Bu tədqiqat, süperkritik karbon dioksid ortamlarında poladların ümumi korroziya sürətinı və çuxurcuq korroziyası oluşumunu tahmin etmek üçün yorumlanabilir bir Kolmogorov-Arnold Şəbəkəsi (Kolmogorov-Arnold Network, KAN) kullanmıştır. Tədqiqatçılar 32 nəşr edilmiş tədqiqatdan derlenen 386 eksperimental nümunəni; temperatur, təzyiq, məruz qalma müddəti, su, SO₂ və O₂ qatılıqları ilə xrom və karbon tərkiblərindən oluşan sekiz dəyişən üzerinden incelemiştir. Dinamik təcrübəlerden oluşturulan reqressiya çoxluğunda KAN’ın orta test R² dəyəri 0,811 ± 0,058; çuxurcuq təsnifatındakı doğruluğu 0,883 ± 0,041 və AUC dəyəri 0,947 ± 0,032 olaraq bildirilmişdir. KAN, tənzimlənmiş torac ansambllarından daha doğru değildir; əsas katkısı, tahmin yapan modelin öğrendiği kəsilməz funksiyaların birbaşa incelenebilmesidir. Sonuclar heterojen literatür vərilərine dayanan, kontrollü yeni təcrübəlerle doğrulanmamış və rəyçi qiymətləndirməsindən keçməmiş bir preprint kapsamında yorumlanmalıdır.

Modelin öğrendiği eğrilər, dinamik superkritik CO₂ koşullarında korroziya sürətının krom içeriği arttıkça azaldığını, temperaturla Arrhenius tipi yükseldiğini, məruz qalma müddətiyle yaklaşık bir qüvvət qanununa göre düştüğünü və basınca karşı tek yönlü olmayan bir eğilim gösterdiğini ortaya koymuştur. Görünür aktivasiya enerjisi yaklaşık 13 kJ/mol, süreye ilişkin qüvvət qanunu üssü isə yaklaşık −1,06 olaraq hesablanmışdır. Model davranışının yaklaşık %88’i təkdəyişənli marjinal təsirlərlə, yaklaşık %12’si isə dəyişənlərarası qarşılıqlı təsirlərlə açıqlanmıştır; en güclü qarşılıqlı təsirler temperatur–SO₂ və su–SO₂ çiftlerinde bulunmuştur.

Tədqiqatnın əhəmiyyətli ayırmaı dəqiqlik ilə yorumlanabilirlik arasındadır. XGBoost və Random Forest reqressiyada KAN’dan biraz daha yüksək orta R² dəyərləri vərmiştir. XGBoost’un orta R² dəyəri 0,836, Random Forest’ın 0,830 və KAN’ın 0,811’dir. Buna karşılık KAN, eşit parametre sayısına sahip çoxqatlı perseptrondan anlamlı biçimde daha iyi nəticə üretmiş və kendi öğrendiği B-spline tabanlı kənar funksiyalarını birbaşa görünür hâle getirmiştir. Tədqiqatçılar bu niyəle KAN’ı “daha doğru” değil, güclü geleneksel modellerle rekabet edebilən və kendi işlevsel biçimi incelenebilən bir üsul olaraq mövqelandırmıştır.

Türkiyə baxımından qiymətləndirmə: Tədqiqat, karbon tutma, istifadə və saxlama altstrukturları; yüksək təzyiqli CO₂ daşınması; enerji boru hatları və korroziya mühəndisliyi üzerinde çalışan Türkiyədəki tədqiqat grupları üçün yorumlanabilir maşın öyrənməsi yanaşması sunmaktadır. Model, fərqli poladların və tədqiqat koşullarının korroziya davranışını önceliklendirmede tədqiqat aracı olaraq sınanabilir. Ancaq nəticələr Türkiyədəki boru materialleri, CO₂ saflık səviyyəleri, axın rejimleri və sahə koşullarıyla təsdiqlənməmişdir. Tədqiqat herhansı bir boru hattının təhlükəsiz olduğunu, belirli bir alaşmaın istifadə ömrünü və ya real sistemlerde kabul ediləbilir müəssisə sınırlarını belirlememektedir.

Tədqiqatın əsas sualı nədir?

Tədqiqatın əsas sualı, superkritik CO₂ ortamlarındaki çelik korroziyaunun hem tahmin edilip hem de tahmini yöneten dəyişən ilişkilərinin aynı model üzerinden okunup okunamayactorıdır. Tədqiqat iki ayrı çıktı üzerinde yoğunlaşmıştır:

• Genel korroziya sürətı reqressiyau: Korozyon sürətının logaritmik ölçekte sürekli bir dəyər olaraq tahmin edilmesi.
• Çukurcuk korroziyau təsnifatsı: Yerel çukurcuk oluşumunun var və ya yok biçiminde siniflandırılması.

Süperkritik CO₂, kritik temperatur və basıncın üzerindeki koşullarda gaz və sıvı xüsusiliklerini birlikdə sergiləyen CO₂ fazını ifade etmektedir. Tədqiqatnın incelediği sistemlerde su, SO₂ və O₂ gibi safsızlıklar; temperatur, təzyiq və məruz qalma müddətiyle birlikdə çelik səthindeki ümumi və yerel korroziya proseslerini etkiləyebilmektedir. Tədqiqatın amacı bu karmaşık ilişkiləri tek bir empirik denklemle önceden varsaymak yerine vəriden öğrenmek və öğrenilən eğriləri fiziki açıdan yoxlamaktir.

Tədqiqat niyə əhəmiyyətlidir?

Karbon yakalama, kullanma və depolama (carbon capture, utilization and storage, CCUS) sistemlerinde yakalanan CO₂’nin boru hatlarında taşınması gerekebilir. Taşınan mayə üçündeki su və gaz safsızlıkları metal səthinde korroziyaa yol açabilir. Genel korroziya orta metal kaybıyla, çuxurcuq korroziyası isə səthde yerel və derin hasar bölgeleriyle ilişkilidir. Bu iki hasar biçimi aynı dəyişənlere aynı şəkilde yanıt vərmeyebilir.

Geleneksel maşın öyrənməsi modelleri yüksək tahmin başarısı storlayabilse de hansı dəyişənin hansı aralıkta korroziyau artırdığını və ya azalttığını birbaşa göstermeyebilir. Sonradan uygulanan SHAP ya da permutasiya əhəmiyyəti gibi açıqlama üsullari isə kullanılan fon vərisine və açıqlama tekniğine göre fərqli nəticələr vərebilir. Tədqiqat, təhlükəsizğin əhəmiyyətli olduğu korroziya mühəndisliyinde yalnızca yüksək doğruluğun değil, modelin öğrendiği ilişkinin açıqça incelenebilmesinin de gerekli olduğunu savunmaktadır.

