Araştırma, GH4169 ve GH2909 süperalaşımlarının elektron ışınıyla kaynaklandığı farklı malzemeli birleşimlerde, kaynak metali (weld metal, WM) için doğrudan eğitim verisi kullanmadan yorulma çatlağı büyüme (fatigue crack growth, FCG) ömrünün tahmin edilip edilemeyeceğini inceliyor. Araştırmacılar yalnızca ana metal (base metal, BM) ve ısıdan etkilenmiş bölge (heat-affected zone, HAZ) verileriyle eğitilen; malzemeye uyarlanan Paris yasası, 19 boyutlu fizik destekli bir sinir ağı ve koşula göre değişen ağırlıklı füzyonu birleştiren DPID çerçevesini geliştirdi. En başarılı tek eğitim çalıştırmasında kaynak metali test setinde ortalama bağıl hata %16,7 ve R²=0,690 elde edildi; 10 WM numunesinin tamamı deneysel değerin 1,5 katlık saçılım bandı içinde kaldı. Bununla birlikte sonuç, belirli GH4169/GH2909 kaynak sistemi ve yalnızca 10 hedef-bölge numunesi üzerinde doğrulandığından, yöntemin başka malzemelere, kaynak proseslerine veya gerçek servis yük spektrumlarına aynı doğrulukla aktarılabildiği sonucuna varılamaz.
Çalışmanın temel problemi, farklı malzemelerin kaynaklandığı bir yapının aynı bağlantı içinde homojen davranmamasıdır. Ana metal, ısıdan etkilenmiş bölge ve kaynak metalinin mikroyapısı ile mekanik özellikleri birbirinden ayrıldığı için bir bölgede kalibre edilen çatlak büyüme modeli diğer bölgeye taşındığında belirgin bir domain shift, yani veri dağılımı kayması ortaya çıkabilir. Kaynak metalinden yeterli sayıda yorulma çatlağı testi elde etmek ise zaman, maliyet ve tahribat gerektirir. DPID yaklaşımı bu nedenle “verisi görülmemiş” WM bölgesini, erişilebilir BM ve HAZ verilerinden tahmin etmeyi hedeflemektedir.
Yöntemin öne çıkan yönü fiziksel modeli veya makine öğrenmesini tek başına kullanmak yerine ikisinin güvenilirliğini örnek bazında dengelemesidir. Paris yasası çatlak büyümesine fiziksel bir temel sağlarken sinir ağı doğrusal olmayan ilişkileri öğrenir; son füzyon ağırlığı ise gerilme şiddeti faktörü aralığı ΔK ve malzemenin çekme dayanımı dikkate alınarak değiştirilir. Böylece sistem, yalnızca veriye dayalı modelin hedef bölgedeki aşırı ekstrapolasyonunu azaltmaya çalışırken klasik Paris yaklaşımının malzeme heterojenliğine ilişkin sınırlılığını da veriyle düzeltmektedir.
Araştırmanın temel sorunu nedir?
Aero-motor türbin dış halka muhafazalarında GH4169 ve GH2909 gibi farklı özelliklere sahip süperalaşımlar elektron ışını kaynağıyla birleştirilebilmektedir. Çalışmanın açıklamasına göre GH4169 yüksek sıcaklık dayanımı, GH2909 ise düşük termal genleşme özelliği nedeniyle bu tip yapılarda birlikte kullanılmaktadır. Fakat kaynaklı bağlantının farklı mikrobölgeleri aynı yorulma çatlağı büyüme davranışını göstermez.
Klasik Paris yasası tabanlı ömür tahmini her bölge için C ve m parametrelerinin deneysel olarak kalibre edilmesini gerektirebilir. Bu durum özellikle kaynak metali gibi veri üretmenin pahalı olduğu bölgelerde önemli bir kısıt oluşturur. Salt veri odaklı modeller ise eğitim verisinin dağılımından uzaklaşıldığında güvenilirliğini kaybedebilir. Araştırma bu iki sorunu aynı çerçevede ele almaktadır.
Deney numuneleri nasıl hazırlandı?
