Bu tədqiqat, büyük dil modellerinin yalnızca rəqəmsal adaylar üreten birer optimallaşdırma aracı değil, sonlu element analizlerinden gelen yapılandırılmış mühəndislik bilgilerini yorumlayan rəqəmsal dizaynerlar olarak kullanılıp kullanılamayacağını araştırmıştır. İncelenen problem, 90 sərnişinli bölgesel bir uçağın karbon/epoksi kompozit qanad qutusunun; kütle, ilk təbəqə zədəsi, Hoffman qırılma indeksi, stringer gerilmeleri ve bükülmə sınırları birlikte gözetilerek hafifletilmesidir.

Tədqiqatcı, her Nastran analizinin yalnızca məqsəd funksiyası ve məhdudiyyət değerlerini değil; hangi yapısal bölgelerin kritik olduğunu, hangi tasarım değişkenlerinin bu bölgeleri kontrol ettiğini, bir değişkenin kütle üzerindeki etkisini, ən aşağı bükülmə modlarının yerini ve inceltilebilecek gevşek bölgeleri açıklayan bir Semantik Dizayn Hesabatı geliştirmiştir. Claude Sonnet ve Claude Opus modelleri bu raporu okuyarak bir sonraki qanad qutusu tasarımını önermiştir. Ardışık metodde her iterasyonda tek, popülasyon metodinde ise on aday qiymətləndirilmişdir.

En iyi LLM sonucu, Claude Opus istifadə olunan ardışık metodde 201 sonlu element qiymətləndirməsiyle referans qanad qutusu kütlesini yüzde 28,42 azaltmıştır. Genetik algoritma 36.000 qiymətləndirməyle yüzde 31,23 azalma sağlamıştır. Böylece LLM, genetik alqoritmnın normalize edilmiş kütle sonucuna 2,81 yüzde puanı yaklaşırken 179 kat daha az sonlu element qiymətləndirməsi kullanmıştır. Ancak bu oran gerçek tədqiqat süresinde, enerji tüketiminde veya parasal maliyette 179 kat kazanç anlamına gelmemektedir; yalnızca sonlu element çözümü sayısını karşılaştırmaktadır.

Tədqiqat tek bir bölgesel uçak geometrisi, sabit bir kompozit katman dizilimi ve tek bir simetrik müsbət-g manevrası üzerinde yürütülmüştür. Negatif-g, külək zərbəsi, yuvarlanma, yerdeki yükler, flutter, üretim kusurları ve bütün uçak düzeyindeki yakıt-yapı geri beslemesi optimallaşdırma döngüsüne dahil edilmemiştir. Tədqiqat ayrıca hakem qiymətləndirməsindən keçməmiş bir preprinttir.

Tədqiqatın əsas sorusu nedir?

Klasik yapısal optimallaşdırma algoritmaları, bir tasarımın sonlu element analizinden çoğunlukla tek bir amaç değeri ve birkaç məhdudiyyət değeri alır. Örneğin algoritma qanad qutusunun kütlesini, ən yüksək hasar oranını ve ən aşağı bükülmə katsayısını görebilir; fakat hasarın hangi panelde ortaya çıktığını, hangi dizayn dəyişəninin o paneli kontrol ettiğini veya hangi gevşek bölgeden güvenli biçimde malzeme çıkarılabileceğini doğrudan anlayamaz.

Tədqiqatnın əsas sorusu şudur: Bir böyük dil modeli, her çözümden sonra yapısal mühendislerin kullandığı dile dönüştürülmüş ayrıntılı bir qiymətləndirmə alırsa, klasik kara kutu optimallaşdırmaundan çok daha az analizle uygulanabilir bir qanad qutusu tasarımına ulaşabilir mi?

Tədqiqatcı bu soruyu üç alt problem üzerinden incelemiştir:

• Sonlu eleman nəticələrı, böyük dil modelinin anlayabileceği fakat mühəndislik ayrıntılarını kaybetmeyecek bir rapora nasıl dönüştürülebilir?
• Büyük dil modeli, bir dizayn dəyişəni ile gerilme, təbəqə hasarı, bükülmə ve kütle arasındaki ilişkileri kullanarak yeni adaylar önerebilir mi?
• Bu yaklaşım, aynı qanad qutusunu optimallaşdır eden 36.000 qiymətləndirməlik genetik alqoritmya göre ne kadar az sonlu element çözümü kullanır?

Neden yalnızca məqsəd funksiyasınu vermek yeterli değildir?

Bir genetik alqoritm için “normalize edilmiş kütle 0,75 ve en kötü məhdudiyyət 0,98” bilgisi adayların sıralanması için yeterli olabilir. Büyük dil modeli için ise bu iki sayı, tasarımın hangi nedenle başarılı veya başarısız olduğunu açıklamaz. Model yalnızca sayıları değiştirerek ilerlerse fiziki sistemi anlayan bir tasarımcıdan çok, doğal dille çalışan bir mutasyon operatörüne dönüşür.