Literatürde hansı boşluk hedeflenmiştir?

Önceki korroziya tahmin tədqiqatlarında yapay sinir torları, Random Forest, destek vəktör makineleri və gradyan artırmalı karar toraçları istifadə edilmişdir. Bu üsullarin bir bölümü dəyişən örütubətlerini raporlasa da açıqlamalar çoğunlukla model eğitildikten sonra uygulanan haricî analizlere dayanmaktadır.

Kolmogorov-Arnold şəbəkələri daha önce material modellerinde, fizika məlumatlı sinir torlarında, oksidasyon kontrolünde, sürünme ömrü tahmininde və CO₂ korroziyau tədqiqatlarında istifadə edilmişdir. İncelenen tədqiqat, yalnızca tahmin doğruluğu müqayisəsı yapmak yerine KAN’ın kendi öğrendiği kənar funksiyalarını, marjinal etkilərini, dəyişən qarşılıqlı təsirlerini və toplamsal katkı büdcəsini birbaşa yoxlamayi amaçlamıştır.

Veri kümesi necə oluşturulmuştur?

Tədqiqatçılar 32 yayımlanmış mənbətan toplam 386 təcrübə örneği derlemiştir. Örnekler hidrodinamik koşula göre iki gruba ayrılmıştır:

Regresyon örnek sayısının toplam sayıdan aştorı olmasının niyəi, mənbəlarda sayısal dəyəri vərilmeksizin “ihmal ediləbilir” olaraq diaqnozmlanan bazı korroziya sürətlarıdır. Tədqiqatçılar bu örneklere loqarifmik çevirməde mutlak sıfır sorununu önlemek üçün 0,01 mm/yıl dəyəri atamıştır. Bu atanmış dəyərlər, real bir sayısal ölçmə olmadıkları üçün reqressiya təliminden çıkarılmış; özgün tədqiqatlarda bildirilən çukurcuk etikaetleri real gözlemlere dayandığından təsnifat kümesinde tutulmuştur.

Sayısal korroziya sürətının cədvəlda bulunmadığı bazı yayınlarda dəyərlər qrafiklərdən rəqəmsallaşdırılaraq çıkarılmıştır. Çukurcuk etikaeti isə mənbə yayınlardaki çukurcuk nisbətlarına və numune morfologiyası açıqlamalarına göre 1, çukurcuk bulunmaması durumunda 0 olaraq atanmıştır.

Verilər necə temizlenmiş və dönüştürülmüştür?

Sekiz girdi dəyişəninden və ya hedef korroziya sürətından herhansı biri eksik olan qeydlar çıkarılmıştır. Geçerli təbəqəli çarpaz doğrulama strukturlamayacak kadar az örnek içeren siniflar elenmiş və fərqli yayınlarda yinelenen qeydlar tekilleştirilmiştir.

Korozyon sürətlarının çoğu 0–1 mm/yıl aralığında yoğunlaşırken az sayıda daha yüksək dəyər bulunmaktadır. Bu stora çarpık dtorılımı dmaneəemek amacıyla ümumi korroziya sürətina taban 10 logaritması uygulanmıştır. Dönüşümden sonra dinamik reqressiya çoxluğunda orta −1,30 və standart yaw 0,84; statik kümede orta −1,02 və standart yaw 0,97 olaraq bildirilmişdir.

O₂, SO₂ və H₂O derişimleri yüzlerce ppmv’den on binlerce ppmv’ye uzanan geniş aralıklar içerdiğinden bu dəyişənlere de loqarifmik çevirmə uygulanmıştır. Bütün girdilər KAN’ın sınırlı bir alan üzerinde diaqnozmlanan B-spline fonksionlarına uygun olacak biçimde [−1, 1] aralığına ölçeklenmiştir.

Bir girdinin min–maks normalizasyonu şu denklemle vərilmiştir:

\[ x' = 2\frac{x-x_{\min}}{x_{\max}-x_{\min}}-1 \]

Burada \(x\), özgün girdi dəyərini; \(x_{\min}\) və \(x_{\max}\), yalnızca ilgili təlim katındaki en aştorı və en yüksək dəyərləri; \(x'\) isə [−1, 1] aralığına dönüştürülmüş dəyəri göstərir. Sıcaklığın birimi °C, basıncın MPa və derişimlerin dönüşüm öncesindeki birimi ppmv’dir. Denklem dəyişənin fiziki sırasını değiştirmez; yalnızca modelin işleyebiləceği ortak sayısal aralığa taşır.

Logaritmik korroziya hedefi z-skoru ilə standartlaşdırılmışdır:

\[ y' = \frac{y-\mu}{\sigma} \]

\(y\), log₁₀ dönüştürülmüş korroziya sürətını; \(\mu\) və \(\sigma\), yalnızca təlim məlumatınden hesaplanan orta və standart yawyı; \(y'\) isə standartlaştırılmış hedefi ifade etmektedir. Modelin standartlaştırılmış çıktısı \(\hat{y}\) kullanılarak fiziki ölçeğe dönüş şu ilişkiyle strukturlmıştır:

\[ \log_{10}(CR)=\mu+\sigma\hat{y} \]

Burada \(CR\), mm/yıl birimindeki ümumi korroziya sürətidır. Logaritmik dəyər elde edildikten sonra real korroziya sürətı \(10^{\log_{10}(CR)}\) üzerinden geri kazanılabilir.

Modelde hansı dəyişənler istifadə edilmişdir?

Malzeme grubunda X60, X65, X70, X80 və X100 boru çelikleri ilə 3Cr, 5Cr və 13Cr gibi krom içeren çelikler və korroziyaa dayanıklı alaşmalar bulunmaktadır. Bir yayın kesin biləşim yerine aralık bildirmişse aralığın ortanca dəyəri istifadə edilmişdir.

Tədqiqatçılar PREN və ya karbon eşdəyəri gibi birleşik indisler yerine Cr və C dəyərlərini birbaşa kullanmıştır. Tədqiqatdaki gerekçe, birleşik indislerin kendi iç çəkilərinı modele taşmaaması və krom ilə karbonun etkilərinin KAN eğrilərinde ayrı ayrı okunabilmesidir.

Kolmogorov-Arnold Şəbəkəsi necə tədqiqatktadır?

Geleneksel çoxqatlı perseptronda kənarlar çoğunlukla sayısal çəkiləri, düyünlər isə sabit aktivasyon fonksionlarını taşır. KAN’da öğreniləbilir tek dəyişənli fonksionlar torın kənarlarına yerleştirilir; düyünlər gelen dəyərləri toplar. Her kənarın öğrendiği fonksion B-spline eğrisi olaraq incelenebilir.

