Nikel bazlı süper alaşımlar; gaz türbinleri, yüksek sıcaklık enerji sistemleri ve aşırı termal koşullarda çalışan mühendislik parçaları için yüksek dayanım, oksidasyon direnci ve yapısal kararlılığı birlikte sağlayan önemli malzeme sınıflarından biridir. Bununla birlikte bir alaşımın yalnızca kimyasal bileşimine bakarak farklı sıcaklıklardaki akma dayanımını, çekme dayanımını, sünekliğini ve elastik modülünü doğru tahmin etmek zordur. Üretim yöntemi, çökelti miktarı, faz kararlılığı, kristal yapı ve sıcaklık gibi değişkenler aynı anda etkili olmaktadır.

Bu çalışmada araştırmacılar, nikel bazlı süper alaşım analizi ve tasarımı için AlloyGraph adlı açık erişimli bir yapay zekâ platformu geliştirmiştir. Sistem; 77 deneysel alaşımı içeren bir RDF bilgi grafiğini, OWL 2 DL ontolojisini, fizik temelli metalurjik hesaplamaları, XGBoost–Random Forest makine öğrenmesi topluluğunu ve Llama 3.3-70B tabanlı çok etmenli bir karar zincirini birleştirmektedir. Kullanıcılar sistem üzerinden bilinen bir alaşımın özelliklerini sorgulayabilmekte, belirli bileşim ve sıcaklık için mekanik özellik tahmini alabilmekte veya hedeflenen özelliklerden geriye doğru giderek yeni bir alaşım bileşimi önerebilmektedir.

Sistem, model eğitiminde kullanılmayan 88 alaşım üzerinde değerlendirilmiştir. Tam AlloyGraph iş akışı akma dayanımında 80,6 MPa, nihai çekme dayanımında 95,2 MPa, uzamada 13,1 yüzde puan ve elastik modülde 9,0 GPa ortalama mutlak hata üretmiştir. Akma dayanımı hatası yalnızca makine öğrenmesi kullanan modele göre yaklaşık %21, nihai çekme dayanımı hatası ise yaklaşık %16 azalmıştır. Farkların akma dayanımı, çekme dayanımı ve elastik modül için p<0,001; uzama için p=0,038 düzeyinde olduğu bildirilmiştir.

Bilgi grafiğine bağlı araştırma asistanı, 250 çoktan seçmeli soruda %91,2 doğruluk elde etmiş; bilgi grafiğine erişmeyen Llama 3.3-70B ve GPT-4o modelleri yaklaşık %50 düzeyinde kalmıştır. Buna karşılık geniş ve ders kitabı niteliğindeki 12 metalurji sorusunun uzman değerlendirmesinde GPT-4o 4,75, Llama 3.3-70B 4,58 ve AlloyGraph araştırma asistanı 3,81 puan almıştır. Bu sonuç, yapılandırılmış bilgi erişiminin belirli alaşım verilerinde güçlü olduğunu; genel metalurji bilgisinde ise geniş ön eğitimli modellerin avantajını koruduğunu göstermektedir.

Tersine tasarım bölümünde sistem, 20 tasarım görevi içindeki 76 ayrı özellik hedefinin 55’ini hedef değerin en az %90’ına ulaştırmış ve %72 başarı bildirmiştir. Üretilen 20 bileşimin hiçbirinde kritik TCP fazı riski oluşmamıştır. Ancak bu bileşimler sentezlenmemiş ve mekanik deneylerden geçirilmemiştir. Bu nedenle AlloyGraph yeni alaşım geliştirmede deney sayısını azaltabilecek bir araştırma ve ön eleme aracı olarak değerlendirilmelidir; doğrudan üretim reçetesi veya sertifikalandırılmış tasarım sistemi değildir.

Nikel bazlı süper alaşım tasarımı neden güçtür?

Bir metalin mekanik davranışı yalnızca hangi elementleri içerdiğine bağlı değildir. Aynı kimyasal bileşim; dövme, döküm, yönlü katılaştırma, tek kristal üretim veya farklı ısıl işlem rotaları uygulandığında farklı mikroyapılar ve mekanik özellikler gösterebilir. Test sıcaklığı yükseldiğinde çökeltiler çözünmeye, dislokasyon hareketleri değişmeye ve difüzyon kontrollü deformasyon mekanizmaları belirginleşmeye başlar.

Nikel bazlı süper alaşımlarda temel taşıyıcı faz çoğunlukla nikel zengin kübik γ matrisi, başlıca güçlendirici çökelti ise düzenli Ni₃(Al,Ti,Ta) yapısına sahip γ′ fazıdır. Al, Ti, Ta ve Nb gibi elementler γ′ oluşumunu güçlendirirken Mo, W ve Re gibi refrakter elementler yüksek sıcaklık dayanımına katkı verebilir. Buna karşılık refrakter elementlerin aşırı kullanılması, gevrek ve istenmeyen topolojik sıkı paketlenmiş fazların oluşma riskini artırabilir.

Bu nedenle alaşım tasarımı tek bir özelliği en yüksek değere çıkarmaktan ibaret değildir. Yüksek akma dayanımı, yeterli süneklik, oksidasyon direnci, düşük TCP riski, üretilebilirlik, yoğunluk ve maliyet gibi birbiriyle çatışabilen hedeflerin birlikte yönetilmesi gerekir.

AlloyGraph hangi bilimsel boşluğu hedeflemektedir?

Malzeme bilimi verilerinin önemli bir bölümü üretici teknik dokümanlarında, el kitaplarında ve birbirinden farklı biçimlerde yayımlanmış araştırmalarda bulunmaktadır. Kimyasal bileşim bir belgede ağırlık yüzdesiyle, mekanik özellik başka bir kaynakta farklı sıcaklık ve ürün formuyla verilebilir. Bu verileri tek bir makine öğrenmesi tablosuna dönüştürmek, yalnızca sayısal alanları birleştirmekten daha karmaşık bir işlemdir.

Genel amaçlı büyük dil modelleri, yaygın metalurji kavramlarını açıklayabilse de belirli bir alaşımın belirli sıcaklıktaki deneysel dayanımını güvenilir biçimde hatırlamak zorunda değildir. Yalnızca makine öğrenmesine dayanan modeller ise küçük ve parçalı veri kümelerinde fiziksel olarak olanaksız tahminler oluşturabilir veya eğitim aralığının dışında güvenilirliğini kaybedebilir.

