Bu çalışma, binalardaki ısıtma, havalandırma ve iklimlendirme sistemlerinin bakımını tek bir dijital iş akışı altında yönetmek amacıyla BIM, yapay sinir ağları, uzun-kısa süreli bellek ağları ve bilgi erişimi destekli üretimi birleştiren bir çerçeve önermektedir. Sistem, Industry Foundation Classes biçimindeki BIM modelinden HVAC ekipmanlarının türünü, konumunu, bağlantılarını ve operasyonel özelliklerini çıkarmakta; bu semantik bilgileri sıcaklık, basınç, debi, titreşim, enerji tüketimi ve verim gibi sensör ölçümleriyle birleştirmektedir. Statik ve bağlamsal özellikler yapay sinir ağı kolunda, zaman içinde değişen bozulma davranışları ise LSTM kolunda işlenmekte; iki temsil birleştirilerek ekipmanın mevcut sağlık durumu ve gelecekteki arıza riski tahmin edilmektedir.

Tahmin edilen bozulma durumu daha sonra bakım kılavuzları, üretici belgeleri, geçmiş bakım kayıtları ve mühendislik standartlarından ilgili parçaları getiren RAG modülüne aktarılmaktadır. Büyük dil modeli; BIM varlık bilgisi, tahmin edilen bozulma ve getirilen teknik belgeleri kullanarak arıza türü, kök neden, etki, tespit göstergesi, şiddet, oluşma olasılığı, tespit edilebilirlik, Risk Öncelik Sayısı ve önerilen bakım işlemlerini içeren yapılandırılmış FMEA kayıtları oluşturmaktadır.

Çalışmada bildirilen sonuçlara göre hibrit ANN–LSTM modeli %4,1 RMSE, %3,2 MAE, %5,0 MAPE, 0,958 R² ve %95 tahmin doğruluğu elde etmiştir. RAG katmanı için ortalama RAGAS puanı 0,917, BLEU ve ROUGE-1 değerleri ise %79,2 olarak raporlanmıştır. Pompa kavitasyonu 420, chiller eşanjör kirlenmesi 336, hava işleme ünitesi filtre tıkanması 252 ve VAV damper eyleyicisi arızası 160 RPN ile örneklendirilmiştir.

Bununla birlikte sonuçlar ağırlıklı olarak sentetik IFC4 dijital ikizleri ve yalnızca 96 sensör gözleminden oluşan 24 saatlik kontrollü veri üzerinde elde edilmiştir. Veri bölme ve dizi oluşturma yöntemi yeterince açıklanmadığı için bağımsız test performansının güvenilirliği kesin değildir. Kullanılan büyük dil modeli, embedding modeli, doküman parçalama ayarları, sorgu sayısı ve uzman değerlendirme protokolü de belirtilmemiştir. Ayrıca oluşturulan kritik arıza listesinde elektrik kesicisi, hava kanalı ve VAV terminali gibi bileşenlere kavitasyon veya rulman arızası atanması, otomatik FMEA üretiminin henüz doğrudan bakım kararı verecek güvenilirliğe ulaşmadığını göstermektedir.

Türkiye açısından anlamı ve uyarlama gereksinimleri

Önerilen yaklaşım; Türkiye’de hastane, alışveriş merkezi, havaalanı, otel, kamu binası, fabrika ve veri merkezi gibi yoğun HVAC altyapısı bulunan yapılarda bakım bilgilerinin BIM nesneleriyle ilişkilendirilmesi açısından önemlidir. Yerli bir uygulamada pompa, chiller, fan, klima santrali, VAV terminali ve sensörlerin IFC kimlikleri; bina otomasyon sisteminden gelen gerçek zamanlı veriler ve bakım yönetim yazılımındaki iş emirleriyle ortak bir varlık kayıt sisteminde birleştirilebilir.