GH4169 ve GH2909 dövme süperalaşım boşluklarından 220 × 56 × 4 mm boyutlarında ince plakalar işlendi ve 220 mm doğrultusunda elektron ışını alın kaynağı uygulandı. Kaynak işlemi 6 × 10-2 Pa değerinin altında vakumda ve en fazla 60 kV hızlandırma gerilimiyle gerçekleştirildi. Prosesin HB/Z 315 yüksek sıcaklık alaşımları ve paslanmaz çeliklerin vakum elektron ışını kaynağı standardını izlediği belirtilmektedir.
Kaynak sonrasında artık gerilmeleri azaltmak amacıyla vakum yaşlandırma işlemi uygulandı: numuneler 720 ± 10 °C'de 8 saat tutuldu, fırında 620 °C'ye soğutuldu, bu sıcaklıkta 8 saat daha bekletildi ve ardından oda sıcaklığına havada soğutuldu.
Yorulma çatlağı büyüme testleri ASTM E647'ye uygun kompakt çekme (CT) numuneleriyle yapıldı. Numune genişliği W=52,5 mm, kalınlığı b=2,6 mm'dir. Çatlağın hedeflenen bölgede ilerlemesini desteklemek için iki yüzeyde 0,3 mm derinliğe, 0,1 mm kök yarıçapına ve 90° açılma açısına sahip yan oluklar işlendi. Kaynaktaki teknik çizimler, WM, HAZ ve BM numunelerinde başlangıç çatlağının farklı mikrobölgelere konumlandırıldığını açık biçimde göstermektedir.
Hangi bölgeler ve koşullar test edildi?
Numuneler başlangıç çatlağı konumuna göre BM-GH2909, BM-GH4169, HAZ-GH2909 ve WM gruplarına ayrıldı. Yorulma çatlağı büyüme deneylerinde gerilme oranı R=0,1 ve frekans 15 Hz olarak kullanıldı. Kaynak veri seti oda sıcaklığı ile 500 °C ve 600 °C koşullarını kapsamakla birlikte her bölge her sıcaklıkta aynı sayıda ölçülmemiştir. Kaynak metali hedef test verileri 500 °C ve 600 °C koşullarından oluşmaktadır.
Tek eksenli çekme deneylerinden elastisite modülü E, akma dayanımı σy ve nihai çekme dayanımı σb elde edildi. Çalışma, bu değerlerin deneylerle belirlenip gerektiğinde malzeme el kitabındaki bilgilerle tamamlandığını belirtmektedir.
Veri seti nasıl oluşturuldu?
BM ve HAZ bölgelerinin deneysel çatlak büyüme verileri Smith yöntemiyle Paris yasasına uyarlandı. Elde edilen fizik tabanlı modeller üzerinde sayısal integrasyon kullanılarak veri artırımı yapıldı. Sonuçta BM ve HAZ için 36 deneysel örnek ile 85 artırılmış örneğin birleşiminden toplam 121 örneklik kaynak-bölge veri seti oluşturuldu.
Bu 121 örneğin 100'ü eğitim, 21'i doğrulama için ayrıldı. Kaynak metalinden elde edilen 10 örnek ise eğitim ve doğrulamaya katılmadan bağımsız hedef test seti olarak kullanıldı. Bu ayrım çalışmanın “zero-shot” iddiasının temelidir: model WM etiketli ömür verisini eğitim sırasında görmemektedir.
Temel giriş değişkenleri elastisite modülü E, akma dayanımı σy, nihai çekme dayanımı σb, sıcaklık T, uygulanan yük P, başlangıç çatlak uzunluğu a0 ve son çatlak uzunluğu ac'dir. Çıkış değişkeni çevrim cinsinden yorulma çatlağı büyüme ömrü N'dir.
Veriler nasıl standartlaştırıldı?
Tüm giriş özellikleri Z-skoru yöntemiyle standartlaştırıldı:
\[ z_i=\frac{x_i-E(x)}{D(x)} \]
Burada xi özgün özellik değerini, E(x) özelliğin ortalamasını ve D(x) standart sapmasını temsil eder. Kaynak metin bu dönüşümü veri kümesinin Gauss dağılımı varsayımıyla açıklamaktadır; ancak ayrıca raporlanmış bir normallik testi sunulmamaktadır.