Tədqiqatda geliştirilen yaklaşım, rəqəmsal sonucu yapısal nedenlerle eşleştirmektedir. Örneğin rapor, aşağı bükülmə katsayısının dış kanat derisindeki belirli bir panelden mənbəlandığını, bu panelin kalınlığını hangi değişkenin yönettiğini ve ilgili değişkende bir kademe artışın normalize edilmiş kütleyi ne kadar yükselteceğini belirtmektedir. Model böylece “genel olarak kalınlaştır” yerine “bükülmə modunun yoğunlaştığı orta açıklık bölgesini bir kademe güçlendir, gevşek uç bölgesinden malzeme çıkar” biçiminde bir karar verebilmektedir.

Semantik Dizayn Hesabatı nedir?

Semantik Dizayn Hesabatı, her statik aeroelastik ve bükülmə analizinden sonra otomatik üretilen yapılandırılmış bir mühəndislik brifingidir. Ana metod bölümünde rapor altı blokla tanımlanmıştır:

Tədqiqatnın katkılar bölümünde ve nəticələrında raporun ayrıca bölge bazlı anlatılar sunduğu belirtilmektedir. Ek B’deki açıklamaya göre daha uzun insan okunur arşiv; tam bölge cədvəlsunu, bileşen düzeyindeki nəticələrı ve bölge anlatılarını içerebilmektedir. Prompt içinde istifadə olunan daha kısa sürüm ise kritik bilgileri bağlam penceresini aşmadan sunacak şəkilde sınırlandırılmıştır.

Sonlu eleman modeli nasıl otomatik oluşturulmuştur?

Furor adlı kurum içi çerçeve, 19 değişkenli bir dizayn vektorunü insan müdahalesi olmadan çalıştırılabilir bir Nastran modeline dönüştürmektedir. İş akışı dört ana aşamadan oluşmaktadır:

1. CAD geometrisi: OpenCASCADE kullanılarak qanad qutusu dış yüzeyi, ön ve arka kirişler, qabırğalar, kiriş başlıkları ve stringerlər oluşturulmuştur.
2. Genelleştirilmiş koordinatlarda topolojik kesimler: İç yapılar, açıklık yönünde η ve kord yönünde ξ koordinatlarıyla konumlandırılmıştır.
3. GMSH ile ağ oluşturma: Deri ve kiriş gövdelerinde düzenli dörtgen elemanlar, qabırğa ve geçiş bölgelerinde dörtgen ağırlıklı düzensiz elemanlar istifadə edilmişdir.
4. Nastran girdi dosyası: Kompozit kabuklar PCOMP, stringerlər CBAR, yoğunlaştırılmış kütleler CONM2 ve yük dağıtıcı bağlantılar RBE3 kartlarına dönüştürülmüştür.

Şekil 1, iki kanat bölmesindeki qabırğa, lonjeron başlığı ve stringer çizgilerini η–ξ koordinatlarında göstərir. Şekil 2, sonlu element ağı içindeki altı yapısal kategoriyi; Şekil 3 ise aynı yapının üzerine eklenen aeroelastik panel ağını ve yoğunlaştırılmış kütleleri göstərir. Bu kalıcı bölge etiketleri sayesinde tasarım değişse bile nəticələr “kök lonjeron gövdəsi”, “orta açıklık derisi” veya “uç kirişçiği” gibi aynı mühəndislik bölgelerine bağlanabilmiştir.

Aeroelastik analiz zinciri nasıl çalışmıştır?

Her aday için üç əsas hesablama bloğu çalıştırılmıştır:

Aerodinamik yükler her yeni yapısal aday için deforme olmuş kanat üzerinde yeniden hesablanmışdır. Buna karşılık motor, yakıt, gövde, kuyruk, faydalı yük, iniş takımı ve sistem kütleleri optimallaşdırma öncesinde gerçekleştirilen tek bir çok disiplinli analizden alınmış ve sabit tutulmuştur.

Karşılaştırmada istifadə olunan yoğunlaştırılmış gövde modeli, gövdeyi ayrıntılı sonlu element kabukları yerine kütle merkezinde bulunan tek bir rijit nokta kütleyle temsil etmiştir. Kanat, yatay kuyruk ve dikey kuyruk aeroelastik modelde bulunmakla birlikte yalnızca qanad qutusunun iç yapısı optimallaşdırma değişkenlerinden etkilenmiştir.

İncelenen uçak ve qanad qutusunun özellikleri nelerdir?

Kanat kutusu iki kirişli ve iki açıklık bölmeli bir yapıdır. Kırılma noktası motor pilonu bağlantısında bulunmaktadır. Deri, kiriş gövdeleri, qabırğa gövdeleri ve kiriş başlıkları kompozit qabıqlarla; stringerlər ise çubuk elemanlarla modellenmiştir.

Kompozit katman yapısı nasıldır?

Deri, kiriş gövdeleri ve qabırğa gövdelerinde sabit yarı izotropik katman dizilimi istifadə edilmişdir:

\[ [0^\circ/+45^\circ/-45^\circ/90^\circ]_s \]

Alt indis s, katman diziliminin orta düzleme göre simetrik olduğunu göstərir. Nastran modelinde dört yönelim bloğu tanımlanmış ve simetri seçeneğiyle sekiz bloklu tam laminata genişletilmiştir. Her prepreg təbəqənın nominal kalınlığı 0,05 mm’dir.