Ancak Türkiye’de doğrudan uygulamaya geçilmeden önce farklı iklim bölgelerini ve mevsimleri kapsayan en az bir yıllık gerçek operasyon verisi, farklı üreticilere ait HVAC cihazları, kalibre edilmiş titreşim ve enerji sensörleri, bağımsız bakım uzmanları tarafından hazırlanmış FMEA referansları ve gerçek arıza kayıtlarıyla doğrulama yapılmalıdır. Türkçe bakım belgeleri ve yürürlükteki teknik düzenlemeler bilgi tabanına eklenmeli; oluşturulan her öneri kaynak belge, belge bölümü ve güven puanıyla gösterilmelidir. Otomatik sistemin verdiği RPN veya bakım tavsiyesi, yetkili mühendis onayı olmadan cihaz kapatma, parça değiştirme veya güvenlik-kritik karar için kullanılmamalıdır.

Araştırmanın çözmeye çalıştığı problem

Geleneksel HVAC bakımı çoğunlukla iki yaklaşıma dayanır. Düzeltici bakımda ekipman arızalandıktan sonra müdahale edilir; bu durum beklenmeyen duruş, yüksek onarım maliyeti ve bina hizmetlerinde kesinti oluşturabilir. Önleyici bakımda ise ekipman belirli takvim aralıklarında kontrol edilir veya parçaları değiştirilir. Takvime dayalı bu yaklaşım, sağlıklı bir parçanın gereksiz değiştirilmesine ya da hızlı bozulmakta olan bir ekipmana geç müdahale edilmesine neden olabilir.

Kestirimci bakım, gerçek cihaz durumunu sensörlerden izleyerek arıza gelişmeden önce müdahale etmeyi amaçlar. Buna rağmen mevcut iş akışlarında bina modeli, cihaz kataloğu, sensör ölçümleri, bakım kayıtları ve mühendislik belgeleri çoğunlukla birbirinden kopuk sistemlerde tutulmaktadır. Bir bakım mühendisi, arıza eğilimini anlamak için bu farklı kaynakları elle birleştirmek ve FMEA gibi güvenilirlik belgelerini manuel hazırlamak zorunda kalabilir.

Çalışma bu bilgi parçalanmasını üç teknolojiyi bir araya getirerek azaltmayı hedeflemektedir:

• BIM ve IFC: Cihazın hangi bina, kat, bölge ve HVAC ağı içinde bulunduğunu; türünü, kapasitesini, bağlantılarını ve özelliklerini temsil eder.
• ANN–LSTM: Statik varlık bilgisiyle zaman serisi sensör verisini birleştirerek bozulma ve arıza riskini tahmin eder.
• RAG: Tahmin sonucunu teknik belgelerle ilişkilendirerek yapılandırılmış FMEA ve bakım önerisi üretir.

Önerilen uçtan uca iş akışı

19. sayfadaki Şekil 1, yöntemi altı bağlantılı aşamada göstermektedir:

1. Revit veya başka bir BIM ortamındaki modelin IFC biçiminde dışa aktarılması.
2. IFC ayrıştırma ve HVAC varlıklarının semantik özelliklerinin çıkarılması.
3. IFC özellikleriyle operasyonel sensör verilerinin birleştirilmesi.
4. Hibrit ANN–LSTM modeliyle ekipman durumunun tahmin edilmesi.
5. Teknik belgelerin bilgi tabanından semantik olarak getirilmesi ve RAG ile FMEA oluşturulması.
6. Sonucun akıllı bakım karar desteği, BIM ortamı veya bilgisayarlı bakım yönetim sistemine aktarılması.

Bu yaklaşımda IFC modeli dijital ikizin semantik omurgası olarak kabul edilmektedir. Tahminler yalnızca anonim sensör satırları olarak kalmamakta; her sonuç belirli bir pompa, chiller, fan, vana veya hava işleme ünitesinin BIM nesnesiyle ilişkilendirilmektedir.

IFC modelinden hangi bilgiler çıkarılmaktadır?

IFC4 modelleri IfcOpenShell gibi bir ayrıştırma motoruyla okunmaktadır. Sistem aşağıdaki HVAC varlıklarını bulmayı amaçlamaktadır:

• IfcPump sınıfındaki pompalar.
• IfcChiller sınıfındaki chiller üniteleri.
• IfcAirHandlingUnit sınıfındaki hava işleme üniteleri.
• IfcFan sınıfındaki fanlar.
• IfcValve sınıfındaki vanalar.
• IfcVAVTerminal sınıfındaki değişken hava debili terminaller.
• IfcSensor sınıfındaki sıcaklık, nem ve basınç sensörleri.
• Kanal, boru, kontrol panosu, motor kontrol merkezi ve çatı tipi HVAC üniteleri.