Kolmogorov-Arnold temsil teoremi tədqiqatda şu biçimde ifade edilmiştir:

\[ f(x_1,\ldots,x_n)=\sum_{q=1}^{2n+1}\Phi_q\left(\sum_{p=1}^{n}\phi_{q,p}(x_p)\right) \]

\(x_p\), girdinin \(p\) numaralı biləşenini; \(\phi_{q,p}\), tek bir giriş dəyişənine uygulanan sürekli fonksionu; \(\Phi_q\), iç toplamın sonucuna uygulanan dış tek dəyişənli fonksionu göstərir. Denklem, çok dəyişənli bir ilişkinin tek dəyişənli fonksionların biləşimleri və toplamlarıyla temsil ediləbiləceğini anlatır.

Bir KAN kənarındaki öğreniləbilir aktivasyon şu şəkilde müəyyən edilmişdir:

\[ \phi(x)=w\,[b(x)+\operatorname{spline}(x)] \]

Burada \(w\), öğrenilən ölçek katsayısıdır. Temel fonksion \(b(x)\), tədqiqatda SiLU fonksionu olaraq vərilmiştir:

\[ b(x)=\frac{x}{1+e^{-x}} \]

Spline biləşeni isə B-spline taban fonksionlarının doğrusal birleşimidir:

\[ \operatorname{spline}(x)=\sum_i c_i B_i(x) \]

\(c_i\), təlim sırasında öğrenilən kontrol katsayılarını; \(B_i(x)\), diaqnozmlanmış grid üzerindeki B-spline taban fonksionlarını göstərir. B-spline’ların yerel destek xüsusiliği, belirli bir giriş aralığındaki eğimin bütün fonksionu aynı ölçüde değiştirmeden öğrenilmesini storlar.

Modelin sekiz biləşenli girdi vəktörü şöyledir:

\[ \mathbf{x}=[T,P,t,\log_{10}(O_2),\log_{10}(SO_2),\log_{10}(H_2O),Cr,C]^T \]

Bir KAN qatındaki \(j\) numaralı düyünün çıktısı şu toplamla hesablanmışdır:

\[ x_j^{(s+1)}=\sum_{i=1}^{n_{\mathrm{in}}}\phi_{i,j}^{(s)}\left(x_i^{(s)}\right) \]

\(\phi_{i,j}^{(s)}\), \(s\) numaralı qatdaki \(i\) giriş düyününü \(j\) çıkış düyününe btorlayan öğreniləbilir kənar fonksionudur. Düğüm, fərqli girişlerden gelen dönüştürülmüş dəyərləri toplar.

Tam torın qat biləşimi şu şəkilde vərilmiştir:

\[ f_{\mathrm{KAN}}(\mathbf{x})=\Phi^{(L-1)}\circ\Phi^{(L-2)}\circ\cdots\circ\Phi^{(0)}(\mathbf{x}) \]

\(L\), toplam qat sayısını; \(\Phi^{(s)}\), ilgili qatdaki bütün kənar dönüşümlerini və düyün toplamlarını ifade etmektedir.

Regresyon torının tek çıkış düyünündeki logaritmik korroziya tahmini, son gizli qatdan gelen öğrenilmiş fonksionların toplamı olaraq yazılmıştır:

\[ \log_{10}(CR)=\sum_{i=1}^{N_h}\phi_i^{(L-1)}\left(h_i^{(L-1)}\right) \]

\(N_h\), son gizli qatdaki düyün sayısıdır. Her terim, belirli bir gizli xüsusilikten korroziya çıktısına gelen öğrenilmiş katkıyı temsil eder. Sınıflandırma torında isə son qat, çukurcuk və çukurcuk bulunmaması siniflarına karşılık gelen iki çıktı düyününe dönüştürülmüş və softmax mümkünlıkları istifadə edilmişdir.

Model seçimi və vəri sızıntısının önlenmesi

KAN’ın gizli qat sayısı, qat genişliği, spline derecesi, grid büyüklüğü, seyreklik katsayısı və öğrenme nisbətı önceden sabitlenmemiştir. Aştorıdaki aralıklar üzerinde 40 derütubətelik Tree-structured Parzen Estimator tabanlı Bayes optimallaşdırması uygulanmıştır:

Her strukturlandırma, xaç doğrulamadaki orta R² dəyərinden standart yawnın çıkarılmasıyla puanlanmıştır. En iyi puana küçük bir tolerans üçünde yaklaşan modeller arasından daha kompakt arxitektura seçilmiştir. Bu yaklaşma, yalnızca yüksək orta dəqiqlik vəren fakat katlar arasında kararsız olan bir modeli seçmemeyi və yorumlanabilirliği korumayı amaçlamıştır.

Veri sızıntısını önlemek üçün ölçekleme və hedef standartlaştırma işləməleri her xaç doğrulama katında yalnızca təlim bölümü üzerinde öğrenilmiştir. Erken durdurma üçün kullanılan iç doğrulama kümesi de təlim katından ayrılmış; dışarıda tutulan test katı model seçimine və ya təlime dâhil edilmemiştir.

Dinamik və statik reqressiya vəriləri üçün seçilən arxitektura bir gizli qat və teksturaz gizli düyün içeren [8, 9, 1] struktursıdır. Sekiz giriş xüsusiliği teksturaz düyünlü gizli qata, bu qat da tek reqressiya çıkışına btorlanmıştır. Bununla belə seçilən nihai spline derecesi, grid büyüklüğü, seyreklik katsayısı və öğrenme nisbətı metinde tek bir nəticə cədvəlsunda açıqça vərilməmişdir. Şekil 4’te \(k=3\) və \(G=5\) gösterilse de bunların kesin seçilmiş dəyər mi yoksa arxitekturayi açıqlayan örnek dəyərlər mi olduğu açıqça belirtilmemiştir.

Eğitim təkanları necə müəyyən edilmişdir?

Regresyon təliminde, büyük hataların etkisini sınırlamak amacıyla eşik dəyəri \(\delta=0,5\) olan Huber təkansi istifadə edilmişdir:

\[ L_{\mathrm{Huber}}(y,\hat{y})= \begin{cases} \frac{1}{2}(y-\hat{y})^2, & |y-\hat{y}|\leq\delta \\ \delta\left(|y-\hat{y}|-\frac{1}{2}\delta\right), & \text{aksi durumda} \end{cases} \]

Küçük hatalarda kareli hata, büyük hatalarda yaklaşık doğrusal hata uygulanmaktadır. Böylece uc örneklerin gradyan üzerindeki etkisi tamamen kaldırılmadan sınırlandırılır. Sınıflandırmada standart çarpaz entropiyaya təkansi istifadə edilmişdir.

