Kazanimlar:
- Bileşim ve proses parametrelerinden mekanik özellik tahmini için makine öğrenmesi problemini AI ile doğru kurgulayabilme
- Veri kalitesi, aşırı öğrenme (overfitting) ve ekstrapolasyon risklerini tanıyıp bir model çıktısını eleştirel okuyabilme
- Tahmin modeli sonuçlarını fiziksel makullük, güven aralığı ve doğrulama deneyiyle sınayabilme
Metalurjinin en temel yasası "işlem, yapıyı belirler; yapı, özelliği belirler" diye özetlenir. Bir çeliğin akma dayanımı, sadece bileşimden değil; nasıl işlendiğinden (dövme, haddeleme, ısıl işlem) ve bunun sonucu oluşan mikroyapıdan (tane boyutu, faz oranı, çökeltiler) doğar. Yapay zeka ve özellikle makine öğrenmesi (ML: verideki örüntülerden öğrenip tahmin yapan yöntemler), bu bileşim–işlem–özellik ilişkilerini binlerce veri noktasından çıkarıp yeni bir alaşımın özelliğini tahmin etmede güçlüdür. Ancak bu güç, veri kalitesine ve modelin nerede güvenilir olduğunu bilmenize tamamen bağlıdır. Bu ünitede ML tabanlı özellik tahminini nasıl kurgulayacağınızı ve çıktısını nasıl eleştirel okuyacağınızı öğreneceksiniz.
Makine öğrenmesi problemini doğru kurmak
Bir özellik tahmini problemini ML'e dökmeden önce üç şeyi netleştirin:
- Girdi (öznitelikler / features): Tahminde kullanılacak değişkenler. Örneğin bileşim yüzdeleri (C, Mn, Cr, Ni...), ısıl işlem sıcaklığı ve süresi, tane boyutu.
- Çıktı (hedef / target): Tahmin edilecek özellik. Örneğin akma dayanımı, uzama, sertlik.
- Veri: Girdi–çıktı çiftlerinden oluşan bir tablo. Her satır bir numune, her sütun bir öznitelik veya hedeftir.
Model bu veriden bir "fonksiyon" öğrenir: girdileri alıp çıktıyı tahmin eder. Doğrusal regresyon (basit ağırlıklı toplam), rastgele orman (random forest) veya gradyan artırma (gradient boosting) gibi yöntemler yaygındır. AI, hangi yöntemin uygun olduğunu önermede, kodu yazmada ve sonucu yorumlamada yardımcıdır; ama modelin geçerli olup olmadığını siz denetlersiniz.
Veri kalitesi: modelin tavanı
Bir ML modeli, eğitildiği veriden daha iyi olamaz. "Çöp girer, çöp çıkar" ilkesi metalurjide çok keskindir çünkü test verisi pahalı ve az sayıdadır. Şu tuzaklara dikkat edin:
- Az veri: 30 numuneyle karmaşık model kuramazsınız; model veriyi ezberler.
- Dengesiz veri: Verinin çoğu düşük karbonlu çeliklerse, yüksek karbonlu bir alaşımda tahmin kötü olur.
- Ölçüm gürültüsü: Aynı numunenin sertliği farklı operatörlerde değişebilir; bu gürültü modele yansır.
- Eksik değişken: Tane boyutunu ölçmediyseniz, dayanımı sadece bileşimle tahmin etmeye çalışan model önemli bir nedeni göremez.
Dikkat: Bir modelin eğitim verisinde yüksek başarı göstermesi, yeni numunelerde de başarılı olacağı anlamına gelmez. Bu, aşırı öğrenme (overfitting) olabilir: model gerçek ilişkiyi değil, eğitim verisindeki gürültüyü ezberlemiştir. Gerçek başarı, modelin daha önce görmediği "test verisinde" ölçülür.
Ekstrapolasyon: en tehlikeli sınır
ML modelleri, eğitim verisinin kapsadığı aralık içinde (interpolasyon) makul çalışır. Bu aralığın dışına (ekstrapolasyon) çıkıldığında tahminler güvenilmez olur ve model çoğu zaman bunu belli etmez; kendinden emin bir sayı üretmeye devam eder. Örneğin karbon içeriği %0,2–0,6 aralığındaki çeliklerle eğitilmiş bir model, %1,2 karbonlu bir alaşım için verdiği değeri "güvenli" gösterebilir ama bu değer tamamen dayanaksızdır. Her tahmin için "bu numune eğitim verisi dağılımının içinde mi?" sorusunu sormak zorunludur.