Çıkarılan bilgiler üç grupta ele alınmaktadır:

HVAC varlık kümesi:

\[ E=\{e_1,e_2,\ldots,e_n\} \]

olarak tanımlanmaktadır. Her \(e_i\), IFC modelinden çıkarılan bir HVAC ekipmanını temsil eder. Ekipmana ait özellik kümesi:

\[ P_i=\{p_1,p_2,\ldots,p_m\} \]

biçimindedir. \(p_j\); debi, basınç, sıcaklık, verim veya titreşim gibi bir özelliktir. Bütün varlıkların özellikleri aşağıdaki matriste birleştirilmektedir:

\[ X= \begin{bmatrix} P_1\\ P_2\\ \vdots\\ P_n \end{bmatrix} \]

Veri temizleme ve özellik mühendisliği

IFC modellerinde eksik özellikler, farklı ölçü birimleri, yinelenen kayıtlar ve düzensiz kategorik bilgiler bulunabilir. Çalışmada eksik verilerin enterpolasyon veya medyanla tamamlandığı, yinelenen kayıtların kaldırıldığı, birimlerin standartlaştırıldığı ve kategorik verilerin one-hot kodlamayla sayısallaştırıldığı belirtilmiştir.

Model girdileri iki gruba ayrılmaktadır:

• Statik özellikler: Ekipman türü, üretici, bina bölgesi, kurulum yeri, sistem hiyerarşisi ve bağlantılar.
• Dinamik özellikler: Titreşim, sıcaklık değişimi, basınç dalgalanması, debi, enerji tüketimi, verim ve çalışma geçmişi.

Birleşik özellik vektörü:

\[ X=[X_s,X_d] \]

olarak verilmektedir. \(X_s\) statik IFC özelliklerini, \(X_d\) dinamik operasyon verilerini temsil eder.

Sürekli değişkenler min–maks normalizasyonuyla ölçeklenmektedir:

\[ X_{\mathrm{norm}}=\frac{X-X_{\min}}{X_{\max}-X_{\min}} \]

Zaman bağımlılığını korumak için ölçümler 24 zaman adımından oluşan dizilere dönüştürülmektedir:

\[ X_t=\{x_{t-T+1},x_{t-T+2},\ldots,x_t\} \]

Burada \(T=24\), çalışmada 24 saatlik pencere olarak yorumlanmaktadır. Ancak veri kümesinin yalnızca 96 gözlem içermesi nedeniyle kaç bağımsız eğitim dizisi oluştuğu açıkça bildirilmemiştir.

Hibrit ANN–LSTM mimarisi

24. sayfadaki Şekil 2, modelin iki paralel öğrenme kolunu ve bunların birleştirilmesini göstermektedir. İlk fazda açık BIM verileri, mekânsal topoloji, HVAC cihaz bilgileri, malzeme ve fizik özellikleri, kontrol sınırları ve geçmiş bakım kayıtları alınmaktadır. İkinci fazda aykırı değer temizliği, normalizasyon, kategorik kodlama ve veri bölme yapılmaktadır.

ANN kolu

ANN kolu, IFC’den gelen statik ve bağlamsal özellikler arasındaki doğrusal olmayan ilişkileri öğrenmektedir. Gizli temsil:

\[ H_{\mathrm{ANN}}=f(W_AX+b_A) \]

olarak hesaplanmaktadır. \(W_A\) ağırlık matrisini, \(b_A\) bias vektörünü ve \(f\) ReLU gibi doğrusal olmayan aktivasyon fonksiyonunu temsil eder.

Bu kol; ekipman türü, kurulum bölgesi, nominal kapasite, çalışma saati, verim ve titreşim gibi özelliklerin birlikte bozulma riskini nasıl etkilediğini modellemeyi amaçlamaktadır.

LSTM kolu

LSTM kolu, ardışık sensör ölçümlerindeki uzun dönemli değişimleri analiz etmektedir:

\[ H_{\mathrm{LSTM}}=\mathrm{LSTM}(X_t) \]

LSTM hücrelerinin; verim kaybı, titreşim artışı, sıcaklık yükselmesi ve basınç dalgalanması gibi yavaş veya hızlanan bozulma eğilimlerini öğrenmesi beklenmektedir.