AlloyGraph bu iki sınırlılığı, yapılandırılmış bilgi ve fiziksel hesaplamayı karar zincirine ekleyerek aşmaya çalışmaktadır. Sistem bir dil modelinin tek başına sayı üretmesine izin vermek yerine makine öğrenmesi, fizik modelleri ve benzer alaşımlara ait deneysel kayıtları ayrı kanıt kaynakları olarak hazırlamakta; ardından Analist ve İnceleyici etmenleri bu kaynakları karşılaştırmaktadır.

Beş katmanlı sistem mimarisi

Çalışmanın sayfa 7’deki Şekil 1’i AlloyGraph’ı beş katmanlı bir yapı olarak göstermektedir:

Sistem üç ana kullanım biçimi sunmaktadır. Araştırma asistanı yalnızca bilgi grafiğindeki deneysel veriler üzerinden doğal dil sorularını yanıtlamaktadır. Özellik değerlendirici, verilen bileşim, üretim rotası ve sıcaklık için mekanik özellik tahminleri üretmektedir. Alaşım tasarımcısı ise istenen mekanik özellikleri girdi olarak alıp bunlara yaklaşabilecek kimyasal bileşim önermektedir.

Ontoloji neden gereklidir?

Bir bilgi grafiğinde verilerin yalnızca düğüm ve bağlantı olarak saklanması yeterli değildir. Hangi varlığın alaşım, hangi varlığın element, hangi sayının sıcaklık ve hangi ölçümün akma dayanımı olduğu açık biçimde tanımlanmalıdır. AlloyGraph ontolojisi bu kavramsal sözlüğü ve mantıksal kuralları oluşturmaktadır.

Ontoloji OWL 2 DL biçiminde hazırlanmış; 32 sınıf, 17 nesne özelliği ve 46 veri özelliği tanımlanmıştır. Yapı dört temel sütuna ayrılmıştır:

• Malzeme sütunu: Nikel bazlı süper alaşım, alaşım varyantı, bileşim ve tekil element girdileri.
• Faz sütunu: γ matrisi, γ′ çökelti fazı ve TCP fazları.
• Özellik sütunu: Akma dayanımı, nihai çekme dayanımı, uzama, elastik modül, sertlik, sürünme kopma, kesit daralması ve yoğunluk.
• Üretim ve metadata sütunu: Üretim yöntemi, ürün biçimi, ısıl işlem ve test koşulları.

Mevcut bilgi grafiğinde yeterli ve standartlaştırılmış açık veri bulunduğu için akma dayanımı, nihai çekme dayanımı, uzama ve elastik modül değerleri doldurulmuştur. Sertlik, sürünme kopma, kesit daralması ve yoğunluk sınıfları ontolojide bulunmakla birlikte yeterli standart açık veri olmadığı için aynı kapsamda doldurulmamıştır.

Ontolojinin uyguladığı metalurjik sınıflandırmalar

HermiT çıkarım motoru, yüklenen alaşım varyantlarını belirlenen mantıksal kurallara göre otomatik sınıflandırmaktadır. γ′ oluşturucu ağırlık yüzdesi şu birleşik göstergeyle hesaplanmaktadır:

\[ C_{\gamma'} = Al + Ti + Ta + 0{,}35\,Nb \]

Burada Al, Ti, Ta ve Nb ilgili elementlerin ağırlık yüzdeleridir. \(C_{\gamma'}\) değeri %2’nin altındaysa alaşım katı çözeltiyle güçlendirilmiş; %2 veya üzerindeyse γ′ çökelmesiyle güçlendirilmiş sınıfa atanmaktadır. Bu iki sınıf ontolojide birbirini dışlayan sınıflar olarak tanımlanmıştır.

TCP fazı riski, Morinaga ortalama \(M_d\) parametresine göre dört düzeye ayrılmaktadır:

Ontoloji aynı zamanda fiziksel tutarlılık sınırları uygulamaktadır. Hesaplanan yoğunluğun 7–10 g/cm³, tahmini γ′ hacim oranının %0–85, ortalama \(M_d\) değerinin 0,70–1,05 ve γ/γ′ kafes uyumsuzluğunun −%2 ile +%2 arasında olması beklenmektedir. Bu aralıkların dışına çıkan kayıtlar veri kalitesi sorunu olarak işaretlenmektedir.

Bilgi grafiği nasıl oluşturulmuştur?

Ana açık veri kaynağı Nickel Institute tarafından yayımlanan ve 106 alaşım girdisi içeren yüksek sıcaklık nikel alaşımları el kitabıdır. Bunların 77’si bilgi grafiğini doldurmak ve makine öğrenmesi modellerini eğitmek için kullanılmıştır. Kalan el kitabı kayıtları ile Special Metals, Haynes International ve ATI teknik dokümanlarından elde edilen kayıtlar birleştirilerek 88 alaşımlık değerlendirme kümesi oluşturulmuştur.

Veri işleme dört aşamada yürütülmüştür:

1. OWL ontoloji şemasının oluşturulması ve tutarlılık denetimi,
2. Alaşım kayıtlarının RDF üçlülerine dönüştürülerek GraphDB’ye yüklenmesi,
3. Metalurjik özelliklerin her alaşım varyantına hesaplanmış veri alanları olarak eklenmesi,
4. GraphDB kayıtlarının benzerlik araması için Weaviate vektör veri tabanına aktarılması.

Sayfa 11’deki Şekil 2, HAYNES 230 döküm varyantının bilgi grafiğindeki temsilini göstermektedir. Merkezdeki alaşım varyantı; on alaşım elementi, dört mekanik özellik kümesi ve 21–1093 °C arasındaki yedi akma dayanımı ölçümüyle bağlantılıdır. Bu yapı, “HAYNES 230’un 760 °C’deki akma dayanımı nedir?” gibi belirli sıcaklık ve özellik sorgularının SPARQL üzerinden yürütülmesini sağlamaktadır.