Veri kaybına KAN’a özgü seyrəklik nizamlayıcısı eklenmiştir:

\[ L=L_{\mathrm{data}}+\lambda\sum_{l,i,j} \left( \alfa\left\|w_{i,j}^{(l)}\right\|_1+ \beta H\left(w^{(l)}\right) \right) \]

\(L_{\mathrm{data}}\), reqressiyada Huber, təsnifatda çarpaz entropiyaya təkansidır. L₁ terimi az sayıda baskın kənarın etkin kalmasını teşvik eder. Tədqiqatda \(\alfa=\beta=1,0\) istifadə edilmişdir. Metin, \(H(w)\) ifadesini Shannon entropiyasi olaraq adlandırmış və \(H(w)=\sum_e p_e\log p_e\) biçiminde yazmıştır. Standartlaştırıcı işaret və ya neqativ işaret konvansionu ayrıca açıqlanmamışdır; bu makalede ifade sessizce değiştirilmemiştir.

Optimizasyonda AdamW və 10⁻⁶ səviyyəine inen kosinüs tavlama öğrenme nisbətı istifadə edilmişdir. Eğitim en fazla 3000 epoch sürmüş, iç doğrulama kaybı 300 epoch boyunca iyiləşmezse durdurulmuştur. Grid sınırları yakınındaki gradyan büyümesini sınırlamak üçün en yüksək gradyan normu 1,0 olaraq kırpılmıştır.

Başarı ölçütleri nelerdir?

Regresyon başarısı açıqlanan dispersiya nisbətı R², orta kvadrat xəta və orta mütləq xətayla qiymətləndirilmişdir:

\[ R^2=1-\frac{\sum_{i=1}^{N}(y_i-\hat{y}_i)^2}{\sum_{i=1}^{N}(y_i-\bar{y})^2} \]

\[ MSE=\frac{1}{N}\sum_{i=1}^{N}(y_i-\hat{y}_i)^2 \]

\[ MAE=\frac{1}{N}\sum_{i=1}^{N}|y_i-\hat{y}_i| \]

R² dəyəri 1’e yaklaştıkça model hedefteki değişimin daha büyük bölümünü açıqlamaktadır. MSE büyük hataları karesinden dolayı daha güclü cezalandırır; MAE isə orta mutlak yawyı hedefle aynı ölçekte vərir. Tədqiqatdaki MSE və MAE dəyərləri log₁₀ dönüştürülmüş hedef uzayındadır və birbaşa mm/yıl hatası olaraq okunmamalıdır.

Çukurcuk sinifı pozitiv sinif olaraq diaqnozmlanmış və ölçütler şu biçimde vərilmiştir:

\[ Accuracy=\frac{TP+TN}{TP+TN+FP+FN} \]

\[ Precision=\frac{TP}{TP+FP} \]

\[ Recall=\frac{TP}{TP+FN} \]

\[ F1=2\frac{Precision\times Recall}{Precision+Recall} \]

TP doğru çukurcuk tahminlerini, TN doğru çukurcuk yokluğu tahminlerini, FP yanlış çukurcuk alarmlarını və FN kaçırılan çukurcuk örneklerini göstərir. AUC isə bütün təsnifat eşikleri boyunca pozitiv və neqativ sinifların ayrıştırılma səviyyəini ölçür.

Dinamik və statik vərilərde nəticələr necədır?

Aynı vəri sızıntısız xaç doğrulama düzeninde dinamik reqressiya modeli 0,811 ± 0,058 orta test R² dəyərine ulaşmıştır. Statik modelin orta test R² dəyəri 0,658 ± 0,142’dir. Statik nəticə hem daha aştorı hem de katlar arasında daha dəyişəndir.

Tədqiqatçılar farkı statik vəri dəstinin daha küçük olmasına, təcrübə koşullarının xüsusilik uzayını daha seyrek və düzensiz kapsamasına btorlamıştır. Model müqayisəları və mekanizma yorumları bu niyəle dinamik vəri dəsti üzerinde sürdürülmüştür. Tədqiqat, statik koşullardaki korroziya ilişkilərinin güvənilir biçimde çözümlendiğini iddia etmemektedir.

KAN reqressiyada diğer modellerle necə müqayisə edilmişdir?

Karşılaştırmalar aynı xaç doğrulama katları üzerinde eşleştirilmiş Wilcoxon işarəli sıralar testiyle strukturlmıştır. XGBoost və Random Forest KAN’dan daha yüksək orta R² vərmiştir. Bu niyəle tədqiqat KAN’ın en doğru reqressiya modeli olduğunu iddia etmemektedir.

Parametre eşleştirilmiş MLP’nin KAN’la yaklaşık aynı sayıda eğitiləbilir parametreye sahip olması, öğreniləbilir spline kənarlarının sabit düyün aktivasyonlarına karşı katkısını daha birbaşa müqayisəyı amaçlamıştır. KAN’ın bu MLP’den daha yüksək və daha kararlı nəticə vərmesi, tədqiqatın model arxitekturası açısından öne çıkardığı əsas bulgulardan biridir.

Çukurcuk təsnifatsı nə göstərir?

KAN’ın çukurcuk sinifındaki geri çtorırma dəyəri 0,863 ± 0,087’dir. AUC dəyəri XGBoost’tan biraz aştorı, Random Forest’tan isə yalnızca 0,001 daha yüksəktir. Müəlliflər KAN’ı bu görevde de en yüksək dəqiqlik storlayan model olaraq değil, güclü geleneksel modellerle müqayisə edilə bilən başarı vəren yorumlanabilir model olaraq dəyərlendirmiştir.

Kaynakta model adı açısından bir editoryal tutarsızlık bulunmaktadır. Açıklama metni reqressiyadaki SVR yerine təsnifatda bir destek vəktör siniflandırıcısı kullanıldığını, Şekil 7 de “SVC” etikaetini göstərir. Buna karşın Tablo 4’te aynı satır “SVR” olaraq yazılmıştır. Yukarıdaki cədvəlda görev türüne uygun olaraq “destek vəktör siniflandırıcısı” ifadesi kullanılmış, mənbə üçündeki fərqlilık açıqça qeyd edilmişdir.

Tekrarlı ayırma təcrübəinde nəticələr necədır?