Özellik birleştirme

İki kolun gizli temsilleri birleştirilmektedir:

\[ H_f=[H_{\mathrm{ANN}},H_{\mathrm{LSTM}}] \]

Son tahmin:

\[ \hat{Y}=g(H_f) \]

ile elde edilmektedir. \(\hat{Y}\), ekipmanın tahmin edilen bozulma durumu veya arıza riskidir. Çalışmanın açıklamasına göre BIM bağlamı, benzer titreşim değerlerine sahip fakat farklı sistem koşullarında çalışan iki pompanın birbirinden ayrılmasını sağlayabilir.

Modelin eğitim ayarları

Ortalama karesel hata:

\[ \mathrm{MSE}=\frac{1}{N}\sum_{i=1}^{N}(Y_i-\hat{Y}_i)^2 \]

Kök ortalama karesel hata ise:

\[ \mathrm{RMSE}= \sqrt{\frac{1}{N}\sum_{i=1}^{N}(Y_i-\hat{Y}_i)^2} \]

olarak hesaplanmaktadır. Çalışmada MAE, MAPE ve \(R^2\) değerleri de raporlanmıştır.

RAG modülü FMEA’yı nasıl oluşturmaktadır?

30. sayfadaki Şekil 3, RAG iş akışını beş fazda göstermektedir:

1. IFC modelleri, cihaz katalogları, geçmiş FMEA kayıtları, bakım geçmişi, standartlar ve sensör kayıtlarından bilgi deposu oluşturulması.
2. Kullanıcı amacı veya tahmin edilen cihaz durumunun embedding vektörüne dönüştürülmesi.
3. Vektör veri tabanından en benzer belge parçalarının Top-K yöntemiyle getirilmesi.
4. BIM bilgisi, tahmin sonucu ve teknik bağlamın bir istemde birleştirilmesi.
5. Büyük dil modeliyle FMEA matrisi, RPN, bakım önerisi ve dışa aktarılabilir JSON veya CSV çıktısının oluşturulması.

Sorgu ve belge embeddingleri arasındaki kosinüs benzerliği:

\[ \mathrm{Sim}(q,d)=\frac{q\cdot d}{\|q\|\|d\|} \]

ile hesaplanmaktadır. En yüksek benzerlik puanına sahip belgeler, dil modelinin bağlamına eklenmektedir.

Yapılandırılmış istem:

\[ P=\{X_{\mathrm{IFC}},\hat{Y},D_r\} \]

biçimindedir. \(X_{\mathrm{IFC}}\), varlık özelliklerini; \(\hat{Y}\), bozulma tahminini; \(D_r\), getirilen teknik belgeleri temsil eder. Oluşturulan FMEA:

\[ F=g(P) \]

olarak ifade edilmektedir.

Üretilmesi hedeflenen başlıca alanlar şunlardır:

• Arıza türü.
• Kök neden.
• Arızanın ekipman ve sistem üzerindeki etkisi.
• Tespit göstergesi veya sensör belirtisi.
• Düzeltici faaliyet.
• Bakım önerisi.
• Şiddet, oluşma ve tespit edilebilirlik puanları.
• Risk Öncelik Sayısı.

FMEA risk hesabı

Risk Öncelik Sayısı:

\[ \mathrm{RPN}=\mathrm{Şiddet}\times\mathrm{Oluşma}\times\mathrm{Tespit} \]

olarak hesaplanmaktadır. Büyük RPN, daha yüksek bakım önceliğini ifade eder. Ancak çalışma şiddet, oluşma ve tespit puanları için ayrıntılı derecelendirme tablosu veya uzman puanlama protokolü sunmamıştır.

Deney senaryoları

IFC özellik matrisi

38. sayfadaki Şekil 4, 12 HVAC varlığı için sıcaklık, basınç, debi, güç, titreşim ve verim özelliklerini ısı haritası olarak göstermektedir. Renkler farklı cihazların termal, hidrolik ve mekanik koşullarındaki değişimi göstermektedir.

