaklasimi — sistem hedef dayanim ve maliyet kisitlarini girince GECMIS uretimden en yakin 5 mix oneriyor, mix design muhendisi bunlari modify ediyor. Yani AI optimize etmiyor, AI insan karar destekleyici oluyor. Bu pratik ve Ar-Ge ekibinin kabulu yuksek.

1030 numune ile yapay zeka diyoruz, ChatGPT trilyonlarla calisiyor. Bizim sektorde "AI" diyebilmek icin biraz daha hadim degisim lazim galiba.

sarkayasinegi yazdi:

1030 numune ile yapay zeka diyoruz, ChatGPT trilyonlarla calisiyor

Sarkayasinegi haklı bir noktaya basti aslinda ama tarz olarak: tabular data icin 1030 numune kucuk degil, deep learning yerine gradient boosting (XGBoost, CatBoost, LightGBM) bu boyutta cok daha iyi calisir. Erdem beyin Akcansa'da CatBoost kullanmasi tesadufi degil, uretim verisi tabular ve heterojen.

Harun, tezde TensorFlow ile karsilastirma yaparken XGBoost bir baseline da koy. Cogu durumda XGBoost ANN'den iyi cikar tabular dataset'lerde, bu literaturde standart bir bulgu (Shwartz-Ziv & Armon 2022).

Harun, durabilite tarafinda da AI uygulamasi yapmak istersen Yeh dataseti yeterli degil — sadece basinc dayanim cikis veriyor, klorur diffusion veya sulfat direnci verisi yok. Benim TUBITAK projemde kalibrasyon icin topluyorum bu tur veriyi, 2027 ortasinda 200-300 numuneluk bir set hazir olacak, acik veri setleri olarak Github'a yukleyecegim. Tezinin ileri kademesi icin kullanabilirsin.

Ayrica fizigi-bilgili AI (PINN, Physics-Informed Neural Networks) son 3 yilda beton durabilitesi icin yayginlasiyor, Raissi et al. 2019 PINN makalesi temel referans. Fick 2 denkleminin loss function'a yerlestirilmesi, dataset kucuk olsa bile fizigi koruyan tahmin verir. Tezde bu tarafa bir kapi acabilirsin.

Harun, AI tarafindan teknik olarak konusulanlar guzel ama mesleki bir uyari da koyayim: AI mix design oneren bir araç olursa, sorumluluk kimde? Yapi denetim ve TMMOB acisindan "yazilim oyle dedi" gerekce kabul edilmiyor, sorumluluk hala mix design muhendisinde. Yani AI sadece "decision support" olabilir, "decision maker" olmamali. Tezinde bu noktayi etik bolumunde mutlaka isle, TUBITAK ve TBMM yapay zeka cercevesi 2024 sonunda guncellendi, bu konuya da deginiyor.

Erdem beyin Akcansa'da kullandigi "recommendation + insan karar" modeli dogru cerceve. AI insanin yerini almiyor, hizini artiriyor.

Mehmet Ali abinin etik notu cok kritik. Sektorde son 2-3 yilda AI iddialari arttı, birkac startup "AI ile mix design optimizasyon" satmaya calisiyor. Biri Ankara merkezli "Concrete-AI Pro" diye, demosunu izledim, gercekte ic motor regresyon agacindan ibaret, "AI" pazarlama. Harun'un tezi gibi gercek metodoloji ile yapilan akademik calismalar onemli, sektoru bilgilendirir.

Harun, tezinde benchmark olarak Yeh datasetinin dogru bilinen sonuclarini (Cheng et al. 2017 review makalesi) referans olarak ver, kendi sonuclarini bu cerceveye otur.

Yapi denetim tarafindan: AI tabanli mix design oneri sistemleri henuz Cevre Sehircilik Bakanligi tarafinda tanim edilmedi, denetim cercevesi yok. Bizim ic genelgemizde AI cikisi sadece "yardimci doküman" olarak kabul ediliyor, ana mix design hesabi geleneksel yontemle (Bolomey, ACI, Fagerlund) belgelenmek zorunda. Bu konu sektor olgunluk bekliyor — muhtemelen 2028-2030 arasi ilk resmi cerceve cikar.

Eskisehir Anadolu Universitesi'nde Insaat MUH ABD'de Prof. Sayin grubu son 2 yildir AI mix design uzerine yayin yapiyor, Harun ile metoodoloji acisindan benzerlik var. DM ile link gondereyim, yayinlarini incelemen tezde literatur tarama icin yarari olur. Ayrica Sayin hoca PINN tarafinda Begum hanimin dedigi yaklasimi genisletmek istiyor, bir araya gelmeniz fayda saglayabilir.

Trakya KGM'de saha tarafindan bir gozlem: Harun'un AI modeli akademik olarak guzel ama saha gercekligi cok karisik. Asfalt mix design tarafinda biz Marshall sonuclari vs gercek saha karot dayanimi arasinda %15-20 fark goruyoruz, sebebi sicaklik, vibrasyon, dokum hizi. Beton tarafinda daha iyidir tahmin ama yine de dataset'in temizligi cok onemli. Yeh dataseti laboratuvar verisi, saha verisi degil. AI modelini saha veri ile besleyince R2 hizla dusebilir.

Ankara KGM 4. Bolge'de kazik karot dayaniminin tahmin edilmesi icin biz 2023'te basit bir random forest model denedik, R2 = 0.74 cikmisti, ANN ile %10 daha iyi. Ama saha karari hala tecrubeli muhendisin. Harun'un not aldigi gibi: AI hiz katsayisi, karar destegi.

Ozet: (1) Yeh dataset (1030 numune) iyi baslangic ama saha verisi ile degisken, (2) tabular data icin XGBoost/CatBoost ANN'den genelde iyi (literaturde standart bulgu), (3) Inverse design icin grid search pragmatik, GAN/VAE ileri arastirma, (4) PINN fizigi-bilgili yaklasim Begum hanim onerisi tezin ileri uzantisi, (5) AI sadece "decision support" olmali, sorumluluk muhendiste — Mehmet Ali abi etik notu kritik, (6) Akcansa "recommendation engine" pratik model, (7) Eskisehir Sayin grubu ile akademik isbirligi, (8) Konya ARGE durabilite veri setine erisim 2027'de.

Tez 2027 yazinda savunma planı, tez kodu ve modeli Github'da acik kaynak yayimlayacagim. Cok zengin tartisma, herkese tesekkurler. KAY-ZEM forumu bu konulari konusabilecegim tek yer Turkiye'de, gercekten degerli.