DPID çerçevesi hangi üç bileşenden oluşuyor?
1. Malzemeye uyarlanan fizik tabanlı model: Paris yasasının C ve m katsayıları, örneğin nihai çekme dayanımına göre değiştirilir. Böylece aynı katsayıların bütün kaynak mikrobölgelerine uygulanması yerine malzeme dayanımına bağlı uyarlama yapılır.
2. Geliştirilmiş veri tabanlı model: Deneysel değişkenler, kırılma mekaniğiyle ilişkili fiziksel özellikler ve dönüştürülmüş özellikler bir araya getirilerek 19 boyutlu bir giriş sistemi oluşturulur ve çok katmanlı ileri beslemeli sinir ağına verilir.
3. Uyarlamalı ağırlıklı füzyon: Fizik modelinin ve veri modelinin tahminleri sabit oranla birleştirilmez. ΔK ve çekme dayanımından türetilen güven düzeyi fizik modeline verilecek ağırlığı belirler; hedef malzeme dayanımı eğitim aralığının dışına çıktığında fizik modelinin ağırlığı ayrıca cezalandırılır.
Verianla Live: DPID tahmin zinciri nasıl çalışıyor?
Aşağıdaki süreç, çalışmadaki DPID mimarisi ile ağırlıklı füzyon akışının birleştirilmiş açıklayıcı gösterimidir. Adımlar kaynakta tanımlanan gerçek model bileşenlerini izler; yeni bir hesaplama aşaması eklenmemiştir.
| Aşama | Açıklama | Kaynak |
|---|---|---|
| 1. Kaynak bölge verisi | BM ve HAZ deneysel verileri ile bu bölgelerden oluşturulan eğitim/doğrulama örnekleri hazırlanır. | Şekil 3; Bölüm 2.2 |
| 2. Fizik tabanlı tahmin | Malzeme dayanımına göre uyarlanan Paris parametreleri kullanılarak Nphys hesaplanır. | Şekil 3; Denklem 2-3 |
| 3. Fizik destekli özellikler | Temel, fiziksel ve dönüştürülmüş değişkenlerden 19 boyutlu giriş vektörü oluşturulur. | Tablo 3; Şekil 4 |
| 4. Veri tabanlı tahmin | 19-20-12-6-1 mimarili sinir ağı Ndata tahminini üretir. | Şekil 4; Bölüm 3.3 |
| 5. Güven ve ceza hesabı | ΔK ve çekme dayanımı aralıklarına göre fizik modelinin güven ağırlığı belirlenir; gerekirse λ cezası uygulanır. | Şekil 5; Denklem 4a-4d |
| 6. Nihai füzyon | Nphys ile Ndata, örneğe özgü ωphys ağırlığı kullanılarak Nf tahmininde birleştirilir. | Denklem 5 |
| 7. Görülmemiş WM testi | Eğitimde kullanılmayan 10 WM numunesinin yorulma çatlağı büyüme ömrü tahmin edilir ve deneylerle karşılaştırılır. | Bölüm 4.1; Tablo 5 |
Verianla Live: Görselleştirme, bu görünür bilimsel veri tablosundan tarayıcıda oluşturulur. Tablo bilimsel kaynak-of-truth olarak korunur.
Malzemeye uyarlanan Paris modeli
Çalışma, referans Paris katsayılarını Cbase=2,138 × 10-10 m/çevrim ve mbase=1,9 olarak tanımlar. i'inci örnek için katsayılar nihai çekme dayanımının eğitim seti ortalamasına oranıyla değiştirilir:
\[ C_i=C_{base}\left(\frac{\sigma_{u,i}}{\bar{\sigma}_u}\right)^{-k_c} \]
\[ m_i=m_{base}\left(\frac{\sigma_{u,i}}{\bar{\sigma}_u}\right)^{-k_m} \]
Burada σu,i i'inci örneğin nihai çekme dayanımı, \(\bar{\sigma}_u\) eğitim setindeki ortalama nihai çekme dayanımıdır. kc ve km katsayıları BM/HAZ eğitim setindeki fizik modelinin RMSE değerini en aza indirecek biçimde grid search ile optimize edildi. kc için 0–3,0, km için 0–2,0 aralıkları 0,1 adımla tarandı ve optimum değerler sırasıyla kc=2,0 ve km=0,5 olarak belirlendi.