Çalışmada öne çıkarılan dört varlık şunlardır:

Pump_001 için yüksek titreşim ve düşük verim, mekanik bozulmanın göstergesi olarak yorumlanmıştır. Chiller_001 için daha düzgün termal değişim, eşanjör kirlenmesiyle ilişkilendirilen kademeli performans kaybı şeklinde açıklanmıştır. Ancak bu ilişkilerin gerçek arıza ölçümüyle mi, yoksa sentetik veri üretim kurallarıyla mı oluşturulduğu ayrıntılı biçimde açıklanmamıştır.

Bozulma tahmin grafiği

41. sayfadaki Şekil 5, Chiller_001 ve Pump_001 için ölçülen ve tahmin edilen 24 saatlik verim eğrilerini karşılaştırmaktadır. Chiller veriminin yaklaşık %89’dan %83’e, pompa veriminin ise yaklaşık %92’den %75’e düştüğü gösterilmektedir. %80 verim seviyesi kritik eşik olarak yatay kesikli çizgiyle belirtilmiştir.

Pompa eğrisi 14–16. saatler civarında kritik eşiğin altına inerken, chiller eğrisi 24 saat boyunca eşiğin üzerinde kalmaktadır. Tahmin çizgileri ölçülen eğrileri yakından takip etmektedir; ancak grafikteki verilerin kontrollü veya sentetik olarak oluşturulması, performansın gerçek bina sensörlerindeki gürültü ve eksik veriye doğrudan aktarılmasını engellemektedir.

Çalışmanın Yöntemi ve Bulguları

Modellerin karşılaştırmalı tahmin performansı

Hibrit model, çalışmada karşılaştırılan tek başına ANN ve tek başına LSTM modellerinden daha düşük hata değerleri elde etmiştir. Araştırmacı bu sonucu, ANN kolunun statik ve doğrusal olmayan ilişkileri; LSTM kolunun zaman bağımlı bozulmayı öğrenmesine bağlamaktadır.

Bununla birlikte karşılaştırmada kaç bağımsız test örneği bulunduğu, sonuçların kaç eğitim tekrarının ortalaması olduğu, standart sapma, güven aralığı, rastgele başlangıçlar veya istatistiksel anlamlılık verilmemiştir. Model boyutları ve eğitim süreleri de karşılaştırılmadığından hibrit yapının ek karmaşıklığına karşı sağladığı kazanç tam olarak değerlendirilememektedir.

Üretilen temsilî FMEA sonuçları

Pompa kavitasyonu için önerilen faaliyetler titreşim takibi, emiş basıncı ve hidrolik debinin kontrolü ile çark incelemesidir. Chiller kirlenmesi için kondenser veya eşanjör temizliği, termal performans ölçümü ve planlı verim değerlendirmesi önerilmektedir. Filtre tıkanmasında basınç düşümünün izlenmesi ve filtre değişimi, damper arızasında ise eyleyici ve konum geri bildiriminin kontrolü öne çıkarılmaktadır.

RPN dağılımı

46. sayfadaki Şekil 6, 12 HVAC bileşeni için RPN değerlerini göstermektedir:

Şekil 6’daki ek bileşenler için şiddet, oluşma ve tespit puanlarının ayrıntıları veya RPN’ye bağlı arıza türleri verilmemiştir. Bu nedenle grafikteki bütün değerlerin nasıl üretildiği yeniden hesaplanamamaktadır.

RAG değerlendirme sonuçları

Bu değerler yüksek olarak sunulmuştur. Ancak kaç FMEA kaydının değerlendirildiği, referans belgelerin kim tarafından yazıldığı, RAGAS model yargıcının hangi model olduğu ve insan uzman değerlendirmesi bulunup bulunmadığı açıklanmamıştır. BLEU ve ROUGE-1 değerlerinin tam olarak aynı olması da değerlendirme çıktılarının ayrıntılı raporlanmasını gerekli kılmaktadır.

Şekil 7’deki semantik tutarsızlık

52. sayfadaki Şekil 7, en kritik 15 arıza türünü sıralamaktadır. Pompa kavitasyonu ve AHU rulman arızası gibi bazı eşleşmeler teknik olarak makul görünürken aşağıdaki eşleşmeler bileşen türleriyle uyumlu değildir:

• Elektrik kesicisinde kavitasyon.
• VAV terminalinde kavitasyon.
• Hava kanalında kavitasyon.
• Hava kanalında rulman arızası.
• Sensörde rulman arızası.
• Motor kontrol merkezinde rulman arızası veya conta kaçağı.
• VAV terminalinde conta kaçağı.