Kiriş başlıkları ile stringerlər açıklık yönünde hizalanmış tek yönlü karbon laminatlar olarak ele alınmıştır. Tədqiqat, katman açılarını optimallaşdırma değişkeni yapmamış; böylece karşılaştırmanın böyük dil modeli ile genetik alqoritmnın arama davranışına odaklanmasını amaçlamıştır.

Dayanım değerlerine yüzde 50 hasar toleransı ve yorulma azaltma katsayısı uygulanmıştır. Deri ve kiriş gövdelerinde her yönelim bloğu için en az 0,20 mm kalınlık zorunlu tutulmuştur. Simetrik sekiz bloklu yapı düşünüldüğünde bu sınır, toplam 1,6 mm üretim tabanına karşılık gelmektedir.

Hangi tasarım değişkenleri istifadə edilmişdir?

Optimizasyon vektörü 19 yüksək seviyeli değişkenden oluşmaktadır:

\[ \mathbf{x}=(\mathbf{x}^{skin},\mathbf{x}^{spar},\mathbf{x}^{cap-w},\mathbf{x}^{cap-t},\mathbf{x}^{str},\mathbf{x}^{top}) \]

İlk beş grup kök, kanat kırılması ve uç kontrol istasyonlarında üçer değer içererek 15 boyutlandırma değişkeni oluşturur. Son grup iki bölmedeki qabırğa sayısı ve qabırğa dağılımını tanımlayan dört topoloji değişkenini içerir.

İç ve dış bölmedeki stringer sayıları sırasıyla dokuz ve dört olarak sabitlenmiştir. Katman yönelimleri de sabittir. Dolayısıyla tədqiqat, olası bütün kompozit qanad qutusu değişkenlerini değil, sınırlı fakat mühəndislik açısından anlamlı 19 değişkenli bir alt problemi çözmüştür.

Kaburgaların konumu nasıl belirlenmiştir?

Her kanat bölmesindeki qabırğa konumları, düzgün dağılım ile köke yığılmış kosinüs dağılımının birleşimiyle hesablanmışdır:

\[ \eta_k=(1-c_b)\frac{k}{N_b-1}+c_b\left[1-\cos\left(\frac{\pi k}{2(N_b-1)}\right)\right] \]

Burada η_k, ilgili bölme içindeki boyutsuz qabırğa konumunu; N_b qabırğa sayısını; k qabırğa indeksini; c_b ise 0 ile 1 arasındaki kosinüs dağılım ağırlığını göstərir.

• c_b = 0 olduğunda qabırğalar eşit aralıklarla yerleşir.
• c_b = 1 olduğunda qabırğalar daha yüksək eğilme ve kəsmə yüklerinin bulunduğu bölme köküne doğru kümelenir.

Kök, kırılma ve uç istasyonlarındaki boyutlandırma değerleri açıklık boyunca doğrusal olarak enterpole edilmiş; her panel bölgesine orta noktasındaki değer atanmıştır. Kompozit kalınlıklar daha sonra 0,05 mm’lik üretilebilir təbəqə adımlarına yuvarlanmıştır. Şekil 6, sürekli kontrol noktası eğrisinin sonlu element modelinde basamaklı bir katman dağılımına nasıl dönüştüğünü göstərir.

Optimizasyon amacı nasıl tanımlanmıştır?

Amaç, qanad qutusu kütlesini başlangıçtaki elle boyutlandırılmış tasarımın kütlesine göre azaltmaktır:

\[ \bar{m}_{WB}(\mathbf{x})=\frac{m_{WB}(\mathbf{x})}{m_{WB}^{(0)}} \]

Burada m_WB(x) aday qanad qutusunun kg cinsinden kütlesini, m_WB⁽⁰⁾ = 2.456 kg başlangıç kütlesini ve m̄_WB boyutsuz normalize edilmiş kütleyi göstərir. Başlangıç tasarımı için m̄_WB = 1’dir.

Optimizasyon problemi tədqiqat içinde şu kompakt yapıyla verilmiştir:

\[ \min_{\mathbf{x}\in X}\bar{m}_{WB}(\mathbf{x}) \]

\[ g_i(\mathbf{x})\leq 1,\quad i=1,\ldots,n_g \]

\[ x_j^{Root}\geq x_j^{Kink}\geq x_j^{Tip},\quad j\in\{skin,\;spar\ web\} \]

Son eşitsizlik, deri ve lonjeron gövdəsi kalınlığının kökten uca doğru artmamasını sağlayan yapısal incelme kuralıdır.

Hangi hasar ve güvenlik məhdudiyyətlərı uygulanmıştır?