Uyarlanmış Paris parametrelerinden fizik tabanlı ömür, geliştirilmiş trapez sayısal integrasyonuyla hesaplandı:
\[ N_{\mathrm{phys}}= \sum_{i=2}^{n} \frac{a_i-a_{i-1}} {\frac{1}{2}\left[C(\Delta K_{i-1})^m+C(\Delta K_i)^m\right]} \]
Bu ifade çatlak uzunluğu artışlarını, iki ardışık noktadaki Paris tipi çatlak büyüme hızlarının ortalamasını kullanarak çevrim sayısına dönüştürmektedir.
19 boyutlu fizik destekli özellik sistemi
| Özellik katmanı | Boyut | Özellikler |
|---|---|---|
| Temel özellikler | 7 | E, σy, σb, T, P, a0, ac |
| Fiziksel özellikler | 8 | Δa, Δσ, ΔK(a0), ΔK(ac), σb/σy, (σb-σy)/σy, E/σy, Nphys |
| Dönüştürülmüş özellikler | 4 | C, m, lg[ΔK(a0)], √Δa |
Sinir ağı 19-20-12-6-1 mimarisine sahiptir. Üç gizli katmanda sırasıyla 20, 12 ve 6 nöron bulunur ve LeakyReLU aktivasyonu kullanılır. Çıkış katmanı doğrusal aktivasyonlu tek nörondur ve Ndata yorulma ömrünü üretir. Eğitim Levenberg-Marquardt algoritmasıyla, en fazla 400 iterasyon ve 1 × 10-6 hedef eğitim hatası kullanılarak gerçekleştirilmiştir.
Hangi özellikler daha fazla ağırlık taşıdı?
| Özellik | Ağırlık (%) | Çalışmadaki fiziksel anlam |
|---|---|---|
| Nphys | 18,2 | Fizik tabanlı modelin öncül ömür tahmini |
| ΔK0 | 15,7 | Başlangıç çatlak ilerleme sürücüsü |
| σb/σy | 12,3 | Malzemenin pekleşme kapasitesiyle ilişkili oran |
| Δa | 10,5 | Çatlak büyüme aralığı |
| C | 9,8 | Malzemeye bağlı çatlak büyüme katsayısı |
| T | 8,1 | Sıcaklık etkisi |
| Diğer özellikler | 25,4 | Kalan giriş özelliklerinin toplamı |
Random Forest tabanlı özellik önem analizinde en yüksek tekil ağırlığın %18,2 ile Nphys'e verilmesi dikkat çekicidir. Bu sonuç, fizik modelinden üretilen öncül tahminin veri tabanlı dal için önemli bir girdi olduğunu göstermektedir.
Uyarlamalı füzyon ağırlığı nasıl belirleniyor?
Gerilme şiddeti faktörü aralığı ΔK üç bölgeye ayrılmıştır: ΔK ≤ 15 MPa√m eşik yakını bölge, 15 < ΔK ≤ 30 MPa√m kararlı büyüme bölgesi ve ΔK > 30 MPa√m hızlı büyüme bölgesi. Nihai çekme dayanımı ise eğitim örneklerinin medyanına göre düşük ve yüksek dayanım gruplarına ayrılır. Böylece 3 × 2 kombinasyonla altı güven bölgesi Ωij oluşturulur.