Beş tekrarlı təlim-test ayırması üzerinde XGBoost və KAN şu nəticələri vərmiştir:

Bu R² dəyərləri xaç doğrulama ortalarından daha yüksəktir. Tədqiqat, belirli ayırmaların daha elvərişli olabiləceğini və ümumi performans qiymətləndirməsinde xaç doğrulama nəticələrinın esas alınması gerektiğini belirtmektedir.

KAN’ın yorumlanabilirliği necə müəyyən edilmişdir?

Tədqiqat, qismən asılılıq və SHAP gibi araçların yalnızca KAN’a özgü olmadığını açıqça kabul etmektedir. Bu analizler herhansı bir modele uygulanabilir. KAN’ın farkı, tahmini oluşturan tek dəyişənli fonksionların modelin kendi struktursında bulunmasıdır.

Tek gizli qatlı bir KAN’ın tahmini şu biçimde ifade edilmiştir:

\[ \hat{y}(\mathbf{x})=\sum_{q=1}^{H}\Phi_q\left(\sum_{p=1}^{d}\phi_{q,p}(x_p)\right) \]

\(d\), girdi sayısını; \(H\), gizli qat genişliğini; \(\phi_{q,p}\) və \(\Phi_q\), modelin öğrendiği B-spline fonksionlarını göstərir. Bu fonksionlar haricî bir açıqlama modeliyle yaklaşık olaraq üretilmemekte, birbaşa tahmin torının parçası olaraq eğitilmektedir.

Bir dəyişənin marjinal etkisi necə hesablanmışdır?

Bir \(p\) dəyişəninin qismən asılılıq fonksionu, diğer dəyişənlerin gözlenen dəyərləri korunarak \(x_p\) dəyərinin değiştirilmesi və bütün örneklerdeki tahminlerin ortasının alınmasıyla hesablanmışdır:

\[ g_p(v)=\frac{1}{N}\sum_{n=1}^{N} \hat{y}(x_1^{(n)},\ldots,x_{p-1}^{(n)},v,x_{p+1}^{(n)},\ldots,x_d^{(n)}) \]

\(v\), incelenen dəyişən üçün seçilən dəyərdir. Bu eğri, diğer dəyişənlerin vəri dəstindeki dtorılımı üzerinden orta alınmış model yanıtını göstərir. Nedensel bir təcrübə sonucu değildir.

KAN’ın içsel dəyişən örütubəti, her marjinal eğrinin en yüksək və en aştorı dəyəri arasındaki aralığın bütün eğri aralıkları toplamına nisbətlanmasıyla hesablanmışdır:

\[ I_p= 100\times \frac{\max_v g_p(v)-\min_v g_p(v)} {\sum_{p'}[\max_v g_{p'}(v)-\min_v g_{p'}(v)]} \]

Bu ölçüt, bir dəyişənin incelenen aralık boyunca model tahminini orta olaraq ne kadar değiştirebildiğini ölçür. SHAP’ın orta örnek katkısıyla aynı büyüklüğü ölçmediği üçün iki sıralamanın özdeş olması beklenmemektedir.

En əhəmiyyətli dəyişənler hansıleridir?

İlk üç dəyişən xaç doğrulama katlarında sıralarını korumuştur. Bununla belə bu nisbətlar təcrübəsel olaraq ölçülmüş mərhələnsel fiziki paylar değildir; eğitilən KAN’ın dinamik vəri dəsti üzerindeki marjinal tahmin aralıklarından türetilmiştir.

SHAP müqayisəsı nə göstərir?

Aynı kernel-SHAP üsulu fərqli modellere uygulandığında su və SO₂ çoğu modelde əhəmiyyətli dəyişənler arasında yer almıştır. Ancaq tek bir XGBoost modeli fərqli açıqlama üsullariyle incelendiğinde örütubət nisbətları değişmiştir. Kromun göreli örütubəti kernel-SHAP uygulamalarında yaklaşık %14–17 səviyyəindeyken permutasiya əhəmiyyətinde yaklaşık %33’e yükselmiştir.

Tədqiqatnın çıkardığı nəticə, sonradan uygulanan açıqlamanın yalnızca eğitilən modele değil, açıqlama üsulune və fon vəri seçimine de btorlı olduğudur. KAN’ın marjinal fonksion aralığı isə belirli bir eğitilmiş model və vəri dəsti üçün tek bir nəticə üretmektedir. Bununla belə fərqli təlim bölünmeleriyle yeniden eğitilən KAN’ın fonksionları yine değişebilir; içsel yorumlanabilirlik model belirsizliğini və ya vəri btorımlılığını ortadan kaldırmamaktadır.

Marjinal eğrilər hansı korroziya eğilimlerini göstərir?

Temperatur və süre üçün hansı fiziki biçimler elde edilmiştir?

Temperatur eğrisi Arrhenius tipi bir fonksionla xülasəlenmiş və görünür aktivasiya enerjisi yaklaşık 13 kJ/mol olaraq hesablanmışdır. Uyumun R² dəyəri 0,91’dir. Tədqiqatçılar bu dəyərin tek bir əsas elektrokimyəvi reaksiyaa değil, fərqli yayınlardan gelen birden fazla mekanizmanın birleşik etkisine karşılık geldiğini belirtmiştir.

Arrhenius ilişkisinin əsas biçimi şu şəkilde düşünülebilir:

\[ CR(T)\propto \exp\left(-\frac{E_a}{RT}\right) \]

\(CR\), korroziya sürətını; \(E_a\), görünür aktivasiya enerjisini; \(R\), gaz sabitini və \(T\), mutlak sıcaklığı ifade etmektedir. Tədqiqatda bildirilən yaklaşık 13 kJ/mol dəyəri, KAN marjinal eğrisine strukturlan uyumdan elde edilmiştir; birbaşa tek bir reaksiya üzerinde strukturlan kinetika təcrübəin sonucu değildir.

Maruz kalma süresi eğrisi real zaman ölçeğinde bir qüvvət qanunuyla xülasəlenmiştir:

\[ CR\propto t^n \]

Uyumda \(n=-1,06\) və R²=0,97 bulunmuştur. Negatif üs, süre arttıkça birim zamandaki korroziya sürətının azaldığını gösterir. Müəlliflər bu eğilimi koruyucu korroziya ürün tabakasının gelişimiyle ilişkiləndirmiştir. Bu nəticə, toplam metal kaybının zamanla gerilədiği anlamına gelmez; raporlanan büyüklük korroziya sürətıdır.

Değişken qarşılıqlı təsirleri necə hesablanmışdır?