Kavitasyon sıvı taşıyan hidrolik ekipmanlarla, rulman arızası ise dönel mekanik parçalarla ilişkilidir. Bu nedenle Şekil 7, varlık sınıfı ile olası arıza türü arasında yeterli kısıt veya doğrulama uygulanmadığına işaret etmektedir. Bu hata, RAG veya FMEA modülünün çıktısının uzman onayı olmadan güvenilir bakım belgesi olarak kullanılmaması gerektiğini göstermektedir.

Çalışmanın güçlü yönleri

• BIM semantiği, sensör analizi ve teknik doküman üretimini aynı uçtan uca iş akışında birleştirmesi.
• IFC varlık kimliğini tahmin ve bakım önerisi boyunca korumayı amaçlaması.
• Statik bağlam ile zaman serisi bilgisini iki ayrı model kolunda işlemesi.
• Sayısal tahmini bakım mühendisinin kullanabileceği FMEA biçimine dönüştürmeye çalışması.
• ANN, LSTM ve hibrit modeli aynı performans ölçütleriyle karşılaştırması.
• Hastane, ofis ve alışveriş merkezi gibi farklı kullanım senaryolarını kapsaması.
• RAG çıktısını kanıta bağlılık, bağlam kalitesi ve metin benzerliği açısından değerlendirmeyi amaçlaması.

Temel metodolojik sınırlılıklar

• Toplam veri miktarı yalnızca 96 sensör gözlemidir.
• Veri büyük ölçüde sentetik ve benzetilmiş operasyon koşullarından oluşmaktadır.
• 24 zaman adımlı diziler ile %70/%10/%20 veri bölmesinin nasıl uygulandığı açıklanmamıştır.
• Aynı varlığa ait zaman adımlarının eğitim ve test arasında karışıp karışmadığı bilinmemektedir.
• Haricî AHU veri kümesinin açık kimliği ve ayrı sonuçları verilmemiştir.
• Regresyon için bildirilen “tahmin doğruluğu” tanımlanmamıştır.
• Model sonuçları için güven aralığı, standart sapma veya çoklu eğitim tekrarı bulunmamaktadır.
• Karşılaştırılan ANN ve LSTM modellerinin parametre sayıları açıklanmamıştır.
• Veri ve kaynak kod paylaşılmamıştır.
• Kullanılan LLM ve embedding modeli belirtilmemiştir.
• Bilgi tabanındaki belge sayısı, sürümleri, parçalama yöntemi ve Top-K değeri verilmemiştir.
• FMEA referans belgelerinin uzmanlarca nasıl hazırlandığı açıklanmamıştır.
• RPN puanları için standart derecelendirme ölçeği sunulmamıştır.
• Şekil 7’de teknik olarak uyumsuz varlık-arızası eşleşmeleri bulunmaktadır.
• RPN kısaltması iki farklı anlamda kullanılmıştır.
• Metin ve RAG şemasında listelenen teknik standartlar birbirinden farklıdır.
• Gerçek bina üzerinde bakım müdahalesi, arıza önleme veya maliyet azaltımı ölçülmemiştir.
• Çalışma hakem değerlendirmesinden geçmemiştir.

Çalışmanın desteklediği sonuçlar

• IFC varlık özellikleri sayısal makine öğrenmesi girdilerine dönüştürülebilir.
• Çalışmanın kontrollü veri kümesinde ANN ve LSTM özelliklerinin birleştirilmesi tekil modellere göre daha düşük tahmin hatası üretmiştir.
• Tahmin edilen ekipman durumu, yapılandırılmış FMEA üretimi için RAG istemine eklenebilir.
• BIM nesnesiyle bakım önerisi arasında semantik bağlantı kurulması mümkündür.
• RPN değerleri, bakım önceliğini görselleştiren bir karar desteği olarak kullanılabilir.