Weaviate tarafında ontolojinin ana varlıklarını yansıtan 13 koleksiyon bulunmaktadır. Alaşım varyantları; Morinaga parametreleri, tahmini γ′ oranı, kafes uyumsuzluğu ve katı çözelti güçlendirme katsayıları dâhil 23 sayısal özellik taşımaktadır. Metin temsili için 384 boyutlu MiniLM-L6 gömme modeli, arama için ise yoğun vektör benzerliği ile BM25 anahtar sözcük yöntemini birleştiren hibrit erişim kullanılmaktadır.

Fizik bilgisi makine öğrenmesine nasıl aktarılmıştır?

Her alaşım–sıcaklık çifti, doğrudan element yüzdeleriyle sınırlı olmayan 50–80 özellikten oluşan bir temsile dönüştürülmüştür. Kullanılan özellik grupları şunlardır:

• Morinaga \(M_d\) parametreleri ve değerlik elektronu yoğunluğu gibi faz kararlılığı göstergeleri,
• Ni₃X stokiyometrisine dayalı tahmini γ′ hacim oranı,
• Elementlerin fazlara bölünme eğilimlerinden hesaplanan γ/γ′ kafes uyumsuzluğu,
• Labusch–Nabarro katı çözelti güçlendirmesi,
• γ′ oranı ve Al–Ti miktarıyla ilişkili çökelti sertleşmesi,
• Hesaplanan yoğunluk ve oksidasyon direnci göstergeleri,
• Element oranları ve etkileşim terimleri,
• Sıcaklığın doğrusal, karesel, kübik, logaritmik, ters ve normalize edilmiş gösterimleri.

Sıcaklık aşağıdaki altı biçimde kodlanmıştır:

\[ T,\quad T^2,\quad T^3,\quad \ln(T_K),\quad \frac{1}{T_K},\quad \frac{T-20}{1080} \]

Burada \(T\) test sıcaklığını, \(T_K\) Kelvin cinsinden mutlak sıcaklığı temsil etmektedir. Bu farklı gösterimler, yüksek sıcaklıktaki doğrusal olmayan dayanım kaybı ile Arrhenius türü termal süreçlerin öğrenilebilmesini amaçlamaktadır.

Makine öğrenmesi düzeni

Akma dayanımı, nihai çekme dayanımı, uzama ve elastik modül için dört ayrı topluluk modeli eğitilmiştir. Her model bir XGBoost regresörü ile Random Forest regresörünün VotingRegressor yapısında birleştirilmesinden oluşmaktadır.

Özellik ön işleme aşamasında eksik değerler medyanla tamamlanmış, eksik alan göstergeleri eklenmiş, sayısal değişkenler ölçeklenmiş ve dövme–döküm üretim rotası kategorik olarak kodlanmıştır. Hiperparametreler Optuna ve Tree-structured Parzen Estimator yöntemiyle ayrı ayrı ayarlanmıştır.

Her alaşım farklı sıcaklıklarda birden fazla ölçüm içerdiğinden, sıradan rastgele çapraz doğrulama veri sızıntısına yol açabilirdi. Araştırmacılar bunun yerine beş katlı GroupKFold kullanmış ve aynı alaşıma ait bütün sıcaklık ölçümlerini aynı kat içinde tutmuştur. Böylece bir alaşımın düşük sıcaklık verilerinin eğitimde, yüksek sıcaklık verilerinin doğrulamada yer alması önlenmiştir.

Çok sayıda sıcaklık ölçümüne sahip alaşımların kaybı tek başına belirlememesi için her alaşıma şu örnek ağırlığı uygulanmıştır:

\[ w_i=\frac{1}{\sqrt{n_i}} \]

Burada \(n_i\), ilgili alaşıma ait ölçüm sayısıdır. Ayrıca alaşım düzeyinde gruplama kullanan GroupShuffleSplit yöntemiyle %15’lik bir geliştirme holdout kümesi ayrılmıştır.

Bağımsız fizik modelleri

Makine öğrenmesi tahminlerine ek olarak sistem, dil modelinden bağımsız çalışan deterministik fizik modelleri kullanmaktadır. γ′ hacim oranı; Al, Ti, Ta, Nb ve V miktarlarının çözünebilirlik sınırını aşan bölümünden ve Ni₃X stokiyometrisinden hesaplanmaktadır. Bu model, 12 ticari alaşımdaki literatür değerlerine karşı ortalama 5,7 hacim yüzdesi mutlak hata üretmiştir.

Katı çözeltiyle güçlendirilmiş alaşımların akma dayanımı Labusch–Nabarro modeliyle; γ′ güçlendirmeli alaşımların dayanımı ise tahmini çökelti oranı, üretim rotası ve kafes uyumsuzluğu katkılarıyla hesaplanmıştır. Elastik modül için oda sıcaklığında Voigt–Reuss–Hill ortalaması uygulanmış ve sıcaklık arttıkça doğrusal bozunma eklenmiştir.

Araştırmacılar, sistemi açık ve yeniden üretilebilir tutmak amacıyla Thermo-Calc veya PANDAT gibi ticari CALPHAD yazılımlarına bağlamamıştır. Bu tercih erişilebilirliği artırırken faz dengesi hesaplarını yerleşik termodinamik yazılımlara göre daha yaklaşık hâle getirmektedir.

Makine öğrenmesi ve deneysel kayıtların birleştirilmesi

Sistem, sorgulanan bileşime benzer bir alaşım bilgi grafiğinde bulunduğunda deneysel sonuç ile makine öğrenmesi tahminini güven ağırlığıyla birleştirmektedir:

\[ w_{KG}=\frac{1}{1+\exp\left(\frac{d-2{,}5}{0{,}5}\right)} \]

Burada \(d\), sorgulanan alaşım ile bilgi grafiğindeki benzer alaşım arasındaki bileşim uzaklığı; \(w_{KG}\) deneysel kayda verilen ağırlıktır. Uzaklık küçüldükçe deneysel veri daha güçlü, uzaklık büyüdükçe makine öğrenmesi tahmini daha baskın hâle gelmektedir.

Birleştirme yalnızca makine öğrenmesi ile deneysel değer arasında %15’ten büyük fark varsa uygulanmaktadır. Benzer görünen iki alaşımın γ′ oranları arasında %10’dan fazla fark bulunması veya üretim rotalarının uyumsuz olması durumunda bilgi grafiği kaydı kalibrasyon için kullanılmamaktadır. Üç en yakın komşu alınmış; ancak üç komşu seçiminin duyarlılığı ayrıca incelenmemiştir.