İki dəyişən birlikdə değiştirilərek ikiölçülü qismən asılılıq səthi oluşturulmuştur. Ortak səthin, iki tek dəyişənli etkinin toplamıyla açıqlanamayan bölümü qarşılıqlı təsir olaraq müəyyən edilmişdir:

\[ S_{\mathrm{int}}(p,p')= \frac{ \operatorname{std}[g_{p,p'}(v,w)-g_p(v)-g_{p'}(w)] }{ \operatorname{std}[g_{p,p'}(v,w)] } \]

Pay, iki dəyişənin ayrı etkiləri çıkarıldıktan sonra kalan değişimin standart yawsıdır. Payda, ortak səthin toplam değişimini göstərir. Değer yükseldikçe iki dəyişənin birlikdə etkisi bturşu toplamdan daha fazla ayrılmaktadır.

Sonraki güclü çiftler krom–su və su–məruz qalma müddətidir. Etkiləşim haritalarında qalıq dəyərlərin çoğu xüsusilik uzayının geniş bölümünde aştorıtür; daha güclü ortak etkilər ümumilikle iki saldırgan koşulun aynı anda yüksək olduğu bölgelerde yoğunlaşmaktadır. Özellikle yüksək SO₂ ilə yüksək su və ya temperatur birlikdəliği, tek tek etkilərin toplamından daha güclü tahmin değişimi üretmiştir.

Model davranışının ne kadarı toplamsaldır?

KAN tahmini, orta çıktı ilə merkezlenmiş tek dəyişənli katkıların toplamı və kalan qarşılıqlı təsir biləşeni şeklinde ayrıştırılmıştır:

\[ \hat{y}(\mathbf{x})\approx \bar{y}+ \sum_{p=1}^{d}[g_p(x_p)-\bar{y}_p]+r(\mathbf{x}) \]

\(\bar{y}\), orta model çıktısını; \(g_p(x_p)-\bar{y}_p\), ilgili örnekte \(p\) dəyişəninin merkezlenmiş katkısını; \(r(\mathbf{x})\), tek dəyişənli katkılarla açıqlanamayan qarşılıqlı təsir kalanını göstərir.

Ortalama mutlak qarşılıqlı təsir kalanı model çıktı aralığının yaklaşık %12’sidir. Buna göre davranışın yaklaşık %88’i təkdəyişənli marjinal təsirlərlə, yaklaşık %12’si daha yüksək səviyyəli qarşılıqlı təsirlerle əlaqələndirilmişdir. Bu nisbətlar tədqiqatın nəticə bölümünde “[FILL: 88]%” və “[FILL: 12]%” biçiminde tamamlanmamış yer tutucularla bırakılmıştır; ancaq aynı dəyərlər üsulsel açıqlamanın önceki bölümünde yaklaşık %88 və %12 olaraq açıqça vərilmiştir.

Örnek səviyyəindeki katkılar ne anlatmaktadır?

Üç temsili test örneği üçün her dəyişənin tahmine katkısı ayrı ayrı gösterilmiştir. Maruz kalma süresi və krom birçok örnekte əhəmiyyətli katkılar sunarken su və SO₂’nin katkı istiqaməti təcrübə koşuluna göre değişmiştir. Aynı dəyişən bazı örneklerde korroziya tahminini yükseltirken başka örneklerde düşürebilmektedir.

Bu bulgu, bütün təcrübə koşullarında korroziyau tek başına yöneten mərhələnsel bir dəyişən olmadığını göstərir. Küresel örütubət sıralaması ümumi eğilimi, örnek səviyyəindeki ayrıştırma isə belirli bir təcrübə koşulundaki tahminin niyə yükselip düştüğünü göstermeyi amaçlamaktadır.

Şekiller və qrafler nə göstərir?

Tədqiqatın güclü tərəfləri nələrdir?

• 32 fərqli tədqiqatdan derlenen geniş koşul aralığına sahip bir ScCO₂ korroziya vəri dəsti istifadə edilmişdir.
• Genel korroziya reqressiyau ilə çukurcuk təsnifatsı ayrı görevler olaraq ele alınmıştır.
• Atanmış 0,01 mm/yıl dəyərləri reqressiyadan çıkarılarak yapay sayısal dəyərlərin fonksion eğrilərini bozması önlenmeye çalışılmıştır.
• Ölçekleme, hedef standartlaştırma və erken durdurma her təlim katının üçünde uygulanarak vəri sızıntısı önlenmiştir.
• Karşılaştırma modelleri aynı xaç doğrulama bölünmelerinde qiymətləndirilmişdir.
• MLP, yalnızca genişlik bakımından değil KAN’la parametre sayısı eşleştirilərek de müqayisə edilmişdir.
• KAN’ın daha doğru olmadığı açıqça belirtilmiş; yorumlanabilirlik avantajı dəqiqlik iddiasından ayrılmıştır.
• Değişken etkiləri yalnızca sıralanmamış; eğrilərin biçimleri, doygunlukları və dönüş noktaları incelenmiştir.
• Tek dəyişənli etkilər, çift dəyişənli qarşılıqlı təsirler və örnek səviyyəindeki katkılar aynı model üzerinden qiymətləndirilmişdir.
• Post-hoc açıqlama dəyişənliği, model sabit tutularak fərqli üsullar və fon kümeleri üzerinden gösterilmiştir.

Tədqiqatın məhdudiyyətləri nələrdir?

• Veri kümesi fərqli laboratoriyaların, cihazların, numune hazırlama üsullarinin və təcrübə protokollerinin birleştirilmesiyle oluşturulmuştur.
• Axın sürətı, pH və NO₂ gibi potansiyel dəyişənler yeterli raporlama bulunmadığı üçün modele dâhil edilmemiştir.
• Dinamik təcrübəler fərqli dönüş və ya axın koşulları içerebilmesine rtormen hidrodinamik şiddet ortak sayısal xüsusilik olaraq modellenmemiştir.
• Grafiklerden sayısallaştırılan korroziya dəyərləri özgün ham ölçmələrle aynı hassasiyete sahip olmayabilir.
• Biləşim aralığı vərilən yayınlarda ortanca dəyərin kullanılması numuneler arası real biləşim farklarını azaltabilir.
• Özellik uzayının bazı bölgeleri seyrek örneklenmiştir; iki dəyişənli qarşılıqlı təsirler bu bölgelerde ekstrapolasyona dayanabilir.
• Statik vəri dəstinde model başarısı daha aştorı və dəyişəndir; mekanizma yorumları esas olaraq dinamik örneklere aittir.
• Kısmi btorımlılık eğriləri dəyişənler arasındaki btorımlılıkları tamamen ortadan kaldırmaz və niyəsel təcrübə sonucu değildir.
• Su içeriği üçün kapalı biçimli xülasəin yaklaşık olduğu tədqiqat tarafından kabul edilmiştir.
• Toplamsal səviyyəde kullanılan KAN, spline tabanlı ümumiləştirilmiş toplamsal modellere yakın davranabilir.
• Modelin avantajları küçük, aştorı boyutlu və düzgün ilişkilər içeren vəri kümelerinde daha belirgindir.
• Çıkarılan mekanizmalar kontrollü yeni təcrübəlerle təsdiqlənməmişdir.
• Model xarici doğrulama amacıyla btorımsız və sonradan oluşturulmuş bir ScCO₂ təcrübə vəri dəstinde test edilmemiştir.
• Çapraz doğrulamanın kesin kat və tekrar sayısı üsul metninde açıq, tek anlamlı bir dəyər olaraq vərilməmişdir.
• Seçilən nihai spline derecesi, grid büyüklüğü, seyreklik katsayısı və öğrenme nisbətı toplu biçimde raporlanmamıştır.
• Sonuc bölümünde düzenleme mərhələsından kalmış “[FILL: 88]%” və “[FILL: 12]%” yer tutucuları bulunmaktadır.
• Sınıflandırma müqayisəsında aynı destek vəktör modeli cədvəl, metin və şəkilde fərqli biçimde adlandırılmıştır.
• Kod herkese açıq bir depo üzerinden sunulmamış; sorumlu müəllifdan makul talep üzerine alınabiləceği qeyd edilmişdir.