Çok sayıdaki eleman ve mod məhdudiyyətı, Kreisselmeier–Steinhauser işleviyle yumuşak biçimde toplulaştırılmıştır. Tədqiqat, KS işlevinin ayrıntılı matematiksel açılımını vermemekle birlikte hasar məhdudiyyətlərında ρ = 80, beş bükülmə modu için ρ = 30 yumuşatma parametrlərini kullanmıştır.

Hangi uçuş yükü uygulanmıştır?

Kanat kutusu tek bir simetrik müsbət-g çekiş manevrasında boyutlandırılmıştır:

Negatif-g, ayrık külək zərbəsi, yuvarlanmalı çekiş, yerdeki yükler ve flutter analizleri bu karşılaştırmaya dahil edilmemiştir. Bu nedenle elde edilen optimum, sertifikasyon yük zarfının tamamı için doğrulanmış bir uçak kanadı değildir.

LLMopt döngüsü nasıl çalışmıştır?

Her iterasyonda böyük dil modeli mevcut en iyi uygulanabilir tasarımı, yakın geçmişte denenmiş tasarımları ve Semantik Dizayn Hesabatınu okumuştur. Model, sabit bir JSON şemasında yeni tasarım değişkenlerini, hareket gerekçesini ve aday türünü üretmiştir.

Değişkenlerin tamamı mühəndislik birimleri yerine kendi alt ve üst sınırları arasında yüzde 0–100 konumuyla ifade edilmiştir. Kod çözücü bu yüzdeyi fiziki değere dönüştürmüş, izin verilen üretim adımına yuvarlamış ve kök ≥ kırılma ≥ uç kuralını otomatik uygulamıştır. Eksik değişkenler mevcut şampiyon tasarımdan alınmış, geçersiz değişken adları elenmiştir.

Modelin yakınsama durumu her kullanıcı mesajında verilmiştir. Şampiyon uzun süre iyileşmediğinde daha geniş keşif, art arda uygulanamaz adaylar oluştuğunda ise daha küçük toparlanma hareketleri istenmiştir. Bu uyarlama model ağırlıklarının eğitilmesiyle değil, iterasyon istemindeki mühəndislik talimatlarıyla sağlanmıştır.

Ardışık ve popülasyon metodleri arasındaki fark nedir?

Ardışık metod daha az analiz kullanmıştır; popülasyon metodi ise yüksək başarımlı hesablama kümesindeki on Nastran çalışanını aynı anda kullanarak bir iterasyonun duvar saati maliyetini en yavaş adayın süresine yaklaştırmıştır. Bu nedenle “daha az FEM qiymətləndirməsi” ile “daha kısa gerçek tədqiqat süresi” aynı kavram değildir.

Genetik algoritma karşılaştırması nasıl yapılmıştır?

Referans metod, pymoo kütüphanesindeki NSGA-II algoritmasıdır. Problem tek amaçlı olmasına rağmen NSGA-II uygulanabilirlik öncelikli məhdudiyyət işleme ve genetik operatörler sağlayan bir referans sürücü olarak istifadə edilmişdir.

Tədqiqatda genetik alqoritm için yalnızca tek rastgele tohumlu kampanya verilmiştir. Aynı şəkilde her LLM modeli ve metod birleşimi için tek kampanya raporlanmıştır. Bu nedenle algoritmaların koşular arası dağılımı, güven aralığı veya istatistiksel üstünlüğü belirlenmemiştir.

Yakınsama eğrileri ne göstərmişdir?

Şekil 8’deki logaritmik qiymətləndirmə ekseni, LLM ve genetik alqoritm arasındaki örnekleme bütçesi farkını görünür hâle getirmektedir. Dört LLM kampanyasının tamamı ilk təxminən 30 qiymətləndirməde normalize edilmiş kütleyi 1,00’dan təxminən 0,80’e düşürmüştür. İlk aşamada henüz etkin olmayan məhdudiyyətlərdaki güvenlik payları hızla istifadə edilmişdir.

Tabaka deformasiyai ve bükülmə məhdudiyyətlərı təxminən 20–50 LLM qiymətləndirməsi içinde sınır bölgesine ulaşmıştır. Bu noktadan sonra bir bölgenin inceltilmesi deformasiya veya bükülmə ihlaline yol açtığı için ilerleme yavaşlamış ve nəticələr 0,72 çevresinde plato oluşturmuştur.

Genetik algoritma aynı məhdudiyyət sınırlarına təxminən 10.000 qiymətləndirməden sonra yaklaşmıştır. Bununla birlikte daha uzun arama sonucunda LLM tasarımlarından təxminən üç yüzde puanı daha aşağı kütleye ulaşmıştır.

En iyi kütle nəticələrı nelerdir?

En iyi LLM sonucu ile genetik alqoritm arasındaki təxminən kütle farkı 69 kg’dır. Tədqiqatnın kullandığı normalize ölçekte fark 0,0281, yani 2,81 yüzde puanıdır.

Değerlendirme sayısı oranı şöyledir:

\[ \frac{36\,000}{201}\approx179{,}1 \]

Bu nedenle tədqiqat “179 kat daha az FEM qiymətləndirməsi” sonucunu vermektedir. İfade, genetik alqoritmnın 36.000 analizi ile en iyi LLM koşusunun referans dahil 201 analizini karşılaştırmaktadır.