Özellik değerlendirme iş akışı

Sayfa 16’daki Şekil 3, özellik değerlendirme sürecini üç aşamada göstermektedir:

1. Ön hesaplama: Makine öğrenmesi tahminleri, fizik hesapları ve bilgi grafiğindeki üç benzer alaşım hazırlanır.
2. Etmen muhakemesi: Analist etmeni kanıtları karşılaştırır; İnceleyici etmeni sonuçları metalurjik sınırlar bakımından denetler.
3. Deterministik son işlem: Yoğunluk, γ′ oranı, UTS–akma dayanımı ilişkisi, elastik modül ve fiziksel sınırlar kod tabanlı kurallarla yeniden kontrol edilir.

Analist etmeni her özellik için makine öğrenmesi, fizik ve benzer alaşım kayıtları arasından bir değer seçmektedir. İnceleyici; tahminin alaşım sınıfına uygunluğunu, UTS’nin akma dayanımından büyük olmasını, uzama ile γ′ oranının tutarlılığını, TCP riskini ve elastik modülün Voigt–Reuss–Hill tahminiyle ilişkisini denetlemektedir.

Dil modeli fiziksel sınırı ihlal etse bile son katman kod tabanlı olarak müdahale etmektedir. Yoğunluk ve γ′ oranı bileşimden yeniden hesaplanmakta, akma dayanımı düzeltilirse UTS buna orantılı biçimde güncellenmekte ve UTS’nin akma dayanımının altında kalması engellenmektedir. Elastik modül ile fizik modeli arasında %15’ten fazla fark varsa deterministik düzeltme uygulanmaktadır.

Tam özellik değerlendirme zincirinin ortanca süresi yaklaşık 9 saniyedir. Yalnızca makine öğrenmesi yaklaşık 0,1 saniye, tek bir dil modeli çağrısı ise yaklaşık 1,5 saniye sürmüştür. Çok etmenli yapının ek süresi, iki ardışık dil modeli çağrısı ve bilgi grafiği erişiminden kaynaklanmaktadır.

Tersine alaşım tasarımı nasıl yapılmaktadır?

Tersine tasarım, “Bu bileşim hangi özellikleri verir?” sorusunu tersine çevirerek “Bu özellikleri sağlayabilecek bileşim ne olabilir?” sorusuna yanıt aramaktadır. AlloyGraph bu işlemi üç aşamalı ve yinelemeli bir döngüyle yürütmektedir.

Birinci aşama: Tasarımcı etmeni

Tasarımcı, hedef akma dayanımı, UTS, uzama, elastik modül, test sıcaklığı ve üretim rotasına göre ilk aday bileşimi üretmektedir. Hızlı Kontrol aracı; TCP riski, γ′ oranı, kafes uyumsuzluğu ve katı çözelti güçlendirmesini hesaplayarak adayın temel fiziksel uygunluğunu değerlendirir.

İkinci aşama: Deterministik koruyucu ve ayarlayıcı

Koruyucu katman, alaşım sınıfı ile hedef özelliklerin uyuşmaması durumunda bileşimi düzeltmektedir. Dövme alaşımlarda Mo miktarı %4,5, W miktarı %4,0 ile sınırlandırılmış; TCP riski yükseldiğinde en fazla risk oluşturan refrakter elementler azaltılmıştır. Dövme alaşımda tahmini γ′ oranı %50’yi aşıyorsa γ′ oluşturucular aşağı ölçeklenmektedir.

Ayarlayıcı katman, bileşimde zaten bulunan elementleri en fazla ±3 ağırlık yüzdesi değiştirebilmektedir. Her hedef özelliğin ilgili elemente duyarlılığı yaklaşık türevlerle incelenmekte, küçük adımlar uygulanmakta ve her değişimden sonra TCP kararlılığı yeniden kontrol edilmektedir.

Üçüncü aşama: Tam doğrulama

Optimize edilen aday, Analist–İnceleyici–deterministik kontrol zincirinden geçirilir. Hedeflerden biri karşılanmazsa sistem hangi özellikte açık bulunduğunu ve hangi elementlerin hangi yönde değiştirilmesi gerektiğini Tasarımcı etmenine iletir. Çalışmadaki değerlendirmelerde en fazla üç tasarım yinelemesine izin verilmiştir.

Araştırma asistanı nasıl çalışmaktadır?

Araştırma asistanı makine öğrenmesi veya fizik modellerinden yeni özellik tahmini üretmemektedir. Kullanıcının sorusu Weaviate üzerinde anlamsal vektör benzerliği ve BM25 anahtar sözcük aramasıyla eşleştirilmekte; bulunan alaşım bileşimleri, ölçümler ve hesaplanmış metalurjik özellikler dil modeline bağlam olarak verilmektedir.

Örneğin sistem, belirli sıcaklıkta Waspaloy akma dayanımını sorgulayabilir veya \(M_d<0,94\) ve uzama >%20 koşullarını karşılayan alaşımları listeleyebilir. Yanıtın bilgi grafiğindeki belirli alaşım ve ölçüm kayıtlarına dayanması, genel dil modelinin sayı uydurma riskini azaltmayı amaçlamaktadır.

Özellik tahmini sonuçları

Değerlendirme kümesi 38 çökeltiyle güçlendirilmiş, 35 katı çözeltiyle güçlendirilmiş ve 15 tek kristal veya yönlü katılaştırılmış alaşımdan oluşmaktadır. Sıcaklıklar 20–1205 °C aralığındadır. Bütün yöntemlerin geçerli tahmin ürettiği ortak noktalar kullanıldığında akma dayanımı için 275, UTS için 279, uzama için 274 ve elastik modül için 293 ölçüm karşılaştırılmıştır.

Tam sistem, dayanım özelliklerinde en düşük hatayı üretmiştir. Akma dayanımı MAE değeri yalnızca ML modelindeki 102,0 MPa’dan 80,6 MPa’ya; UTS hatası 114,0 MPa’dan 95,2 MPa’ya düşmüştür. Fizik modellerinin en belirgin katkısı elastik modülde görülmüş; Voigt–Reuss–Hill düzeltmesi hata değerini 13,3 GPa’dan 9,8 GPa’ya indirmiştir.