Fizik modelinin ilgili bölgedeki ortalama bağıl hatası:
\[ \hat{\varepsilon}=N_{\mathrm{phys},k}-N_{\mathrm{exp},k} \]
\[ \varepsilon_{ij}= \frac{1}{n_{ij}} \sum_{k\in\Omega_{ij}} \left| \frac{\hat{\varepsilon}}{N_{\mathrm{exp},k}} \right| \]
olarak hesaplanır. Ardından fizik modeline verilen güven ağırlığı:
\[ \omega_{ij}=\frac{1}{1+\varepsilon_{ij}} \]
şeklinde tanımlanır. Fizik modelinin hata düzeyi azaldıkça ağırlık 1'e yaklaşır; hata büyüdükçe sıfıra yaklaşır.
Hedef örneğin nihai çekme dayanımı eğitim veri setindeki maksimum dayanımı aşıyorsa ağırlığa ayrıca çapraz malzeme cezası uygulanır:
\[ \omega_{\mathrm{phys}}= \begin{cases} \omega_{ij}, & \sigma_u\leq\sigma^{train}_{u,max}\\ \omega_{ij}(1-\lambda), & \sigma_u>\sigma^{train}_{u,max} \end{cases} \]
λ katsayısı doğrulama setinde grid search ile 0,1–0,5 arasında taranmış ve λ=0,3 seçilmiştir. Kaynakta verilen duyarlılık analizine göre λ'nın 0,25 ile 0,35 arasında değişmesi WM testindeki ortalama tahmin hatasını %2'den daha az değiştirmiştir.
Nihai DPID tahmini:
\[ N_f= \omega_{\mathrm{phys}}N_{\mathrm{phys}} + (1-\omega_{\mathrm{phys}})N_{\mathrm{data}} \]
ifadesiyle oluşturulur.
Çalışmanın desteklediği sonuçlar
- BM ve HAZ verilerinden oluşturulan DPID modeli, eğitimde kullanılmayan 10 WM numunesinde salt veri tabanlı modellerden daha düşük hata üretmiştir.
- En iyi tek eğitim çalıştırmasında DPID için ortalama bağıl hata %16,7 ve R²=0,690'dır.
- Bu çalıştırmadaki bütün DPID tahminleri deneysel sonuçların 1,5 katlık saçılım bandı içinde kalmıştır.
- Beş bağımsız eğitim çalıştırmasının ortalama bağıl hatası %18,14'tür ve bu çalıştırmalardaki bütün tahminler 2 katlık saçılım bandı içinde kalmıştır.
- Fiziksel öncül bilgi ile veri tabanlı düzeltmenin birlikte kullanılması, bu veri setindeki küçük örneklem ve bölgesel dağılım kayması sorununda tek başına kullanılan modellere göre daha kararlı sonuç vermiştir.
Çalışmanın desteklemediği sonuçlar
- DPID'nin bütün farklı metal kaynaklı birleşimlerde aynı doğruluğa ulaşacağı gösterilmemiştir.
- Model başka süperalaşım çiftleri veya başka kaynak teknolojileri üzerinde test edilmemiştir.
- Çalışma gerçek aero-motor servis yük spektrumlarında uzun dönem saha doğrulaması sunmamaktadır.
- 10 WM örneğiyle elde edilen performans genel bir endüstriyel doğruluk garantisi değildir.
- Faktör-1,5 saçılım bandında kalma sonucu bu deney sistemi ve seçilen test setinin dışına otomatik olarak genellenemez.
Türkiye açısından yorum: Çalışma Türkiye'de yürütülmemiştir ve Türkiye'ye ait malzeme, kaynak proses yeterlilik veya servis yük verisi içermemektedir. Bu nedenle yöntemin Türkiye'deki havacılık veya yüksek sıcaklık kaynaklı yapı uygulamalarına aktarılması, ilgili yerel malzemeler, kaynak prosedürleri ve gerçek kullanım koşullarıyla ayrıca doğrulanmayı gerektirir. Kaynaktaki performans değerlerinin Türkiye'deki uygulamalara doğrudan taşınması bilimsel olarak desteklenmemektedir.