Yapısal məhdudiyyətlər optimumlarda ne kadar istifadə edilmişdir?

Bütün optimumlarda lif istiqaməti təbəqə deformasiyai, 2.000 µε sınırının yüzde 97,6–98,6’sına ulaşmıştır. En aşağı bükülmə katsayıları 1,562–1,607 aralığında olup 1,5 sınırına yakındır. Bu iki ölçüt tasarımın etkin məhdudiyyətlərını oluşturmuştur.

Hoffman indeksi 0,707–0,728 aralığında kalmış ve 1,0 sınırının təxminən yüzde 27–29 altında güvenlik payı taşımıştır. Kirişçik çekme ve basma məhdudiyyətlərı da sınır olmamıştır. Dolayısıyla bütün metodler benzer bir yapısal sınır çizgisine ulaşmış, fakat malzemeyi kanat boyunca farklı biçimde dağıtmıştır.

LLM ve genetik alqoritm nasıl farklı tasarımlar üretmiştir?

Şekil 10, genetik alqoritm ile LLM tasarımlarının aynı məhdudiyyət sınırına farklı yapısal stratejilerle ulaştığını göstərir.

• Genetik algoritma deri ve lonjeron gövdəsi kalınlıklarını açıklık boyunca daha dengeli dağıtmıştır.
• LLM tasarımları malzemeyi motor pilonu çevresindeki kanat kırılma istasyonunda yoğunlaştırmıştır.
• Dört LLM tasarımında iç bölme qabırğa sayısı sekizden dörde düşürülmüştür; genetik alqoritm beş qabırğa kullanmıştır.
• Dış bölme qabırğa sayısı LLM tasarımlarında 10–15, genetik alqoritmda 12 olmuştur.
• LLM tasarımlarında kırılma istasyonundaki deri, lonjeron gövdəsi, lonjeron başlığı ve stringer değişkenlerinden bazıları üst sınıra yaklaşmıştır.
• Genetik algoritma kök derisini referansın təxminən yüzde 41’ine indirirken LLM tasarımları yüzde 62–72 aralığında bırakmıştır.

Bu farklılık, LLM’nin rapordaki bölgesel anlatıları kullanarak “kritik orta açıklığı güçlendir, başka bölgeleri incelt” biçiminde daha bölgesel bir tasarım mantığı geliştirdiğini göstərir. Ancak bu stratejinin başka kanat geometrilerinde aynı sonucu vereceği kanıtlanmamıştır.

Şekil 11’deki deformasiya dağılımı ne anlatmaktadır?

Şekil 11, başlangıç tasarımı, genetik alqoritm ve dört LLM tasarımını kökten kanat kırılmasına kadar beş kat büyütülmüş deformasyonla göstərir. Bütün tasarımlarda ən yüksək lif istiqaməti deformasiyai aynı genel bölgede, kanat kökündeki açıklık yönlü lonjeron gövdəsinde ortaya çıkmıştır.

Bu ortak kritik bölge, farklı optimallaşdırma metodlerinin fiziki yük yolunu değiştirmediğini göstərir. Metodler malzeme dağılımını farklı seçmiş olsa da müsbət-g manevrasındaki əsas eğilme ve kəsmə yükü kanat kökünü belirleyici bırakmıştır.

Şekil üzerindeki başlangıç değeri 1.895 µε, Tablo 6’daki başlangıç değeri 1.896 µε’dir. Bir mikrodeformasiyalik fark nəticələrın yorumunu değiştirmemektedir; ancak mənbə metinde yuvarlama açıklaması verilmemiştir.

LLM kullanımının hesablama maliyeti nedir?

İterasyon sayısından fazla çağrı yapılmasının nedeni, daha önce değerlendirilmiş bir tasarımın yeniden önerilmesi hâlinde modelin tekrar çağrılmasıdır. Ardışık Sonnet koşusunda 32, Opus koşusunda altı yinelenen aday yeniden üretilmiştir. Geçersiz JSON veya biçim xətası görülmemiştir.

Tədqiqat token miktarlarını raporlamakla birlikte API ücretini, enerji tüketimini veya LLM çağrılarının karbon etkisini hesablamamıştır. Nastran lisansı, HPC kuyruğu ve LLM hizmetinin parasal maliyetleri ortak bir ölçekte karşılaştırılmamıştır.

Tədqiqatnın desteklediği nəticələr nelerdir?