İnce ayarlı GPT-4.1-mini elastik modül MAE’sinde 8,2 GPa ile tam sistemden daha iyi, uzama R² değerinde 0,463 ile daha yüksek sonuç üretmiştir. Buna karşılık AlloyGraph uzama MAE’sinde ve elastik modül R² değerinde daha iyi; iki dayanım özelliğinde ise açık biçimde daha başarılıdır. Sonuçlar iki yaklaşım arasında bütün özellikleri kapsayan mutlak bir üstünlük değil, farklı güçlü yönler bulunduğunu göstermektedir.

Modül çıkarım analizi

Yalnızca ML sistemine fizik düzeltmelerinin eklenmesi akma dayanımını iyileştirmemiş; elastik modülde belirgin kazanç sağlamıştır. Bilgi grafiği erişimi ve etmen muhakemesi eklendiğinde dayanım hataları güçlü biçimde azalmıştır. Araştırmacılar bu gelişmeyi, Analist etmeninin benzer alaşımların deneysel değerlerini kalibrasyon çapası olarak kullanabilmesine bağlamaktadır.

Wilcoxon işaretli sıra testlerine göre tam sistem ile yalnızca ML modeli arasındaki farklar akma dayanımı, UTS ve elastik modül için p<0,001; uzama için p=0,038 düzeyindedir. Uzamadaki daha zayıf gelişme, sünekliğin bileşimden çok mikroyapı, tane sınırı, kusur yapısı ve ısıl işlem ayrıntılarına duyarlı olmasıyla ilişkilendirilmiştir.

Alaşım sınıflarına göre performans

Katı çözeltiyle güçlendirilmiş alaşımlar en iyi tahmin edilen sınıftır. Bu alaşımlardaki güçlendirme mekanizması büyük ölçüde γ matrisi içindeki çözünen elementlerle ilişkili olduğundan bileşim temelli özellikler daha açıklayıcıdır.

Tek kristal ve yönlü katılaştırılmış alaşımlardaki 43,0 GPa elastik modül hatası kritik bir sınırlılıktır. Tek kristal elastik modülü yükleme ekseninin kristalografik yönüne güçlü biçimde bağlıdır; bu yön bilgisi model girdilerinde bulunmamaktadır. Araştırmacılar bu sınıf için AlloyGraph elastik modül tahminlerine bağımsız doğrulama olmadan güvenilmemesi gerektiğini açıkça belirtmiştir.

Sıcaklığa bağlı davranış

Model oda sıcaklığı ile 100–700 °C arasındaki bölgede daha başarılıdır. 700 °C üzerindeki koşullarda dislokasyon tırmanması, γ′ çözünmesi ve difüzyon kontrollü süreçler belirginleşmekte; yüksek sıcaklık eğitim verisinin azalması tahmin hatasını büyütmektedir.

Dövme alaşımlarda γ′ çözüldükten sonra sünekliğin yeniden yükseldiği bazı yüksek sıcaklık noktaları model tarafından iyi yakalanamamıştır. Haynes 214 ve Haynes 263 gibi alaşımlarda %100’ü aşabilen yüksek sıcaklık uzamaları, eğitim kümesinde seyrek oldukları için sistematik olarak düşük tahmin edilmiştir.

Sayfa 39’daki ölçülen–tahmin edilen grafikler, akma ve çekme dayanımında noktaların ideal diyagonale görece yakın olduğunu; uzamada ise özellikle yüksek ölçüm değerlerinde tahminlerin belirgin biçimde aşağıda kaldığını göstermektedir. Tek kristal elastik modül noktaları da ana dağılımdan ayrılan sapmalar oluşturmaktadır.

Araştırma asistanının çoktan seçmeli soru sonuçları

Tek adımlı 100 soru doğrudan bilgi grafiğindeki bir bileşim, özellik veya sınıflandırma değerini sorgulamaktadır. AlloyGraph’ın %100 başarısı bu nedenle yeni alaşımlara genelleme başarısından çok doğru kaydı geri getirme başarısını göstermektedir. İki ayrı sorgunun birleştirilmesini gerektiren 100 soruda doğruluk %79’a düşmüş, ancak bilgi grafiği bulunmayan modellerden hâlâ belirgin biçimde yüksek kalmıştır.

Genel metalurji sorularında GPT-4o %100, AlloyGraph %98 ve Llama %92 sonuç üretmiştir. Bu bölümde bilgi grafiğinin avantajı azalmaktadır; çünkü sorular belirli alaşım kayıtlarından çok yaygın metalurji bilgisini ölçmektedir.

Bağlam etki analizinde bilgi grafiği, en az bir genel modelin yanıldığı 142 soruda AlloyGraph’a yardımcı olmuş; dokuz soruda ise yanlış bağlam sağlayarak sistemi yanıltmıştır. Net katkı 133 soru olarak hesaplanmıştır.

Açık uçlu sorular ve otomatik değerlendirme

Yüz açık uçlu soru; alaşım profili, açıklama, karşılaştırma, öneri, çok özellikli sorgu ve sıcaklık eğilimi kategorilerinde hazırlanmıştır. GPT-4o değerlendiricili RAGAS ölçümünde şu sonuçlar elde edilmiştir:

• Yanıt ilgililiği: 0,95
• Referans yanıtla anlamsal benzerlik: 0,92
• Geri getirilen bağlama sadakat: 0,74
• Yanıt doğruluğu: 0,52

0,52 doğruluk skoru, token düzeyindeki katı F1 hesaplamasının ayrıntılı yanıtları cezalandırmasıyla açıklanmıştır. Buna rağmen 0,74 sadakat değeri, yanıtların yaklaşık dörtte birinde bağlamla tam desteklenmeyen veya yeterince doğrulanamayan ifadeler bulunabileceğini de göstermektedir. Araştırma asistanı tamamen hatasız bir kaynak olarak değerlendirilmemelidir.