Adım adım: AI ile bir tahmin akışı kurmak
- Hedefi ve girdileri tanımla: Neyi, hangi değişkenlerden tahmin edeceksin?
- Veriyi hazırla: Temizle, birimleri sabitle, eksik değerleri işaretle. (AI: Python kodu yazar.)
- Veriyi böl: Eğitim ve test kümesi ayır ki başarıyı dürüst ölçesin.
- Model seç ve eğit: Basitten başla (doğrusal), gerekirse ağaç tabanlıya geç.
- Değerlendir: Test kümesinde hata metriklerine bak (ör. RMSE, R²).
- Yorumla: Hangi değişken ne kadar etkili? Fiziksel olarak anlamlı mı?
- Doğrula: Kritik bir tahmini gerçek deneyle sına; ekstrapolasyon olup olmadığını kontrol et.
Kavram
Anlamı
Metalurjide neden önemli
Overfitting
Modelin gürültüyü ezberlemesi
Az test verisiyle çok kolay olur
İnterpolasyon
Eğitim aralığı içinde tahmin
Görece güvenilir bölge
Ekstrapolasyon
Eğitim aralığı dışında tahmin
Güvenilmez; deney şart
R²
Modelin açıkladığı varyans oranı
Uyum kalitesinin göstergesi
Özellik önemi
Bir girdinin etkisinin büyüklüğü
Fiziksel makullük kontrolü
Üç mini vaka
Vaka 1 — Ezberleyen model. Bir ekip, 45 çelik numunesiyle akma dayanımını tahmin eden karmaşık bir model kurar; eğitim verisinde R² = 0,99 çıkar ve sevinirler. Ancak test verisinde R² = 0,42'ye düşer. Model overfit olmuştur. Daha basit bir modele geçip veriyi artırdıklarında test başarısı 0,80'e çıkar. Ders: eğitim başarısı yanıltıcıdır; karar test verisiyle verilir.
Vaka 2 — Ekstrapolasyon tuzağı. Bir mühendis, düşük alaşımlı çeliklerle eğitilmiş bir modeli, yüksek Cr'lu paslanmaz bir bileşime uygular. Model "yaklaşık 620 MPa" der. Gerçek çekme testi 410 MPa çıkar. Bileşim eğitim dağılımının tamamen dışındadır. Ders: tahmin öncesi girdinin eğitim aralığında olup olmadığını kontrol etmek zorunludur.
Vaka 3 — Doğru kullanım. Bir Ar-Ge ekibi, bir alaşım ailesinde binlerce kaydı olan bir veriyle, temperleme sıcaklığının sertliğe etkisini modeller. Model, bilinen fiziksel eğilimi (artan temperleme sıcaklığıyla sertlik düşer) yeniden üretir ve hangi bileşim aralığında hedef sertliğe ulaşılacağını daraltır. Ekip modeli deney sayısını azaltmak için kullanır: 40 yerine 8 deneyle hedefe ulaşır ve her adımı ölçümle doğrular. Ders: ML, iyi veriyle ve fiziksel makullük kontrolüyle deney planlamayı akıllıca daraltır.
Kopyalanabilir prompt şablonları
ML PROBLEM KURGUSU ŞABLONU"Rol: Malzeme veri bilimi asistanısın.Hedef: [tahmin edilecek özellik]. Girdiler: [öznitelikler].Elimde [n] numune var. Bu problem için:(1) uygun basit ve gelişmiş model seçeneklerini öner,(2) eğitim/test bölmesini ve değerlendirme metriğini açıkla,(3) overfitting ve ekstrapolasyon risklerini bu veriye göre yorumla.Kesin başarı vaadi verme; sınırları açıkça yaz."
VERİ KALİTESİ DENETİM ŞABLONU"Şu veri tablosunun kalitesini denetle: [sütunları ve örnek satırlarıyapıştır]. Şunları işaretle: eksik değerler, aykırı değerler, birimtutarsızlıkları, dengesiz dağılım. Her sorun için nasıl elealınacağını öner. Modelleme yapmadan önce hangi kontrolleriyapmam gerektiğini listele."