Çalışmanın kanıtlamadığı sonuçlar

• Sistemin gerçek bina portföylerinde %95 doğrulukla çalışacağı kanıtlanmamıştır.
• Modelin mevsimsel, yıllık veya çok yıllık bozulmayı tahmin ettiği gösterilmemiştir.
• Otomatik FMEA’nın insan uzman kadar güvenilir olduğu kanıtlanmamıştır.
• RAG çıktılarının halüsinasyondan arındırıldığı gösterilmemiştir.
• Otomatik önerilerin bakım maliyetini, enerji tüketimini veya plansız duruşu azalttığı ölçülmemiştir.
• Farklı HVAC üreticilerine ve IFC modelleme kalitelerine genellenebilirlik gösterilmemiştir.
• Çerçevenin canlı BIM, IoT, bina otomasyonu veya CMMS sistemiyle gerçek zamanlı çalıştığı gösterilmemiştir.
• Oluşturulan RPN değerlerinin doğrulanmış güvenilirlik uzmanı puanlarıyla aynı olduğu gösterilmemiştir.
• Türkiye’deki bina, iklim, cihaz ve bakım mevzuatına doğrudan uygunluk kanıtlanmamıştır.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: A BIM-Integrated ANN–LSTM–RAG Framework for Intelligent Predictive Maintenance and Automated FMEA Generation in HVAC Systems

Yazar: Asif Iqubal.

Yazar sıralaması: Çalışma tek yazarlıdır.

Eş birinci yazar: Uygulanabilir değildir; çalışma tek yazarlıdır.

Sorumlu yazar: Asif Iqubal. Yazar adındaki yıldız işareti ve iletişim e-posta adresi sorumlu yazarı göstermektedir.

Kurum: Department of Building Engineering and Construction Management, Khulna University of Engineering & Technology, Khulna 9203, Bangladesh.

Kurumsal doğrulama notu: Kurum bilgisi incelenen metinde yer almaktadır. SSRN resmî kaydında yazarın kurumsal bağlantısı ayrıca verilmemiştir.

ORCID: ORCID bilgisi incelenen sürümde yer almamaktadır.

DOI:10.2139/ssrn.7193081

Dergi: Hakemli bir dergi adı incelenen sürümde yer almamaktadır.

Yayınevi: Kesinleşmiş özgün yayınevi bilgisi bulunmamaktadır.

Yayın platformu: SSRN.

Yayın tarihi: 27 Temmuz 2026.

Yayın yılı: 2026.

Kaynak türü: BIM semantik çıkarımı, sentetik dijital ikiz verisi, hibrit derin öğrenme ve RAG tabanlı FMEA üretimini birleştiren mühendislik araştırması preprinti.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir.

Resmî kaynak:SSRN resmî çalışma kaydı.

Finansman: Finansman beyanı incelenen sürümde yer almamaktadır.

Çıkar çatışması: Çıkar çatışması beyanı incelenen sürümde yer almamaktadır.

Etik onay: İnsan veya hayvan katılımcı kullanılmadığı anlaşılmakla birlikte ayrı bir etik beyan incelenen sürümde yer almamaktadır.

Veri ve kod erişimi: Kaynak kod, eğitilmiş model, sentetik veri üretim betikleri, IFC dosyaları, RAG bilgi tabanı ve deney günlükları için açık bir depo bağlantısı verilmemiştir.

Bu Türkçe açıklama, çalışmanın 60 sayfalık sürümü; metin, formül, tablo ve şekilleriyle birlikte incelenerek hazırlanmıştır. Bilimsel bulgulara çalışma dışında yeni bir deney sonucu eklenmemiştir. Dış kaynak kontrolü yalnızca başlık, yazar, DOI, SSRN kayıt tarihi ve yayın durumunun bibliyografik doğrulanması amacıyla kullanılmıştır.

Çalışmadaki sonuçların çoğu küçük ve büyük ölçüde sentetik bir veri kümesine dayanmaktadır. Otomatik FMEA bölümündeki bazı bileşen-arızası eşleşmeleri mühendislik açısından uyumsuzdur. Bu nedenle çerçeve, gerçek binalarda özerk bakım karar sistemi olarak değil; bağımsız veri doğrulaması, varlık-türü kısıtları, uzman onayı ve uzun süreli saha deneyleri gerektiren erken aşama bir karar destek prototipi olarak değerlendirilmelidir.