Uzman değerlendirmesi

Bir malzeme bilimi uzmanı, 12 üniversite düzeyindeki soruya verilen yanıtları sistem kimliğini görmeden 1–5 arasında puanlamıştır:

AlloyGraph, genel metalurji ve üretim süreçleri gibi bilgi grafiğinde bulunmayan konularda daha düşük puan almıştır. Buna karşılık belirli alaşımları ve deneysel kayıtları kullanmayı gerektiren sorularda daha somut ve ilgili yanıtlar üretmiştir. Bu deney yalnızca 12 soru ve tek uzman değerlendirmesine dayandığından geniş bir eğitim veya uzmanlık kıyaslaması olarak yorumlanmamalıdır.

Tersine tasarım sonuçları

Tersine tasarım sistemi, 20–871 °C aralığında dövme ve döküm üretim rotaları için 20 hedef tanımıyla sınanmıştır. Toplam 76 ayrı özellik hedefinden 55’i hedef değerin en az %90’ına ulaşmış ve başarı oranı %72 olarak hesaplanmıştır.

• Oda sıcaklığındaki dövme tasarımlar: 33/46 hedef, %72
• 760–871 °C dövme tasarımlar: 12/13 hedef, %92
• Döküm tasarımlar: 10/17 hedef, %59

Yirmi tasarımın 12’si düşük, sekizi orta TCP riskinde kalmış; hiçbir tasarım kritik TCP riskine ulaşmamıştır. Dokuz bileşim bütün metalurjik kısıtları cezasız biçimde karşılamıştır.

871 °C için dövme alaşım örneği

Önerilen bileşim ağırlıkça %56,9 Ni, %18 Co, %12 Cr, %4,5 Al, %3 Mo, %3 W, %1,5 Ta, %0,5 Ti ve %0,5 Nb içermekte; TCP riski düşük olarak sınıflandırılmaktadır.

Yüksek oda sıcaklığı dayanımı örneği

Bu örneğin “hedefi karşıladığı” değerlendirmesi, tahminin hedefe eşit veya daha yüksek olmasına değil, hedef değerin en az %90’ına ulaşmasına dayanmaktadır. 1075 MPa akma dayanımı ve 1462 MPa UTS doğrudan belirtilen hedeflerin altında olmakla birlikte çalışmanın kabul eşiği içinde kalmıştır.

Alan uzmanı, tasarımlarda kromun TCP riskini azaltacak biçimde düşürülmesini, kobaltın işlenebilirlik için artırılmasını ve Ta kullanımını metalurjik açıdan makul bulmuştur. Buna karşılık bazı bileşimlerde tane sınırı güçlendirmesi için kullanılan C, B ve Zr gibi iz elementlerin bulunmamasını önemli eksiklik olarak belirtmiştir.

Çalışmanın güçlü yönleri

• Bilgi grafiği, fizik modelleri, makine öğrenmesi ve dil modeli muhakemesi ayrı bileşenler olarak sınanmıştır.
• Aynı alaşıma ait sıcaklık ölçümlerinin eğitim ve doğrulama kümelerine dağılması GroupKFold ile engellenmiştir.
• Değerlendirme, eğitimde kullanılmayan ve eğitim kümesinden daha fazla alaşım içeren 88 alaşımlık bir kümede yapılmıştır.
• Yalnızca ortalama başarı değil; alaşım sınıfı, sıcaklık rejimi ve özellik türüne göre hatalar açıklanmıştır.
• Yalnızca ML, ML–fizik ve tam sistem karşılaştırması bileşenlerin katkısını göstermektedir.
• Wilcoxon testleri kullanılarak eşleştirilmiş tahmin farklarının istatistiksel değerlendirmesi yapılmıştır.
• Bilgi grafiği, ontoloji, model kodu, değerlendirme sonuçları ve veri arşivi açık biçimde paylaşılmıştır.
• Tek adımlı, iki adımlı, açık uçlu ve uzman derecelendirmeli farklı araştırma asistanı testleri kullanılmıştır.
• Tersine tasarım sonuçları yalnızca hedef başarısıyla değil, TCP faz kararlılığı ve uzman görüşüyle de incelenmiştir.
• Dil modeli çıktılarının üzerinde deterministik güvenlik ve fizik sınırları uygulanmıştır.

Çalışmanın sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Önerilen yeni alaşımlar fiziksel olarak üretilmemiş, ısıl işleme alınmamış veya mekanik deneylerden geçirilmemiştir.
• %72 tersine tasarım başarısı random search, genetik algoritma, Bayesian optimizasyon veya başka bir tersine tasarım sistemiyle karşılaştırılmamıştır.
• Tasarımların hedefi karşılaması, hedef değere ulaşmak yerine değerin en az %90’ına erişmek olarak tanımlanmıştır.
• Bilgi grafiği yalnızca 77 eğitim alaşımı içermektedir ve açık erişimli verilerin kapsamıyla sınırlıdır.
• Özellik başına eğitim verisi yaklaşık 328–417 alaşım–sıcaklık noktasından oluşmaktadır.
• Üretim geçmişi, ayrıntılı ısıl işlem, tane boyutu, çökelti morfolojisi, kusur yoğunluğu ve kristal yönelimi yeterince temsil edilmemektedir.
• Tek kristal ve yönlü katılaştırılmış alaşımlarda elastik modül MAE değeri 43 GPa’dır ve mühendislik kararı için bilgilendirici değildir.
• Uzama tahminleri yüksek sıcaklıktaki süneklik geri kazanımını sistematik olarak düşük tahmin edebilmektedir.
• Bireysel tahminler için güven aralığı, conformal prediction veya bootstrap belirsizlik hesabı sunulmamıştır.
• Üç en yakın komşu kullanımı ve bilgi grafiği ağırlıklandırma eşikleri için kapsamlı duyarlılık analizi yoktur.
• CALPHAD tabanlı faz dengesi yerine yaklaşık fiziksel modeller kullanılmaktadır.
• Çok etmenli zincir LLM örneklemesinden dolayı tam deterministik değildir; aynı sorgu küçük farklılıklar üretebilir.
• Deterministik son işlem büyük tutarsızlıkları azaltmakta, fakat etmen muhakemesindeki bütün hataları ortadan kaldırmamaktadır.
• Tek adımlı bilgi soruları doğrudan aynı bilgi grafiğindeki kayıtlardan oluşturulduğu için %100 sonuç genelleme başarısı değildir.
• Açık uçlu yanıtlar GPT-4o tarafından otomatik değerlendirilmiştir; değerlendirici modelin kendi yanlılıkları olabilir.
• Uzman karşılaştırması yalnızca 12 soru ve tek alan uzmanına dayanmaktadır.
• Tam deneylerde Groq API, GPT-4o ve GPT-4.1-mini gibi haricî hizmetler değerlendirme veya karşılaştırma amacıyla kullanılmıştır.
• Kod ve veri yayımlanmış olsa da bu inceleme kapsamında tüm yazılım hattı yeniden çalıştırılarak sonuçlar bağımsız biçimde çoğaltılmamıştır.