• Sonlu eleman çıktısının tasarım değişkenleri ve fiziki bölgelerle eşleştirilmesi, böyük dil modelinin az sayıda analizle uygulanabilir tasarımlar önermesini sağlamıştır.
• En iyi LLM koşusu, 201 qiymətləndirməde başlangıç qanad qutusu kütlesini yüzde 28,42 azaltmıştır.
• Genetik algoritmanın yüzde 31,23’lük sonucuna 2,81 yüzde puanı yaklaşılmıştır.
• Sonlu eleman qiymətləndirməsi sayısı 36.000’den 201’e düşmüş ve 179 katlık örnekleme farkı oluşmuştur.
• Ardışık LLM metodi, bu problemde popülasyon metodinden daha az qiymətləndirməyle biraz daha aşağı kütle üretmiştir.
• Claude Opus ile Claude Sonnet arasındaki nəticə farkı, ardışık-popülasyon metodi arasındaki farktan daha küçük kalmıştır.
• LLM ve genetik alqoritm aynı deformasiya ve bükülmə sınırlarına farklı malzeme dağılımlarıyla ulaşmıştır.
• Yapılandırılmış mühəndislik geri bildirimi, yalnızca skaler amaç değerinden daha zengin bir optimallaşdırma arayüzü oluşturmuştur.

Tədqiqatnın kanıtlamadığı nəticələr nelerdir?

• Tədqiqat, büyük dil modellerinin bütün yapısal optimallaşdırma problemlerinde genetik alqoritmlardan 179 kat daha verimli olduğunu sübut etmir.
• 179 kat değeri duvar saati, elektrik tüketimi, maliyet veya toplam CPU süresi için değil, yalnızca FEM qiymətləndirmə sayısı içindir.
• LLM sonucunun gerçek bir kompozit kanatta üretilebilir veya uçuşa elverişli olduğu eksperimental olarak doğrulanmamıştır.
• Büyük dil modelinin bir yapısal mühendisin yerini alabileceği gösterilmemiştir.
• Tek koşu nəticələrı, metodler arasında istatistiksel üstünlük kanıtı değildir.
• NSGA-II’nin bütün genetik, evrimsel veya vekil tabanlı optimallaşdırma metodlerini temsil ettiği gösterilmemiştir.
• Negatif-g, külək zərbəsi, flutter ve sertifikasyon yüklerinin tamamı altında güvenli tasarım elde edildiği gösterilmemiştir.
• Katman açıları, dizilim sırası ve stringer sayısı optimallaşdır edilmediği için bütün kompozit tasarım uzayı araştırılmamıştır.
• LLM’nin kendi başına fizik yasalarını çözdüğü veya Nastran analizinin yerini aldığı gösterilmemiştir; fiziki qiymətləndirmə hâlâ sonlu element çözücüsü tarafından yapılmıştır.

Türkiyə açısından ne ifade etmektedir?

Tədqiqatnın Türkiyə açısından en mühüm mesajı, yapay zekânın mühəndislikte yalnızca metin üretimi veya kod yardımcısı olarak değil, mevcut CAE altyapısının üstünde çalışan bir karar katmanı olarak kullanılabileceğidir. Sonlu eleman çözücüsü fiziki qiymətləndirməyi yaparken böyük dil modeli; kritik bölgeleri, güvenlik paylarını ve tasarım değişkenlerinin etkilerini yorumlayarak bir sonraki analizin nerede yapılacağına karar verebilmektedir.

Bu yaklaşım Türkiyə’de kompozit hava aracı yapıları, insansız hava araçları, uydu ve fırlatma sistemleri, otomotiv hafifletme, rüzgâr türbini kanatları ve benzeri yüksək maliyetli analiz problemlerinde araştırılabilir. Özellikle bir sonlu element çözümünün saatler sürdüğü veya çok sayıda yazılım lisansı gerektirdiği problemlerde analiz sayısının azaltılması mühüm olabilir.

Yerel uygulama için tasarım kurallarının Türk mühəndislik kuruluşlarının üretim sınırlarıyla uyumlandırılması, kurum içi geçmiş tasarımların güvenli biçimde erişilebildiği bir bilgi getirme sistemi kurulması, nəticələrın birden fazla yük halı ve fiziki testle doğrulanması ve böyük dil modelinin önerilerinin uzman onayından geçirilmesi gerekir.

Tədqiqatın Metodu və Nəticələri

Tədqiqat tasarımının teknik özeti

Karşılaştırılan beş optimallaşdırma stratejisi

Ana nicel nəticələr

1. Genetik algoritma normalize kütleyi 1,0000’dan 0,6877’ye düşürmüştür.
2. En iyi LLM sonucu Claude Opus ardışık metodde 0,7158 olmuştur.
3. En iyi LLM ile genetik alqoritm arasındaki normalize kütle farkı 0,0281’dir.
4. LLM, referans kütleden təxminən 698 kg; genetik alqoritm təxminən 767 kg tasarruf sağlamıştır.
5. LLM ile genetik alqoritm arasındaki təxminən boyutlu kütle farkı 69 kg’dır.
6. LLM’nin 201 qiymətləndirməsi ile genetik alqoritmnın 36.000 qiymətləndirməsi arasında 179,1 kat fark vardır.
7. Dört LLM sonucu 0,7158–0,7260 aralığında, bir yüzde puanından daha dar bir bantta toplanmıştır.
8. Ardışık iki metod, aynı modellerin popülasyon metodlerinden daha aşağı kütle üretmiştir.
9. Aktif təbəqə deformasiyai bütün optimumlarda 1.951–1.972 µε aralığında kalmıştır.
10. En aşağı bükülmə yük katsayısı 1,562–1,607 aralığında ve 1,5 sınırının üzerinde kalmıştır.

