Forum bu konuyu burada tartismami isteyebilir cunku akademik ve uygulamali yan yana — sabri olanlara ozur, biraz uzun yaziyorum.

Gecen ay Stanford'un AI for Materials grubu bir on-baski (preprint, arXiv 2024.02134) yayinladi: XRD spektrumundan dogrudan zemin Atterberg parametrelerini (LL, PI) tahmin eden bir CNN model. Veri seti 8400 numune, R2 = 0.84 PI tahmininde, RMSE 4.2. Bu rakamlar cazip ama benim sorum su: yatirim mantikli mi Turkiye laboratuvarlari icin?

Pratik durum: bir laboratuvar XRD cihazi (yaklasik 2-3 milyon TL) zaten varsa, model uzerinden ek 1-2 dakikada PI tahmini yapabilir. Atterberg testi ise minimum 3-4 saat is + curing 24 saat. Hizli on-screening icin guzel. Ama bagimsizlik onemli — XRD yoksa veya sadece bir-iki kez yapilacaksa Atterberg cihaz alma maliyeti zaten cok dusuk. Modelin reel kullanim alani: yuksek hacimli rutin labda.

Ekledigim ikinci konu: model "kara kutu" — sebep-sonuc gostermiyor. Polat & Buchwald 2012 (Applied Clay Science) XRD-PI direkt korelasyon makalesi deterministik formul vermisti, simdi ML cozumu daha iyi tahmin yapiyor ama yorumlama dusuyor. Akademik tartisma: deterministik vs ML hangisi daha bilim?

Kim ML kullaniyor lab ortaminda, deneyim paylasir mi? Begum, Ezgi, sizler ARGE'de ne kullaniyorsunuz?

Berk, harika konu actin. Ben kucuk olcekte ML denedim, ama XRD bazli degil — DPL (dynamic probing light) sondaj log verisinden dolayli LL tahmini, R2 = 0.71. CNN degil, daha basit Random Forest. Pratik labda kullanmaya cesaret etmedim cunku yorumu olmuyor; "model neden boyle dedi" sorusuna cevap veremem dim.

Stanford modeli ilginc ama Polat & Buchwald deterministik formulu daha guvenli buldum yorumlama acisindan. Onlarin formulu kil mineral fraksiyonlarinin lineer kombinasyonuna dayaniyor (kaolinit % * 0.42 + illit % * 1.18 + smektit % * 6.85), her terim bilim acisindan anlamli. ML cozumu R2'de daha iyi olabilir ama sebep-sonuc kayboldu.

Begum'un dedigi yorumlanabilirlik acisindan bence ML kullanisli ama "ozet aletmesi" olarak konumlandirilmali. Atterberg testi ile karar veren rapor, ML tahmini ile destekleyici bilgi. Berk, modelin metoduna baktim mi tam olarak — CNN icindeki spektrumun hangi piklerine fokuslandigi (saliency map) gosteriliyor mu?

Eger saliency map gosterilmiyorsa, model "fiziksel kanit" sunmuyor demektir, sadece istatistiksel uyum. Yayinlanan ML calismalarinda saliency analizi standart hale geldi son 2-3 yilda, "explainable AI" kategorisinde. Stanford on-baskisi bu kismi atladiysa eksik kalmistir.

ank_ezgi yazdi:

CNN icindeki spektrumun hangi piklerine fokuslandigi (saliency map) gosteriliyor mu?

Ezgi, evet on-baski saliency map koymus. Sekilden okudugum kadariyla ana fokus 7.2 A (kaolinit 001), 14 A (smektit 001), 10 A (illit 001) pikleri. Bu zaten beklenen yer ama dogrulanmis olmasi guzel. Yine de CNN'in bu piklere ne agirlik verdigini deterministik formulle direkt karsilastirmamis on-baski.

Sizler ML modelden bahsederken ben hala fizik-kimya kitabini guncelledim mi diye dusunuyorum. Lab'a bir CNN cihaz aldik diyebileceksek artistik olur ama, R2=0.84 demek bu adamin %16'si havada kalir, ben 2-3 milyon liralik cihazla %16 havaya verecegime hidrometreyi yapmaya devam ederim.

Sarkaya, ironin altinda dogru bir noktayi yakaladin aslinda. R2 = 0.84 cazip durur ama RMSE 4.2 demek tipik bir CL/CH ayriminda (PI = 17-23 araligi) tahmin sapmasi siniri direk gecer. Kararin yanlis sinifa gitmesi mumkun. Pratik kararlar icin zayif, akademik tarama icin guclu — bu yuzden Berk'in sorusunun cevabi: lab kullanim degil, on-tarama veya nicel arastirma destegi.

Tecrubelerden bir not: muhendislik kararlarinda "yaklasik" hicbir zaman kabul edilmez (Deniz'in batch 001 konusu hatirlanir). ML R2 ne olursa olsun "yaklasik" tahmin ediyor. Bu tahminlerin rapora girmesi muhendislik etiginde sorunlu. Ama ARGE tarafinda farkli bir durum: model arastirma soruları uretmek ve hipotez test etmek icin guzel arac.