Çalışma neyi desteklemektedir?

Sonuçlar, küçük ve parçalı bir metalurji veri kümesinde yapılandırılmış deneysel kayıtların fizik temelli özelliklerle birlikte kullanılmasının yalnızca bileşime dayanan makine öğrenmesine göre dayanım tahminlerini iyileştirebildiğini desteklemektedir.

Bilgi grafiği kalibrasyonu, özellikle bileşimsel olarak benzer deneysel alaşımların bulunduğu koşullarda akma ve çekme dayanımı hatalarını azaltmıştır. Fizik tabanlı Voigt–Reuss–Hill hesabı elastik modülde makine öğrenmesinin sistematik hatasını düşürmüştür.

Araştırma asistanı sonuçları, belirli alaşım değerlerini gerektiren sorularda bilgi grafiği erişiminin genel dil modellerine göre önemli avantaj sağlayabildiğini göstermektedir. Tersine tasarım sonuçları ise deterministik metalurjik kısıtların LLM tarafından önerilen bileşimlerde kritik TCP riski oluşmasını engelleyebildiğine ilişkin hesaplamalı kanıt sunmaktadır.

Çalışma neyi kanıtlamamaktadır?

Çalışma, AlloyGraph’ın önerdiği alaşımların laboratuvarda üretilebileceğini, hedeflenen mikroyapıyı oluşturacağını veya ölçülen mekanik özelliklerin tahminlerle uyuşacağını kanıtlamamaktadır. Kimyasal bileşim bir alaşımın başarısı için gerekli olsa da yeterli değildir; ergitme, katılaşma, ısıl işlem, segregasyon, tane yapısı ve üretim kusurları nihai özellikleri değiştirebilir.

Çalışma sistemin ticari CALPHAD yazılımlarından, endüstriyel alaşım veri tabanlarından veya deneysel tasarım ekiplerinden daha başarılı olduğunu göstermemektedir. Tersine tasarım için karşılaştırmalı bir temel yöntem bulunmadığından %72 oranının alternatiflere göre yüksek veya düşük olduğu belirlenememektedir.

Bilgi grafiğine bağlı chatbotun bütün metalurji sorularında genel modellerden daha güvenilir olduğu da gösterilmemiştir. Belirli deneysel kayıtlarda güçlü olan sistem, geniş kavramsal sorularda GPT-4o ve Llama 3.3-70B’nin gerisinde kalmıştır.

Türkiye açısından olası önemi

AlloyGraph’ın yaklaşımı; Türkiye’de gaz türbinleri, havacılık motorları, enerji sistemleri, yüksek sıcaklık fırınları, savunma uygulamaları ve metalurjik malzeme geliştirme alanlarında çalışan üniversite ve araştırma merkezleri için aktarılabilir bir araştırma altyapısı sunmaktadır.

Türkiye açısından en önemli sonuç belirli bir yapay zekâ modelinin adı değil, dağınık malzeme verilerinin ortak ontoloji altında birleştirilmesi ve yapay zekâ tahminlerinin fiziksel kısıtlarla denetlenmesidir. Yerel araştırma grupları; kendi alaşım deneylerini, ısıl işlem kayıtlarını, mikroyapı görüntülerini ve mekanik test sonuçlarını benzer bir bilgi grafiğine ekleyerek kurumlar arası paylaşılabilir bir malzeme veri altyapısı oluşturabilir.

Türkiye’de uygulanacak bir sistem için yalnızca yabancı üretici dokümanlarına dayanmak yeterli olmayacaktır. Yerel üretim rotaları, döküm ve dövme koşulları, ısıl işlem reçeteleri, hata kayıtları, kristal yönelimleri, sürünme ve yorulma verileri sisteme eklenmelidir. Verilerin ortak birim, sıcaklık, numune geometrisi ve test standardıyla kaydedilmesi model mimarisinden daha temel bir gereksinimdir.

Sistem, pahalı alaşım üretim deneylerinden önce aday alanını daraltabilir; ancak gerçek üretim kararından önce CALPHAD hesapları, mikroyapı simülasyonları, numune üretimi, faz karakterizasyonu ve mekanik testlerle çok aşamalı doğrulama gereklidir.

Çalışmanın Yöntemi ve Bulguları

En önemli sayısal sonuçlar

• Tam sistemin akma dayanımı MAE değeri 80,6 MPa, R² değeri 0,849’dur.
• Nihai çekme dayanımı MAE değeri 95,2 MPa, R² değeri 0,862’dir.
• Uzama MAE değeri 13,1 yüzde puan, R² değeri 0,377’dir.
• Elastik modül MAE değeri 9,0 GPa, R² değeri 0,768’dir.
• Akma dayanımı hatası yalnızca ML sistemine göre yaklaşık %21 azalmıştır.
• UTS hatası yalnızca ML sistemine göre yaklaşık %16 azalmıştır.
• Wilcoxon testlerinde akma dayanımı, UTS ve elastik modül için p<0,001; uzama için p=0,038 bulunmuştur.
• Katı çözelti alaşımlarında akma dayanımı MAE değeri 70,0 MPa’dır.
• Tek kristal/yönlü katılaştırılmış alaşımlarda elastik modül MAE değeri 43,0 GPa’dır.
• Araştırma asistanının 250 sorudaki doğruluğu %91,2’dir.
• İki adımlı sorulardaki doğruluk %79’dur.
• Açık uçlu yanıtların bağlama sadakat skoru 0,74’tür.
• Uzman değerlendirmesinde AlloyGraph 3,81/5 genel puan almıştır.
• 76 tersine tasarım hedefinin 55’i hedef değerin en az %90’ına ulaşmıştır.
• Yirmi tasarımın hiçbirinde kritik TCP riski oluşmamıştır.