Grafik ve şəkillerin teknik mesajı

• Şekil 1: Kaburga, lonjeron başlığı ve stringerlərin genelleştirilmiş η–ξ koordinatlarındaki parametrik yerleşimini göstərir.
• Şekil 2: Kanat kökü yakınındaki deri, lonjeron başlığı, lonjeron gövdəsi, qabırğa ve stringer sonlu element kategorilerini göstərir.
• Şekil 3: Yapısal ağın üzerine eklenen yoğunlaştırılmış kütleleri ve çift kafesli aerodinamik panel ağını göstərir.
• Şekil 4: Ayrıntılı gövde ile yoğunlaştırılmış gövde modelini karşılaştırmakta ve bu tədqiqatda yoğunlaştırılmış modelin kullanıldığını göstərir.
• Şekil 5: Furor model üretimi, SOL 144, SOL 105 ve amaç-məhdudiyyət toplulaştırmasının veri akışını göstərir.
• Şekil 6: Kök, kırılma ve uç kontrol değerlerinin üretilebilir basamaklı katman kalınlığına dönüştürülmesini göstərir.
• Şekil 7: LLM sağlayıcısı, istem oluşturucu, kod çözücü, Furor, karar verici ve geçmiş arşivinden oluşan kapalı döngüyü göstərir.
• Şekil 8: LLM metodlerinin 201–1.001 qiymətləndirməde təxminən 0,72’ye ulaşırken genetik alqoritmnın 36.000 qiymətləndirməde 0,688’e indiğini göstərir.
• Şekil 9: Tabaka deformasiyai ve bükülmənın etkin məhdudiyyətlər, Hoffman ile stringer gerilmelerinin ikincil məhdudiyyətlər olduğunu göstərir.
• Şekil 10: LLM’nin malzemeyi kanat kırılmasında yoğunlaştıran, genetik alqoritmnın ise daha dağıtılmış boyutlandırma kullanan tasarım felsefelerini karşılaştırmaktadır.
• Şekil 11: Altı tasarımın deformasyon ve lif istiqaməti deformasiya dağılımını aynı renk ölçeğinde göstərir.

Metodsel güçlü yönler

• LLM ve genetik alqoritm aynı tasarım uzayını, aynı Nastran modelini ve aynı məhdudiyyətlərı kullanmıştır.
• Sonlu eleman modeli her aday için baştan ve otomatik olarak yeniden oluşturulmuştur.
• Topolojik bölge etiketleri tasarımlar arasında korunmuştur.
• LLM çıktıları sabit JSON şemasıyla sınırlandırılmıştır.
• Geçersiz veya monotonluk kuralını bozan tasarımlar en yakın izin verilen noktaya izdüşürülmüştür.
• FEM qiymətləndirmə sayısı, LLM çağrıları ve token tüketimi ayrı ayrı raporlanmıştır.
• Son tasarımlar yalnızca kütleyle değil, deformasiya, hasar, bükülmə ve yer değiştirmeyle karşılaştırılmıştır.
• Genetik algoritmanın yazılım sürümü, operatörleri, popülasyonu ve rastgele tohumu açıklanmıştır.

Metodsel məhdudiyyətlər

• Her optimallaşdırma yapılandırması yalnızca bir kez çalıştırılmıştır.
• Genetik algoritma tek rastgele tohumla qiymətləndirilmişdir.
• Claude modellerinde sıcaklık parametrsi kontrol edilememiş ve sağlayıcının varsayılan örneklemesi istifadə edilmişdir.
• Kullanılan LLM’ler kapalı ve barındırılan modellerdir; model ağırlıkları ve hizmet davranışı zaman içinde değişebilir.
• Kod çözücü bazı xətalı önerileri otomatik onardığı için ham LLM başarısı ile bütün sistem başarısı tam olarak ayrıştırılmamıştır.
• LLM yalnızca zengin semantik raporla test edilmiştir; aynı modellerin yalnızca skaler amaç ve məhdudiyyətlərla çalıştığı doğrudan bir ablasyon koşusu bulunmamaktadır.
• NSGA-II dışında CMA-ES, diferansiyel evrim, Bayesçi optimallaşdırma veya vekil destekli metodlerle doğrudan karşılaştırma yapılmamıştır.
• FEM modeli fiziki bir kanat veya alt bileşen testiyle bu tədqiqat içinde doğrulanmamıştır.
• Yalnızca bir uçak geometrisi ve tek yük halı istifadə edilmişdir.
• Katman açıları, katman sırası ve stringer sayısı sabittir.
• Mutlak duvar saati, elektrik tüketimi ve parasal maliyet karşılaştırması verilmemiştir.
• Herkese açık bir Furor veya LLMopt kod deposu belirtilmemiştir.