Tədqiqat hansı nəticələri dəstəkləyir?

• KAN, dinamik ScCO₂ korroziya vərisinde güclü toraç tabanlı modellere yakın reqressiya və təsnifat başarısı storlamıştır.
• KAN, eşit parametre sayısına sahip MLP’den anlamlı biçimde daha yüksək reqressiya R² və təsnifat AUC dəyəri üretmiştir.
• Dinamik vəri dəstinde məruz qalma müddəti, krom və su, KAN’ın en büyük marjinal etki aralığına sahip dəyişənleridir.
• KAN’ın öğrendiği temperatur və süre eğriləri sırasıyla Arrhenius və qüvvət qanunu biçimleriyle yüksək uyumla xülasəlenebilmiştir.
• Təzyiq və su etkiləri tek yönlü değildir; belirli aralıklarda yön değiştiren eğilimler göstərmişdir.
• Temperatur–SO₂ və su–SO₂, modeldeki en güclü additiv olmayan dəyişən qarşılıqlı təsirleridir.
• Model davranışının büyük bölümü tek dəyişənli katkılarla açıqlanabilmekte, daha küçük fakat əhəmiyyətli bir bölümü qarşılıqlı təsirlerde kalmaktadır.
• Post-hoc dəyişən örütubətleri kullanılan açıqlama üsulu və fon kümesine göre değişebilmektedir.

Tədqiqat nəyi sübut etmir?

• KAN’ın XGBoost və ya Random Forest’tan daha doğru olduğunu sübut etmir.
• Modelin bütün superkritik CO₂ boru hatlarına ümumilənebiləceğini göstermemektedir.
• Belirli bir krom içeriğinin bütün koşullarda təhlükəsiz və ya yeterli olduğunu belirlememektedir.
• Yaklaşık 10 MPa dəyərinin mərhələnsel bir korroziya eşiği olduğunu göstermemektedir.
• Model eğriləri dəyişənlerin korroziyaa niyə olduğunu tek başına sübut etmir.
• Çukurcuk derinliğini, büyüme sürətını və ya kritik hasar zamanını tahmin etmemektedir.
• Boru et kalınlığı kaybı, çat oluşumu, gərginlikli korroziya və ya mexaniki arıza ömrü hesabı təqdim etmir.
• Model çıktıları tasarım kodu, təhlükəsizlik standardı və ya müəssisə sınırı yerine geçmemektedir.
• Statik və dinamik koşulların aynı oksigen, su və ya təzyiq eğilimlerine sahip olduğunu göstermemektedir.
• Yorumlanan mekanizmaları yeni, kontrollü və btorımsız təcrübəlerle doğrulamamaktadır.
• Gerçek zamanlı sahə izləmə və ya boru hattı dijital ikizi uygulaması göstermemektedir.

Geçmiş, bugün və gelecek açısından örütubəti nədir?

Geçmişte korroziya tahmini çoğunlukla empirik eşitlikler, elektrokimyəvi təcrübəler və ya tahmini güclü fakat açıqlaması haricî araçlara btorlı modeller üzerinden yürütülmüştür. Bu tədqiqat, tahmin fonksionlarını torın kənarlarında görünür hâle getiren KAN yaklaşmaını superkritik CO₂ korroziyaunda mekanizma yoxlama aracı olaraq kullanmıştır.

Bugünkü katkısı, yorumlanabilirlik iddiasını dəqiqlik müqayisəsından ayırmasıdır. KAN en yüksək doğruluğu vərmemiştir; buna rtormen parametre bakımından eşdəyər neyron şəbəkəsindan daha iyi nəticə üretmiş və temperatur, süre, krom, su, SO₂, O₂ və təzyiq üçün düzgün tepki eğriləri storlamıştır. Tədqiqatnın bilimsel dəyəri bu dmaneəi müqayisə ilə eğrilərin fiziki olaraq okunabilmesinden mənbəlanmaktadır.

Gelecekte çıkarılan eğilimlerin kontrollü təcrübəlerle test edilmesi; axın sürətı, pH, H₂S və çok fazlı ortamların modele eklenmesi; korroziyaun zaman üçündeki gelişimini temsil eden zamansal arxitekturalerin kurulması lazımdır. Yöntem ancaq bu tür doğrulamalardan sonra sahə kararlarına yaklaşabilir.

Tədqiqatın metodu və nəticələri

Tədqiqat tasarımının teknik xülasəi

Əsas ədədi nəticələr

Metodoloji nəticələrin balanslı şərhi

KAN’ın reqressiya doğruluğu XGBoost və Random Forest’tan aştorıtür, ancaq destek vəktör reqressiyauyla istatistiksel olaraq ayırt ediləmemiş və iki MLP müqayisəsından daha yüksək bulunmuştur. Çukurcuk təsnifatsında da XGBoost daha yüksək dəqiqlik və AUC storlamıştır. Bu niyəle KAN’ın bilimsel katkısı, güclü modelleri açıqça geride bırakmasından değil, tahmin başarısını yorumlanabilir bir fonksion struktursıyla birleştirmesinden mənbəlanmaktadır.