Endüstriyel kullanımdan önce gereken doğrulamalar

1. Önerilen üst düzey bileşimlerin laboratuvar ölçeğinde ergitilmesi ve kimyasal analizle doğrulanması.
2. Döküm, dövme ve ısıl işlem rotalarının ayrı ayrı belirlenmesi.
3. γ′ hacim oranı, morfolojisi ve faz dağılımının elektron mikroskobu ve difraksiyonla ölçülmesi.
4. CALPHAD tabanlı faz dengesi ve Scheil katılaşma hesaplarının eklenmesi.
5. Akma, çekme, uzama, sürünme, yorulma ve oksidasyon deneylerinin yapılması.
6. Tek kristal alaşımlar için kristal yöneliminin model girdisine eklenmesi.
7. Bireysel tahminler için conformal prediction veya bootstrap güven aralıklarının hesaplanması.
8. Tersine tasarımın random search, Bayesian optimizasyon ve evrimsel algoritmalarla karşılaştırılması.
9. Çoklu LLM çalıştırmalarında sonuç değişkenliğinin ölçülmesi.
10. Bilgi grafiğinin bağımsız açık literatür ve yerel deney verileriyle genişletilmesi.
11. İz elementler, tane sınırı kimyası ve üretilebilirlik kısıtlarının zorunlu tasarım kurallarına eklenmesi.
12. Açık kodun farklı araştırma ekipleri tarafından bağımsız olarak yeniden çalıştırılması.

Kaynak ve Yöntem Notu

Çalışmanın özgün adı: AlloyGraph: A Knowledge-Graph-Grounded Multi-Agent System for Nickel-Based Superalloy Design

Yazarlar ve doğru sıralama: Alexandru Lecu, Lezan Hawizy, Soran Birosca, Adrian Groza.

Eş birinci yazar veya eş katkı: Çalışmada eş birinci yazarlık veya eş katkı beyanı bulunmamaktadır.

Sorumlu yazar: Alexandru Lecu.

Kurumsal bağlantılar:

• Artificial Intelligence Research Institute, AIRi@UTCN, Technical University of Cluj-Napoca, Cluj-Napoca, Romanya.
• Digital Science & Research Solutions Ltd, Londra, Birleşik Krallık.
• University of Portsmouth, Portsmouth, Birleşik Krallık.

Yazar–kurum eşleştirmesi: Alexandru Lecu, Technical University of Cluj-Napoca ve Digital Science & Research Solutions Ltd; Lezan Hawizy, Digital Science & Research Solutions Ltd; Soran Birosca, University of Portsmouth; Adrian Groza, Technical University of Cluj-Napoca bağlantılıdır.

DOI:10.2139/ssrn.7022006

Resmî çalışma sayfası:SSRN resmî kaydı

Yayın platformu: SSRN.

Platform işletmecisi: Elsevier.

Yayın yılı: 2026.

Yayın dönemi: Çalışma Haziran 2026 tarihli preprint olarak indekslenmektedir. Yüklenen sürümde kesin SSRN gönderim günü belirtilmemektedir.

Dergi durumu: Hakemli ve kabul edilmiş bir dergi sürümü doğrulanamamıştır. Yazarın kurumsal profilinde çalışmanın Expert Systems with Applications için inceleme altında olduğu belirtilmektedir. İnceleme altında bulunması yayımlanmış veya kabul edilmiş makale anlamına gelmemektedir.

Hakemlik durumu: Yüklenen çalışmanın her sayfasında “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır. Çalışma hakem değerlendirmesinden geçmemiştir.

Kaynak türü: Bilgi grafiği, ontoloji, fizik temelli makine öğrenmesi, çok etmenli LLM orkestrasyonu, karşılaştırmalı değerlendirme ve tersine tasarım deneyleri içeren hesaplamalı malzeme bilimi preprinti.

Kaynak kodu:AlloyGraph GitHub deposu

Veri ve değerlendirme arşivi:Figshare veri kaydı

Ontoloji:AlloyGraph OWL ontolojisi

Canlı gösterim:AlloyGraph web uygulaması

Finansman: Çalışma, “Romanian Hub for Artificial Intelligence – HRIA” projesi kapsamında Smart Growth, Digitisation and Financial Instruments Programme tarafından MySMIS 334906 numarasıyla desteklenmiştir.

Yazar katkıları: Yüklenen sürümde ayrıntılı CRediT yazar katkı tablosu bulunmamaktadır.

Çıkar çatışması: Yüklenen sürümde açık bir çıkar çatışması beyanına rastlanmamıştır.

Veri ve kod durumu: Kaynak kodu, eğitilmiş modeller, ontoloji, değerlendirme verileri, çoktan seçmeli sorular, açık uçlu sorular, sistem yanıtları, uzman puanları, tersine tasarım sonuçları ve puanlama betikleri halka açık olarak sunulmuştur. Kod ve verinin yayımlanması yeniden üretilebilirliği desteklemektedir; ancak bu Türkçe inceleme hazırlanırken bütün yazılım hattı bağımsız biçimde yeniden çalıştırılmamıştır.

Bu Türkçe açıklama, yüklenen 40 sayfalık çalışmanın ana metni, denklemleri, tabloları, sistem şemaları, bilgi grafiği görseli, tahmin grafikleri, araştırma asistanı karşılaştırması ve kaynakça temel alınarak hazırlanmıştır. Bilimsel sonuçlara dış kaynaklardan yeni bulgu eklenmemiştir. Dış kaynak kullanımı yalnızca başlık, yazarlar, DOI, platform, yayın durumu, kurumsal kayıt, kod deposu ve veri arşivi gibi bibliyografik kimliklerin doğrulanmasıyla sınırlandırılmıştır.

Çalışma, AlloyGraph’ın hesaplamalı tahmin ve aday ön eleme kapasitesini göstermektedir. Önerilen alaşımlar sentezlenmediği ve test edilmediği için sonuçlar gerçek malzeme üretim reçetesi, uçuşa elverişlilik kanıtı, türbin bileşeni sertifikasyonu veya endüstriyel güvenlik garantisi olarak kullanılmamalıdır.