Berk'in sorusu "yatirim mantikli mi" cevabi: serbest piyasa lab icin hayir, akademi-endustri ARGE merkezi icin evet. Konya Arge ve ODTU akademik gruplar gibi.

MAYilmaz_Inz yazdi:

serbest piyasa lab icin hayir, akademi-endustri ARGE merkezi icin evet

Mehmet abi, tam ayrimi yaptin. PTT Arastirma'da bizim grup ML'i nicel arastirma destek araci olarak kullanabilir, hipotez test edebilir, ama rapora ML tahmini "deger" olarak yazmaz, ek "tarama" olarak yazar. Bu yaklasim makaleler icin de standart hale geliyor.

Ankara'dan ek bilgi: bizim Baskent Zemin'de XRD yok, hizli karar veriyoruz Atterberg + hidrometre + saha gozlem ile. ML modeli ne ise yaramaz cunku zaten XRD verimiz olmuyor. Bu yorum biraz farkli koyut ama: ML modeli "XRD olan lab" icin avantaj saglar, "XRD olmayan lab" icin ise model alinmasi gereken cihaz XRD'dir, model sonra. Onceleme olarak XRD > ML.

Suat abi, dogru. ODTU'de XRD var, yani biz ML modeli kullanabiliriz, ama yine de Atterberg testlerimizi rutinde yapiyoruz. ML'i hipotez/tarama olarak kullaniyoruz: "Bu numune yuksek smektitli olabilir, XRD'ye odaklanalim" diye ilk filtrelemede. Sonra detayli karakterizasyon manuel.

Bir de TUBITAK 1001 cagrisinda "AI in geotechnics" alt-kategorisi acildi 2024 baslarinda. Berk'in actigi konu zamanli, basvurulara para ayriliyor. Bizim Ankara akademi grubu basvuruyu hazirliyor.

Bu konuyu okurken aklim daginik biraz, ama bir seyi anladim: ML "tahmin" yapar ama "test" yerine gecmez. Patron abimi bunla ikna edebilirim, daha cok cihaz al laboratuvarima diye. Tesekkur.

Berk, bir hukuki uyari da ekleyeyim: rapor mahkemeye gittiginde ML tahmini "delil" olarak savunulamaz cunku model agirliklari kullanilamiyor (kara kutu). Atterberg testi prosedur belgeleri ile her noktasi savunulur. Eger bir gun rapor davaya konu olursa, ML kismi cikartmak veya destekleyici olarak isaretlemek zorunda kalirsin. Yargi henuz "AI evidence" konusunda tanim yapmadi Turkiye'de, hukuki risk var.

ML ML diyorsunuz da ben anlamiyorum cok, ama Berk'in dedigi "kara kutu" terimi tek seyi hatirlatti: 90lar Adapazari ovasinda hesaplama yazilimlari da boyle baslamisti, "PC bunu hesapliyor" deyip elle dogrulamadan rapor yazanlar oldu. Sonuc malumunuz. Yeni nesil arac geliyor diye eski disiplini birakmamak lazim. Karot yalan soylemez, hesap yalanlanamaz, ML soylesin neyse o.

Genc muhendis tarafindan: ML akademideki cazibesi yuksek, ama is hayatinda dikkatli olmali. ITU'da gecen sene bir yuksek lisans tezi vardi, "ML for soil classification", panelde hocalardan biri sordu "rapor usulu nasıl olacak, ML tahmini AASHTO M145'te tanimsiz, oraya nasil gireceksin?" Cevap olmadi. Pratik kullanima hazir degil henuz, akademik on-baskidan rapor sablonuna gecene kadar epey is var.

Elif, hakli noktayi vurguladin. AASHTO M145 ve TS standardlari ML tahminini "gecerli sonuc" olarak tanimiyor henuz. Birkac ilk hareket var: ASTM'in 2024 ikinci yarisinda "AI in materials testing" calisma grubu kuruldu, daha standardize edilmis bir protokol bekliyoruz 2026-2027. O zamana kadar ML "bilim destek" rolundede kalir.

Tartismaya katilan herkese tesekkurler. Ozet aldim:

1. ML Pratik degil — akademik/ARGE arac (Mehmet abi)

2. R2=0.84 + RMSE=4.2 sinif sinir kararlarinda zayif (Burak)

3. Yorumlanabilirlik kritik, saliency map sart (Ezgi)

4. Polat-Buchwald deterministik formul karsilastirma referansi (Begum)

5. AASHTO/TS standard tanimi yok, 2026+ bekleniyor (Elif)

6. XRD onceligi ML'den onde (Suat abi)

Forum gercekten degerli bir kaynak. Bu konuyu makalemde tartisma kismina yazinca, foruma atif yapamasam da etkiniz var.