Çalışmanın Yöntemi ve Bulguları
Deney ve modelleme düzeninin teknik özeti
| Parametre | Çalışmada kullanılan değer/yöntem |
|---|---|
| Malzemeler | GH4169 ve GH2909 süperalaşımları |
| Kaynak yöntemi | Elektron ışını alın kaynağı |
| Plaka boyutu | 220 × 56 × 4 mm |
| Kaynak vakumu | < 6 × 10^-2 Pa |
| Maksimum hızlandırma gerilimi | 60 kV |
| Yaşlandırma | 720 ± 10 °C / 8 saat; fırında 620 °C'ye soğutma; 620 °C / 8 saat; ardından hava soğutma |
| FCG standardı | ASTM E647 |
| CT numune genişliği | W = 52,5 mm |
| CT numune kalınlığı | b = 2,6 mm |
| Yan oluk derinliği | h = 0,3 mm |
| Oluk kök yarıçapı | r = 0,1 mm |
| Oluk açısı | θ = 90° |
| Gerilme oranı | R = 0,1 |
| Frekans | 15 Hz |
| Sıcaklıklar | Oda sıcaklığı, 500 °C ve 600 °C; bölgelere göre mevcut test koşulları farklıdır |
| Kaynak-bölge veri seti | 36 deneysel + 85 artırılmış = 121 BM/HAZ örneği |
| Eğitim / doğrulama | 100 / 21 BM-HAZ örneği |
| Bağımsız hedef test | 10 WM örneği |
Bölgesel Paris parametreleri
Deneysel FCG verilerinin Smith yöntemiyle Paris yasasına uydurulmasından elde edilen katsayılar bölge ve sıcaklığa göre belirgin biçimde değişmektedir. Bu değişim, çalışmanın tek bir sabit Paris parametre seti yerine malzeme uyarlaması kullanmasının temel gerekçelerinden biridir.
| Bölge | Sıcaklık | R | m | lgC | R² |
|---|---|---|---|---|---|
| BM-GH2909 | RT | 0,1 | 2,5315 | -10,5213 | 0,99 |
| BM-GH2909 | 500 °C | 0,1 | 1,3648 | -8,6671 | 0,98 |
| BM-GH2909 | 600 °C | 0,1 | 1,4714 | -8,7269 | 0,99 |
| BM-GH4169 | RT | 0,1 | 3,9133 | -12,9811 | 0,98 |
| BM-GH4169 | 600 °C | 0,1 | 2,1922 | -10,0646 | 0,99 |
| HAZ-GH2909 | 500 °C | 0,1 | 1,6895 | -9,3412 | 0,98 |
| HAZ-GH2909 | 600 °C | 0,1 | 1,7134 | -9,2563 | 0,98 |
| WM | 500 °C | 0,1 | 1,8953 | -9,7244 | 0,98 |
| WM | 600 °C | 0,1 | 1,8986 | -9,6242 | 0,98 |
10 kaynak metali numunesinde DPID tahmini
| Numune | Deneysel ömür (çevrim) | DPID tahmini (çevrim) | DPID hata (%) | Geliştirilmiş veri modeli hata (%) | Fizik modeli hata (%) |
|---|---|---|---|---|---|
| WM-1 | 102201 | 83719 | 18,1 | 64,5 | 45,1 |
| WM-2 | 92658 | 82246 | 11,2 | 65,2 | 36,2 |
| WM-3 | 94272 | 82606 | 12,4 | 68,8 | 38,9 |
| WM-4 | 41643 | 61001 | 46,5 | 603,9 | 15,6 |
| WM-5 | 43063 | 58550 | 36,0 | 610,4 | 4,1 |
| WM-6 | 107005 | 89754 | 16,1 | 17,0 | 14,2 |
| WM-7 | 83318 | 80272 | 3,7 | 7,4 | 5,0 |
| WM-8 | 72711 | 76748 | 5,6 | 1,3 | 15,5 |
| WM-9 | 65120 | 56021 | 14,0 | 26,8 | 16,1 |
| WM-10 | 54027 | 55837 | 3,3 | 12,3 | 39,9 |
Tablo, DPID'nin genel ortalama açısından daha güçlü olmasına rağmen her tekil numunede en düşük hatayı üretmediğini de gösteriyor. Örneğin WM-4 ve WM-5'te fizik tabanlı model DPID'den daha düşük hata vermektedir; WM-8'de ise geliştirilmiş veri modeli yalnız %1,3 hata üretmiştir. Dolayısıyla DPID'nin avantajı her örnekte mutlak üstünlük değil, hedef test kümesinin bütünü üzerindeki hata ve kararlılık dengesidir.