Metinde belirlenen dokümantasyon farklılıkları

• Referans tasarımın tepe deformasiyai Şekil 11’de 1.895 µε, Tablo 6’da 1.896 µε olarak verilmiştir.
• Semantik Dizayn Hesabatı metod bölümünde altı blokla tanımlanırken nəticə bölümünde dört çekirdek blokla özetlenmiştir.
• Sonuç bölümündeki dört blok arasında bölge anlatısı sayılırken ana altı blok listesinde gevşek bölgeler, başlık ve toplulaştırılmış məhdudiyyətlər ayrı bölümler olarak yer almaktadır.
• İyileşen tasarımlarda küçük iyileştirme hareketlerinin tercih edildiği yazılmasına rağmen yeni bir şampiyon için başlangıç önerisi yüzde 70 keşif ve yüzde 30 iyileştirme biçimindedir; politika metni bu oranı esnek bir başlangıç noktası olarak sunmaktadır.

Mənbə və Metod Qeydi

Tədqiqatnın tam özgün adı: Large language models as efficient designers of composite wing-box structures via semantic feedback

Yazar: Luca Pustina.

Yazar sıralaması: Tədqiqat tek yazarlıdır.

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

Sorumlu yazar: Luca Pustina.

Sorumlu yazar e-posta adresi: luca.pustina@uniroma1.it

Kurum: Department of Mechanical and Aerospace Engineering, Sapienza University of Rome, Via Eudossiana 18, 00184 Rome, Italy.

DOI:10.2139/ssrn.6952641

Yayın platformu: SSRN.

Resmî SSRN kayıt tarihi: 16 Haziran 2026.

Yayın yılı: 2026.

Dergi: Hakemli bir dergi veya nihai dergi yayını doğrulanmamıştır.

Özgün yayınevi: Nihai bir dergi yayınevi bulunmamaktadır. Tədqiqat, Elsevier bünyesindeki SSRN preprint platformunda paylaşılmıştır.

Kaynak türü: Sonlu eleman analizleri, yapısal optimallaşdırma ve böyük dil modeli kontrollü hesablamalı deneyler içeren preprint tədqiqat makalesi.

Hakemlik durumu: Tədqiqat hakem qiymətləndirməsindən keçməmiştir. İlk ve sonraki sayfalarda “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

Resmî mənbə bağlantısı:https://ssrn.com/abstract=6952641

Finansman ve proje bağlamı: Tədqiqat, İtaliya’nın PNRR CN4 MOST Sürdürülebilir Hareketlilik tədqiqat programı, Spoke 1 “Air Mobility”, proje CN_00000023 ve Work Package 5 kapsamında yürütülen tədqiqat faaliyeti olarak bildirilmişdir.

Çıkar çatışması: Yazar, tədqiqatyı etkileyebilecek bilinen mali çıkar veya kişisel ilişki bulunmadığını beyan etmiştir.

Üretken yapay zekâ beyanı: Yazar, tədqiqat metninin okunabilirliğini ve kısalığını iyileştirmek amacıyla Claude kullandığını; içeriği daha sonra gözden geçirip düzenlediğini ve sorumluluğu üstlendiğini bildirmiştir. Bu kullanım, makalede test edilen LLM optimallaşdırma kampanyalarından ayrı olarak metin hazırlama sürecine ilişkindir.

Kod ve veri erişimi: Furor ve LLMopt kurum içi çerçeveler olarak tanımlanmıştır. Tədqiqatda kamuya açık kod deposu veya bütün kampanya verilərini içeren açık veri bağlantısı belirtilmemiştir. Örnek Semantik Dizayn Hesabatı ve istem bölümleri eklerde sunulmuştur.

Bu Türkçe bilimsel açıklama, yüklenen tədqiqatnın metni, tənlikləri, cədvəlları, sonlu element görselleri, optimallaşdırma qrafikleri ve ekleri incelenerek hazırlanmıştır. Bilimsel içerik yalnızca tədqiqatda raporlanan metod ve nəticələra dayanmaktadır. Dış mənbəlar yalnızca başlık, yazar kimliği, kurumsal bağlantı, DOI, SSRN kaydı, platform niteliği ve yayın durumunun bibliyoqrafik doğrulanması için istifadə edilmişdir.

Tədqiqatnın əsas məhdudiyyətləri; hakem qiymətləndirməsinden geçmemesi, fiziki deney içermemesi, tek bir qanad qutusu ve tek yük halı kullanması, her optimallaşdırma metodi için bağımsız tekrarlar sunmaması, LLM modellerinin kapalı hizmetler olması, daha geniş algoritma karşılaştırmalarının bulunmaması ve 179 katlık sonucun yalnızca FEM qiymətləndirmə sayısına dayanmasıdır.

Sonuçlar, yapılandırılmış ve fiziki bölgelerle ilişkilendirilmiş mühəndislik geri bildiriminin büyük dil modellerini sonlu element optimallaşdırma döngüsünde etkili bir aday üreticiye dönüştürebileceğini göstərir. Bulgular, büyük dil modellerinin sertifikalı hava aracı tasarımını insan denetimi olmadan yapabileceği veya sonlu element çözücüsünün yerini alabileceği biçiminde yorumlanmamalıdır.