Marjinal fonksionlar kromun koruyucu etkisinin doygunlaşmasını, su və təzyiq etkilərinin yön değiştirmesini və süre etkisinin monoton azalmasını göstərmişdir. Bu eğrilər tədqiqatçıların korroziya kimyasıyla ilişkiləndirdiği model davranışlarıdır. Eğrilərin bilinen mekanizmalarla uyumlu görünmesi, mekanizmaların birbaşa təcrübəsel olaraq doğrulandığı anlamına gelmemektedir.

Etkiləşim analizi, modelin büyük ölçüde toplamsal olduğunu ancaq xüsusilikle yüksək SO₂’nin yüksək su və ya temperaturla birleştiği bölgelerde tek dəyişənli açıqlamanın yetersiz kaldığını göstərmişdir. Bu durum, təhlükəsizlik qiymətləndirməsinde tek bir safsızlığın btorımsız sınırına bakmanın her koşulu temsil etmeyebiləceğine işaret eden tədqiqat bulgusudur; tədqiqat birbaşa müəssisə sınırı təklifmektedir.

Mənbə və metod qeydi

Tədqiqatnın tam özgün adı: Mechanistic Insights into Supercritical CO2 Corrosion via Interpretable Kolmogorov-Arnold Networks

Müəlliflər və sıralama: Shuonan Chen; Mitsuo Kimura; Tomoya Kawabata.

Ad yazımı notu: Başlık sayfasında ilk müəllif “Chen Shuonan” biçiminde, CRediT bölümünde və SSRN kaydında “Shuonan Chen” biçiminde yer almaktadır. Her iki yazım aynı tədqiqatcıyı göstərir; fark mənbəta açıq bırakılan ad-soyad diziliminden mənbəlanmaktadır.

Eş birinci müəllif: Eş katkı və ya eş birinci müəlliflık bilgisi belirtilmemiştir.

Sorumlu müəllif: Shuonan Chen. Başlık sayfasında yıldız işaretiyle qeyd edilmişdir və SSRN kaydında rabitə müəllifı olaraq yer almaktadır. E-posta adresi yüklenen metinde açıq biçimde vərilməmişdir.

Kurum: Graduate School of Engineering, The Univərsity of Tokyo, 7-3-1 Hongo, Bunkyo, Tokyo 113-8656, Japan.

DOI:10.2139/ssrn.7201321

Yayın platformu: SSRN.

Resmî mənbə btorlantısı:https://ssrn.com/abstract=7201321

Yayın tarihi: 29 Temmuz 2026.

Yayın yılı: 2026.

Kaynak türü: Literatürden derlenmiş təcrübəsel vəriləre dayanan maşın öyrənməsi, reqressiya, təsnifat və yorumlanabilirlik analizi içeren preprint tədqiqat makalesi.

Hakemlik durumu: Bu tədqiqat rəyçi qiymətləndirməsindən keçməmiş bir preprinttir; nəticələri bu məhdudiyyət dikkate alınarak okunmalıdır.

Dergi: Hakemli dergi bilgisi yoxdur.

Özgün yayınevi: Hakemli dergi yayınevi yoxdur. Tədqiqat SSRN preprint platformunda sunulmuştur.

Sürüm notu: Aynı başlıkla 10.2139/ssrn.6848446 numaralı ayrı bir SSRN kaydı da bulunmaktadır. Bu türk dili makale, yüklenen və 10.2139/ssrn.7201321 DOI numarasını taşıyan güncel 24 sayfalık sürüme dayanmaktadır. İki DOI birbirinin yerine kullanılmamalıdır.

Hakemli sürüm durumu: 5 Ağustos 2026 tarihli bibliyoqraf kontrolde bu sürüme karşılık gelen hakemli bir dergi yayını doğrulanamamıştır.

Yazar katkıları: Shuonan Chen; üsul, vəri düzenleme, tədqiqat, biçimsel analiz, doğrulama və ilk tasltorın yazımını üstlenmiştir. Mitsuo Kimura yoxlama və düzenlemeye, Tomoya Kawabata isə danışmanlık və gxülasəim görevine katkıda bulunmuştur.

Kod erişimi: Tədqiqatyı destekleyen kodun sorumlu müəllifdan makul talep üzerine ediniləbiləceği qeyd edilmişdir. Herkese açıq bir kod deposu btorlantısı vərilməmişdir.

Finansman: Tədqiqat, Tokyo Ünivərsitesi Mühendislik Enstitüsündeki Material Research Base for Future Energy Infrastructure Trust sosyal əməkdaşlıq programı və China Scholarship Council 202506050060 numaralı destek kapsamında desteklenmiştir.

Çıkar çatışması: Yüklenen sürümde ayrı və açıq bir maraqlar toqquşması beyanı aşkarlama edilmemiştir.

Bu türk dili makale yüklenen preprintin başlık, üsul, denklemler, cədvəllar, şəkiller, bulgular, yorumlar və məhdudiyyətlar bölümleri incelenerek hazırlanmışdır. Bilimsel açıqlamalar yalnızca yüklenen tədqiqatya dayanmaktadır. Haricî kontrol yalnızca DOI, SSRN kaydı, tarih və yayın durumu gibi bibliyoqraf kimlik bilgiləri üçün istifadə edilmişdir.

Tədqiqatnın əsas üsulsel məhdudiyyətləri; fərqli yayınlardan gelen heterojen vəri, eksik raporlanan axın sürətı və pH gibi dəyişənler, seyrek örneklenen xüsusilik bölgeleri, qraflerden çıkarılan bazı dəyərlər, statik vəri dəstindeki aştorı və dəyişən başarı, btorımsız yeni təcrübə doğrulamasının bulunmaması və marjinal ilişkilərin niyəsel kanıt oluşturmamasıdır.

Kaynakta ayrıca nəticə bölümünde tamamlanmamış “[FILL: 88]%” və “[FILL: 12]%” yer tutucuları, təsnifat modelinde SVR/SVC adlandırma tutarsızlığı, Shannon entropiyasi ifadesinde açıqlanmayan işaret konvansionu və seçilən bazı nihai hiperparametrelerin eksik raporlanması bulunmaktadır. Bu editoryal və üsulsel sorunlar tədqiqatın nəticələri sessizce düzeltilmeden açıqça qeyd edilmişdir.

Tədqiqat KAN’ın incelenen dinamik vəri dəstinde korroziya sürətını və çukurcuk oluşumunu rekabetçi dəqiqlikla tahmin edebildiğini və modelin öğrendiği fonksionların fiziki eğilimler açısından okunabildiğini dəstəkləyir. Tədqiqat bir boru hattı təhlükəsizlik sertifikası, material seçimi standardı, kalan ömür hesabı, sahə başarısı və ya sənaye müəssisə garantisi təqdim etmir.