Konvansiyonel modellerle nicel karşılaştırma
| Model | R² | RMSE (çevrim) | MAE (çevrim) | Ortalama bağıl hata |
|---|---|---|---|---|
| DPID | 0,690 | 12689 | 11065 | %16,7 |
| GA-BP | -19,4 | 102877 | 71659 | %94,6 |
| RF | 0,10 | 21606 | 19006 | %26,5 |
DPID, RF'ye kıyasla RMSE'yi yaklaşık %41,3, MAE'yi yaklaşık %41,8 ve ortalama bağıl hatayı yaklaşık %37,0 azaltmıştır. GA-BP modelinin R² değerinin -19,4 olması, hedef WM bölgesinde çok zayıf bir genelleme performansına işaret etmektedir.
Tekrarlı eğitim modeli ne kadar kararlıydı?
| Eğitim çalıştırması | R² | RMSE (çevrim) | MAE (çevrim) | Ortalama bağıl hata |
|---|---|---|---|---|
| 1 | 0,172 | 20732 | 19760 | %26,6 |
| 2 | 0,690 | 12689 | 11065 | %16,7 |
| 3 | 0,352 | 18333 | 14463 | %18,2 |
| 4 | 0,553 | 15232 | 11597 | %13,7 |
| 5 | 0,492 | 16234 | 12777 | %15,5 |
Beş bağımsız eğitim koşusunun ortalama R² değeri 0,452, ortalama bağıl hatası %18,14'tür. Bütün tekrarlardaki tahminlerin 2 katlık saçılım bandı içinde kalması, sinir ağının başlangıç rastlantısallığına rağmen çerçevenin tamamen kararsız davranmadığını göstermektedir. Bununla birlikte tek koşular arasında R²'nin 0,172 ile 0,690 arasında değişmesi, “kararlılık” değerlendirilirken yalnızca ortalama bağıl hataya değil performans değişkenliğine de dikkat edilmesi gerektiğini göstermektedir.
Yöntemsel güçlü yönler ve sınırlılıklar
Çalışmanın güçlü tarafı, fizik tabanlı bir ömür modelini yalnızca bağımsız bir karşılaştırma modeli olarak bırakmayıp hem sinir ağının bir girdisi hem de nihai tahminin bir bileşeni hâline getirmesidir. Ayrıca fizik dalına verilecek ağırlığın ΔK ve dayanım aralıklarına göre değiştirilmesi, bütün örneklere sabit füzyon katsayısı uygulanmasını önlemektedir.
Bununla birlikte kaynak-bölge veri setindeki 121 örneğin yalnız 36'sı doğrudan deneysel, 85'i Paris modeli üzerinden sayısal integrasyonla artırılmış örnektir. Bu nedenle veri tabanlı dalın eğitim kümesinin önemli bölümü bağımsız deneysel gözlemlerden oluşmamaktadır. Ayrıca Nphys değerinin 19 boyutlu özellik sistemi içinde en yüksek tekil özellik önemine sahip olması, fiziksel öncül ile veri dalı arasındaki bağı özellikle güçlü kılmaktadır. Bu durum yaklaşımın fizik-veri bütünleşmesi açısından tasarımın bir parçasıdır; ancak modelin tamamen bağımsız iki bilgi kaynağının birleşimi olarak yorumlanmaması gerekir.
Hedef bölge değerlendirmesi 10 WM numunesiyle sınırlıdır. Çalışmada başka alaşım çiftleri, başka kaynak prosesleri veya gerçek kullanım yük spektrumları üzerinde dış doğrulama raporlanmamıştır. Bu nedenle sonuçlar, DPID yaklaşımının bu deney düzeninde umut verici olduğunu gösterir; geniş kapsamlı endüstriyel genelleme kanıtı oluşturmaz.