EKSTRAPOLASYON KONTROL ŞABLONU"Eğitim verimdeki her girdinin min-maks aralığı şu: [aralıkları yaz].Tahmin etmek istediğim yeni numune: [değerleri yaz].Bu numune her öznitelikte eğitim aralığının içinde mi, dışında mı?Dışındaysa hangi değişkenlerde ve tahminin neden güvenilmez olacağınıaçıkla. Deneyle doğrulama önerisi ver."
FİZİKSEL MAKULLÜK ŞABLONU"Modelin özellik önem sıralaması şu: [sırala].Bu sıralama bilinen metalurjik ilişkilerle (ör. Hall-Petch, çökeltisertleşmesi, karbon etkisi) tutarlı mı? Fiziksel olarak beklenmeyenbir etki varsa işaretle ve olası veri/model sorununu açıkla."
Zayıf prompt / Güçlü prompt
ZAYIF PROMPT:"Bu bileşime göre akma dayanımını tahmin et."
GÜÇLÜ PROMPT:"Rol: Malzeme veri bilimi asistanısın. Elimde 800 satırlık düşükalaşımlı çelik verisi var (C, Mn, Cr, Ni, temperleme sıcaklığı ->akma dayanımı). Yeni numune: C=0,38, Mn=0,8, Cr=1,0, Ni=0,2,temper=550 °C. Önce bu numunenin eğitim aralığında olup olmadığınıkontrol et. Uygunsa tahmin yaklaşımını ve belirsizliğini açıkla;uygun değilse deney öner. Fiziksel makullüğü Hall-Petch ve temperetkisiyle çapraz kontrol et. Tek nokta kesin değer verme."
Güçlü prompt, tahminden önce ekstrapolasyon kontrolü ister, belirsizliği açtırır ve sonucu fiziksel yasalarla sınatır. Bu, ham bir sayıdan çok daha güvenilir bir karar zemini verir.
Sık yapılan hatalar
- Eğitim başarısını gerçek başarı sanmak (overfitting'i atlamak).
- Eğitim/test bölmesi yapmadan modeli değerlendirmek.
- Ekstrapolasyon bölgesinde üretilen tahmini güvenli kabul etmek.
- Az ve dengesiz veriyle karmaşık model kurmak.
- Özellik önemini fiziksel makullükle karşılaştırmamak.
- Kritik bir tahmini deneyle doğrulamadan tasarıma koymak.
Özetle
Makine öğrenmesi, bileşim–işlem–özellik ilişkilerini iyi veriyle güçlü biçimde yakalar ve deney planlamayı akıllıca daraltır. Ama bir model ancak verisi kadar iyidir; eğitim başarısı yanıltıcı olabilir (overfitting) ve eğitim aralığı dışındaki tahminler (ekstrapolasyon) güvenilmezdir. Her tahmini test verisi başarısı, ekstrapolasyon kontrolü, fiziksel makullük ve kritik durumlarda gerçek deneyle sınayın.
Uygulama görevi
Elinizdeki (veya kurgusal) bir malzeme veri setiyle bir özellik tahmini problemi tanımlayın: hedefi ve girdileri yazın. "ML PROBLEM KURGUSU" şablonuyla AI'dan bir yaklaşım isteyin. Ardından bir "yeni numune" tanımlayıp "EKSTRAPOLASYON KONTROL" şablonuyla bu numunenin eğitim aralığında olup olmadığını denetletin. Son olarak, modelin bir çıktısını hangi deneyle doğrulayacağınızı bir paragrafta açıklayın.
Kontrol listesi
- [ ] Hedef ve girdileri açıkça tanımladım.
- [ ] Veri kalitesini (eksik, aykırı, birim, denge) denetledim.
- [ ] Eğitim/test bölmesiyle dürüst başarı ölçtüm.
- [ ] Ekstrapolasyon riskini her tahmin için kontrol ettim.
- [ ] Özellik önemini fiziksel makullükle karşılaştırdım.
- [ ] Kritik tahmini gerçek deneyle doğrulama planı yaptım.