Kaynak ve Yöntem Notu
Tam özgün çalışma adı: A Physics-Data Fusion Method for Predicting Fatigue Crack Growth Life in Dissimilar Welded Joints
Yazarlar — temel PDF'deki sıra: Xiaogang Liu, Yuqi Liang, Pingzhou Zhu, Zhenmin Qian, Sihui Yang.
Eş katkı/eş birinci yazar: Kaynakta belirtilmemiştir.
Sorumlu yazar: Xiaogang Liu. PDF başlık sayfasında yıldız işaretiyle gösterilmektedir ve SSRN kaydında Contact Author olarak listelenmektedir.
Kurumlar: College of Energy and Power Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, Çin; Hunan Aviation Powerplant Research Institute, Aero Engine Corporation of China, Zhuzhou, Çin.
DOI: 10.2139/ssrn.7181043
Platform: SSRN.
Resmî bağlantı: https://ssrn.com/abstract=7181043
Yayın tarihi: SSRN kaydında 29 Temmuz 2026.
Dergi / cilt / sayı: Bu sürüm için hakemli dergi, cilt veya sayı bilgisi bulunmamaktadır.
Kaynak türü ve hakemlik: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu yayın aşaması dikkate alınarak değerlendirilmelidir.
Bibliyografik tutarsızlık: Temel PDF'nin görünür başlık sayfası yazarları Xiaogang Liu, Yuqi Liang, Pingzhou Zhu, Zhenmin Qian, Sihui Yang sırasıyla vermektedir. SSRN bibliyografik kaydında ise son iki isim Sihui Yang, Zhenmin Qian sırasındadır. Bu makalede bilimsel temel kaynak olan PDF'nin sırası korunmuş, farklılık ayrıca belirtilmiştir.
Lisans: İncelenen sürüm ve doğrulanan bibliyografik kayıtta CC BY, CC BY-SA veya benzeri açık bir yeniden kullanım lisansı doğrulanamamıştır. Bu nedenle özgün şekiller doğrudan kopyalanmamış; makaledeki Verianla Live bileşenleri çalışmanın verileri ve yöntem açıklamalarından oluşturulan özgün gösterimler olarak hazırlanmıştır.
Finansman: Çalışmada Hunan Aviation Powerplant Research Institute, Aero Engine Corporation of China (AECC, Institute 608) tarafından finansal destek sağlandığı belirtilmektedir.
Veri erişilebilirliği: Ayrı bir veri erişilebilirliği beyanı kaynakta yer almamaktadır.
Çıkar çatışması: Ayrı bir çıkar çatışması beyanı kaynakta yer almamaktadır.
CRediT / yazar katkıları: Ayrı bir CRediT veya ayrıntılı yazar katkı beyanı bulunmamaktadır.
Bilimsel kaynak sınırı: Bu Verianla makalesindeki deney koşulları, denklemler, veri seti büyüklükleri, model mimarisi, özellik ağırlıkları, tahmin sonuçları ve performans değerleri yüklenen 17 sayfalık çalışmaya dayanmaktadır. Dış kaynaklar yeni bilimsel deney, istatistik veya mekanizma eklemek için kullanılmamış; yalnız bibliyografik kimlik, SSRN yayın tarihi, DOI ve sorumlu yazar kaydının doğrulanması amacıyla kullanılmıştır.
Temel yöntemsel sınır: Hedef kaynak metali değerlendirmesi yalnız 10 WM numunesiyle gerçekleştirilmiş, eğitim setinin 85 örneği fizik tabanlı sayısal veri artırımıyla oluşturulmuş ve başka malzeme/kaynak sistemleri üzerinde dış doğrulama gösterilmemiştir. Bu nedenle sonuçlar DPID yaklaşımının GH4169/GH2909 elektron ışını kaynaklı birleşimindeki incelenen koşullarda performansını göstermektedir; genel bir yorulma ömrü tahmin garantisi değildir.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir