Bu çalışma, elektrokimyasal enerji depolama tesislerinde sensör verileri, uzman değerlendirmeleri, risk yayılım ilişkileri, teknik standartlar ve büyük dil modellerini aynı karar destek sistemi içinde birleştiren açıklanabilir bir güvenlik ve bakım çerçevesi önermektedir. Sistem yalnızca bir tesise genel risk puanı vermeyi değil, riskin hangi hücre, batarya paketi, batarya kümesi, soğutma sistemi, yangın söndürme sistemi, güç elektroniği veya batarya yönetim sistemi bileşeninden kaynaklandığını ve diğer bileşenlere nasıl yayılabileceğini açıklamayı amaçlamaktadır.

Risk değerlendirmesi sekiz ana kategori, 26 faktör, 42 alt faktör ve 87 risk maddesinden oluşmaktadır. Bunların 32’si sıcaklık, gerilim, akım, nem ve alarm sayıları gibi nicel verilere; 55’i ise fiziksel hasar, yangın hazırlığı, iletişim arızası veya bakım eksikliği gibi uzman incelemesi gerektiren nitel değerlendirmelere dayanmaktadır. Faktör ağırlıkları bulanık analitik hiyerarşi süreciyle belirlenmiş, nicel riskler alarm sıklığına dayalı CRPS yaklaşımıyla, nitel riskler ise şiddet-olasılık-maruz kalma modeliyle puanlanmıştır.

Çerçeve, Çin’de işletilmekte olan altı enerji depolama istasyonunun 2024 verileri üzerinde uygulanmıştır. Riskler arasındaki neden-sonuç bağlantılarının puanlara eklenmesi, altı istasyonun Mart 2024 değerlendirmelerinde toplam risk puanlarını en az yüzde 7 azaltmış; başka bir ifadeyle yalnızca doğrudan görülen sorunlara değil, bu sorunların tetikleyebileceği ikincil risklere de dikkat çekmiştir. Birinci istasyonda temmuz-eylül döneminde artan aşırı şarj ve aşırı deşarj alarmları, hücre kullanım ve yaşlanma risklerinin puanlarını düşürürken normal çalışan altıncı istasyonda aynı örüntü görülmemiştir.

Büyük dil modeli bölümü, risk puanlarını doğal dilde açıklamak ve teknik standartlarla ilişkilendirilmiş bakım önerileri üretmek için RAG, yeniden sıralama, istem tasarımı ve alan odaklı ince ayar kullanmaktadır. Bilgi sorularında ince ayarlı Qwen3-8B modeli güçlü sonuç verirken, risk açıklaması ve bakım önerisi gibi daha kapsamlı görevlerde tam ölçekli modeller arasında Kimi-K2.6, ince ayarlı modeller arasında ise Qwen2.5-14B daha yüksek değerlendirme puanları almıştır. Sonuçlar, küçük modellerin alan bilgisi için etkili biçimde uyarlanabileceğini; ancak karmaşık bakım kararlarında model büyüklüğü ve genel akıl yürütme kapasitesinin hâlâ önemli olduğunu göstermektedir.

Türkiye açısından önemi: Türkiye’de kurulacak veya işletilen batarya enerji depolama tesislerinde hücre sıcaklığı, gerilim, akım ve alarm kayıtlarının; yangın söndürme sistemi, soğutma altyapısı, BMS, güç dönüştürücü ve saha denetimleriyle birlikte değerlendirilmesi güvenlik açısından önemli bir yaklaşım sunmaktadır. Ancak çalışmanın risk maddeleri, eşikleri, teknik belgeleri ve bakım önerileri Çin standartlarına göre hazırlanmıştır. Türkiye’de uygulamaya geçmeden önce risk indeksinin yürürlükteki yerli mevzuat, şebeke bağlantı kuralları, yangın güvenliği gereklilikleri, tesis mimarileri ve veri koruma hükümleriyle yeniden kurulması; farklı iklim bölgelerindeki gerçek tesis verileriyle doğrulanması ve yapay zekâ önerilerinin yetkili mühendis onayı olmadan otomatik olarak ekipmana uygulanmaması gerekir. Çalışmadan Türkiye’ye özgü yangın olasılığı, maliyet kazancı veya zorunlu bakım yöntemi doğrudan çıkarılamaz.

Çalışma, büyük dil modelini güvenlik kontrolörü olarak değil, insan bakım personeline açıklama ve karar desteği sağlayan bir katman olarak konumlandırmaktadır. Önerilen sistemin mevcut sürümü yangın söndürme, soğutma veya güç dönüştürme ekipmanına doğrudan komut vermemektedir. Bu sınır, yanlış veya eksik bir yapay zekâ yanıtının fiziksel tesiste doğrudan tehlike oluşturmasını azaltan önemli bir güvenlik ilkesidir.

Araştırmanın temel problemi nedir?

Elektrokimyasal enerji depolama tesisleri çok sayıda batarya hücresi, batarya paketi, batarya kümesi, güç dönüştürücü, batarya yönetim sistemi, termal yönetim sistemi, iletişim altyapısı ve yangın söndürme bileşeninden oluşmaktadır. Bu bileşenlerden birindeki arıza yalnızca yerel bir sorun olarak kalmayabilir; ısı, elektriksel dengesizlik, iletişim kaybı veya kontrol hatası üzerinden diğer alt sistemlere yayılabilir.

Geleneksel risk değerlendirme yöntemleri çoğu zaman uzmanların belirli aralıklarla verdiği puanlara veya tek bir arıza senaryosuna dayanır. Bu yöntemler hangi riskin daha önemli olduğunu sıralayabilir, ancak puanın neden düştüğünü, sorunun hangi bileşenleri etkileyebileceğini ve bakım ekibinin hangi işlemleri hangi sırayla yapması gerektiğini her zaman açıklamaz.

Çalışmanın çözmeye çalıştığı üç temel boşluk şunlardır:

• Tesisin tamamını kapsayan, sensör verileri ile uzman görüşlerini birleştiren dinamik risk değerlendirmesinin eksikliği,
• Risk puanlarının nedenlerini ve risk yayılım yollarını bakım personeline anlaşılır biçimde açıklayamaması,
• Risk değerlendirmesi ile teknik standartlara dayalı uygulanabilir bakım önerileri arasında doğrudan bağlantı bulunmaması.

Önerilen sistemin genel mimarisi

Çalışmanın altıncı sayfasındaki Şekil 1, sistemin iki ana bölümünü göstermektedir. Birinci bölüm hiyerarşik risk değerlendirmesidir. Sensör verileri ve uzman bilgileri; risk indeksine, faktör ağırlıklarına, risk puanlarına ve faktörler arası bağlantılara dönüştürülmektedir.

İkinci bölüm büyük dil modeli tabanlı bakım karar desteğidir. Risk sonuçları; teknik standartlar, ekipman kılavuzları, akademik yayınlar ve geçmiş işletme kayıtlarıyla birlikte çok kaynaklı bir veri tabanına aktarılmaktadır. Kullanıcının sorusu geldiğinde büyük dil modeli ilgili belgeleri getirerek riskin açıklamasını ve bakım önerilerini üretmektedir.

Çerçevenin temel veri akışı şöyledir:

1. Sensör ve saha denetim verilerinin toplanması,
2. Risk maddelerinin nicel veya nitel olarak puanlanması,
3. Faktör ağırlıklarının uygulanması,
4. Risk yayılım bağlantılarıyla puanların yeniden hesaplanması,
5. En kritik risklerin belirlenmesi,
6. İlgili standart ve bakım belgelerinin RAG ile getirilmesi,
7. Büyük dil modelinin açıklama ve bakım önerisi üretmesi,
8. Sonucun mühendis veya bakım personeline sunulması.

Hiyerarşik risk indeksinin kapsamı

Çalışmanın risk indeksleme sistemi dört düzeyden oluşmaktadır:

• Kategori düzeyi: Sekiz ana sistem alanı,
• Faktör düzeyi: Elektriksel, termal, mekanik veya çevresel arıza türleri,
• Alt faktör düzeyi: Hücre kısa devresi, paket termal kaçağı veya sensör arızası gibi daha somut olaylar,
• Risk maddesi düzeyi: Ölçülen veya uzman tarafından değerlendirilen 87 ayrı gösterge.

Nicel ve nitel risk maddeleri

Toplam 87 risk maddesinin 32’si nicel, 55’i nitel olarak sınıflandırılmıştır. Nicel maddeler sensörlerden veya işletme kayıtlarından alınabilen sıcaklık, gerilim, SOC, nem, verim ve alarm sayısı gibi değişkenlerdir.

Nitel maddeler ise doğrudan sürekli sensörle ölçülmesi zor olan hücre kabuğu deformasyonu, yangın erişiminin yetersizliği, bakım deneyimi eksikliği, boru hasarı veya söndürücü sistem arızası gibi konuları kapsamaktadır. Bu maddeler saha denetimleri ve uzman değerlendirmeleriyle puanlanmaktadır.

Bu iki veri türünün birleştirilmesi, yalnızca elektronik sensörlere dayanan yöntemlere göre tesisin daha büyük bölümünü kapsayabilir. Bunun karşılığında sonuçlar uzmanların değerlendirme kalitesine ve denetimler arasındaki tutarlılığa bağımlı hâle gelmektedir.

Faktör ağırlıkları nasıl belirlenmiştir?

Risk faktörlerinin aynı öneme sahip olmadığı kabul edilmiştir. Altı uzman, her faktör çiftinin göreli önemini dilsel ölçeklerle karşılaştırmıştır. “Eşit önemli”, “orta derecede önemli” veya “kesinlikle daha önemli” gibi değerlendirmeler üçgensel bulanık sayılara dönüştürülmüştür.

Uzman karşılaştırma matrisinin tutarlılığı şu ölçütlerle denetlenmiştir:

\[ CI=\frac{\lambda_{\max}-n}{n-1} \]

\[ CR=\frac{CI}{RI} \]

Burada CI tutarlılık indeksini, CR tutarlılık oranını, λ_max karşılaştırma matrisinin en büyük özdeğerini, n karşılaştırılan faktör sayısını ve RI rastgele matrisler için referans tutarlılık indeksini ifade etmektedir.

Çalışmada CR ≤ 0,1 olması kabul edilebilir tutarlılık koşulu olarak kullanılmıştır. Oran bu değeri aştığında, matris özgün uzman görüşlerine mümkün olduğunca yakın kalacak biçimde yinelemeli olarak onarılmıştır. Daha sonra faktör ağırlıkları bulanık analitik hiyerarşi süreciyle hesaplanmıştır.

Nicel sensör riskleri nasıl puanlanmıştır?

Alarm sayısı ve alarm düzeyine dayanan nicel riskler için Kümülatif Risk Puanı Sistemi kullanılmıştır:

\[ I=\max\left(0,\ 10-\alpha\sum_{i=1}^{A}i\,n_i^2\right) \]

Burada I risk maddesinin güvenlik puanını, α duyarlılık katsayısını, i alarm düzeyini, n_i ilgili düzeydeki alarm sıklığını ve A alarm düzeyi sayısını göstermektedir. Çalışmada α genellikle 0,6 alınmıştır.

Alarm sıklığının karesinin kullanılması, tekrarlanan alarmın puanı doğrusal olmayan biçimde daha hızlı düşürmesini sağlamaktadır. Böylece tek bir geçici alarm ile sürekli yinelenen bir sorunun aynı biçimde değerlendirilmesi önlenmeye çalışılmıştır.

Nitel riskler nasıl puanlanmıştır?

Uzman değerlendirmesine dayanan maddelerde Şiddet, Olasılık ve Maruz Kalma modeli kullanılmıştır:

\[ I=10-\beta(S\cdot P\cdot E) \]

S riskin şiddetini, P oluşma olasılığını, E maruz kalma düzeyini ve β duyarlılık katsayısını temsil etmektedir. Üç değişken 0–10 aralığında uzmanlar tarafından değerlendirilmiştir.

Yüksek S, P ve E değerleri daha olumsuz güvenlik durumunu ifade eder. Formülde en yüksek puan 10’dur. Ancak çalışmada β için kullanılan kesin değer ve negatif sonuçların alt sınırda nasıl sınırlandırıldığı açık biçimde verilmemiştir.

Risk yayılım ağı neden kullanılmıştır?

Bir enerji depolama tesisindeki riskler birbirinden bağımsız değildir. Soğutma sistemindeki debi kaybı hücre sıcaklığını yükseltebilir; sıcaklık artışı hücre yaşlanmasını hızlandırabilir; BMS ölçüm hatası ise bu sıcaklık artışının geç algılanmasına neden olabilir.

Çalışmanın onuncu sayfasındaki Şekil 3, 42 alt faktör arasındaki yönlü neden-sonuç ilişkilerini göstermektedir. Okun başlangıç noktası neden olan riski, hedef noktası ise etkilenebilecek riski temsil etmektedir. Ağ, altı uzmanın görüşleri kullanılarak oluşturulmuştur.

İki bağlı faktör arasındaki eşleşme katsayısı şu şekilde hesaplanmıştır:

\[ C_{y\leftarrow x}= \left[ \frac{I_yI_x} {\left(\frac{I_y+I_x}{2}\right)^2} \right]^5 \]

I_x neden durumundaki, I_y etkilenen durumdaki başlangıç puanıdır. Çalışmada puanın düzeltilmesi şu yapıyla verilmiştir:

\[ I_{c,y}=I_y\exp\left[ -\frac{C_{y\leftarrow x} \sqrt{(I_y-I_x+1)I_y/I_x^2}} {G} \right],\qquad G=7 \]

Bir alt faktör birden fazla riskten etkileniyorsa hesaplanan düzeltilmiş puanların en düşüğü seçilmektedir. Böylece en olumsuz bağlantının sonuçta görünür olması amaçlanmaktadır.

Son risk katkısı, düzeltilmiş puan ile faktör ağırlığının birleştirilmesiyle hesaplanmıştır:

\[ R_{c,y}=(10-I_{c,y})w \]

w ilgili faktörün bulanık hiyerarşi yöntemiyle hesaplanan ağırlığıdır. Düşük güvenlik puanı ve yüksek ağırlık, daha yüksek risk katkısı oluşturur.

Risk yayılım puanı nasıl yorumlanmalıdır?

Düzeltilmiş puanın başlangıç puanından düşük olması, yeni bir fiziksel arızanın gözlendiği anlamına gelmez. Bu azalma, uzmanların tanımladığı neden-sonuç bağlantıları nedeniyle mevcut bir riskin başka alt sistemleri etkileyebileceğinin matematiksel ifadesidir.

Dolayısıyla yüzde 7 veya daha büyük puan düşüşleri gerçek arıza olasılığındaki ölçülmüş yüzde artış olarak yorumlanmamalıdır. Bunlar, çalışma tarafından tasarlanan puanlama sistemindeki göreli değişimlerdir.

Çok kaynaklı bilgi tabanı

Çalışmanın 12. sayfasındaki Şekil 5, büyük dil modelinin kullandığı veri tabanını üç ana gruba ayırmaktadır:

• Alan bilgisi: Ulusal standartlar, teknik kılavuzlar, kullanıcı belgeleri ve akademik yayınlar,
• Risk değerlendirme verileri: Risk puanları, indeksleme sistemi, faktör ağırlıkları, puanlama algoritmaları ve bağlantı ağı,
• Geçmiş işletme verileri: Sensör kayıtları, alarm düzeyleri, bakım geçmişi ve uzman anketleri.

Bu yapı, büyük dil modelinin yalnızca genel bilgisine dayanmak yerine her tesisin risk sonuçlarıyla ilgili teknik belgeleri birlikte kullanmasını amaçlamaktadır.

Büyük dil modeli nasıl alana uyarlanmıştır?

Çalışmada yerel ve çevrimdışı kullanım için iki aşamalı bir eğitim süreci tasarlanmıştır. İlk aşama anlamsal uyum ön eğitimidir. Enerji depolama belgeleri kullanılarak modelin teknik terimleri ve alan içi metin yapısını daha iyi anlaması hedeflenmiştir.

Ön eğitim kayıp fonksiyonu şöyledir:

\[ L_{\mathrm{SAPT}}= -\sum_{i=1}^{N}\log P(y_i|x_i;\theta) \]

İkinci aşamada bakım, risk değerlendirmesi ve arıza analizine ilişkin soru-cevap çiftleriyle talimat ince ayarı yapılmıştır:

\[ L_{\mathrm{IFT}}= -\sum_{i=1}^{N}\log P(y_i|x_i,z_i;\theta) \]

z_i, görev bağlamını veya istenen çıktı biçimini temsil etmektedir.

LoRA neden kullanılmıştır?

Büyük dil modelinin bütün parametrelerini güncellemek yüksek bellek ve hesaplama maliyeti oluşturur. Araştırmacılar bu maliyeti düşürmek için düşük dereceli uyarlama kullanmıştır:

\[ W=W_0+\Delta W,\qquad \Delta W=BA \]

\[ B\in\mathbb{R}^{d\times r},\qquad A\in\mathbb{R}^{r\times k},\qquad r<\min(d,k) \]

Özgün ağırlık matrisi W₀ sabit tutulmuş; yalnızca daha küçük A ve B matrisleri eğitilmiştir. Bu yaklaşım, tek bir RTX 4090 ekran kartıyla 7B ve 14B ölçekli modellerin uyarlanmasını mümkün hâle getirmeyi amaçlamaktadır.

RAG süreci nasıl çalışmaktadır?

Teknik belgeler önce Markdown biçiminde hiyerarşik metinlere dönüştürülmüş ve 500–1000 karakterlik parçalara ayrılmıştır. Komşu parçalar arasında yüzde 10 örtüşme kullanılmıştır.

Her metin parçası 1024 boyutlu bir vektöre dönüştürülmüştür:

\[ \mathbf{v}_{ij}=f_{\theta}(c_{i,j}) \]

Çalışmada çok dilli BAAI/bge-m3 gömme modeli, LangChain ve Chroma vektör veri tabanı kullanılmıştır. Kullanıcı sorusu aynı modelle vektöre dönüştürülmüş ve kosinüs benzerliğine göre en yakın parçalar getirilmiştir:

\[ R(x)= \underset{\mathbf{v}_{ij}\in V}{\operatorname{arg\,max}}_{k} \ s\left(f_{\theta}(x),\mathbf{v}_{ij}\right) \]

İlk sonuçlar bir çapraz kodlayıcıyla yeniden sıralanmış; anlamsal, mantıksal ve bağlamsal uygunluğu daha yüksek parçalar seçilmiştir. Son yanıt kullanıcı sorusu, risk değerlendirmesi, getirilen belgeler ve yapılandırılmış istem birlikte kullanılarak oluşturulmuştur.

Üretilen bakım yanıtının biçimi

Çalışmanın 15. sayfasındaki istem örneğinde modelden önce üç ila altı kısa gerekçe, ardından dört ila altı maddelik sonuç üretmesi istenmektedir. Yanıtın şu sırayı izlemesi öngörülmüştür:

1. Genel risk değerlendirme sonucu,
2. En kritik risklerin açıklanması,
3. İki veya üç uygulanabilir bakım önerisi,
4. Mümkün olduğunda standart numarası ve madde referansı.

Bu yapı, bakım personeline uzun ve dağınık bir metin yerine kısa ve eyleme dönük çıktı sunmayı amaçlamaktadır.

Altı saha istasyonu

Çalışmada Çin’in farklı iklim ve işletme koşullarındaki altı faal istasyonun 2024 sensör verileri kullanılmıştır.

Uzman grubunun yapısı

Faktör ağırlıkları ve risk bağlantı ağı için altı uzman görevlendirilmiştir. Uzmanların deneyimleri 7–16 yıl arasında değişmektedir. Çalışma grubu; hücre geliştirme, kalite kontrol, sistem mimarisi, BMS geliştirme ve enerji depolama sistemi tasarımı alanlarını kapsamaktadır.

Uzman sayısı ve alan çeşitliliği uygulamaya yönelik bilgi sağlamaktadır. Bununla birlikte bütün uzmanların aynı ülke ve endüstriyel çevreden gelmesi, değerlendirmelerin farklı düzenleyici ve işletme kültürlerine doğrudan aktarılmasını sınırlandırabilir.

Saha risk puanlarının sonuçları

Çalışmanın 17. sayfasındaki Şekil 6, altı istasyonun yıllık başlangıç ve düzeltilmiş puanlarını, ayrıca aşırı şarj ve aşırı deşarj alarmlarının aylık ısı haritasını göstermektedir. Bütün istasyonlarda bağlantı ağı uygulandıktan sonra genel puan düşmüştür.

Mart 2024 değerlendirmesinde istasyon düzeyindeki yaklaşık azalmalar şöyledir:

En büyük genel değişim üçüncü istasyonda, en düşük değişim altıncı istasyonda görülmüştür. C8 kategorisi bağlantı ağında başlangıç düğümü olduğu için doğrudan başka risklerden etkilenmemiş ve kategori düzeyinde düzeltilmemiştir.

Birinci ve altıncı istasyon karşılaştırması

Çalışmanın 18. sayfasındaki Şekil 8, birinci istasyon ile altıncı istasyonun aşırı şarj ve aşırı deşarj alarm sonuçlarını karşılaştırmaktadır.

Birinci istasyon temmuz-eylül 2024 döneminde yüksüz çalışma evresine girmiş ve alarm sayısı belirgin biçimde artmıştır. Bunun sonucunda aşırı şarj/deşarj risk maddesi, anormal hücre kullanımı alt faktörü ve hücre risk kategorisinin puanları düşmüştür.

Altıncı istasyonda alarm sayıları daha düşük ve kararlı kalmış, risk puanında aynı türde belirgin bir azalma oluşmamıştır. Bu örnek, tekrarlanan sensör alarmlarının hiyerarşik yapı içinde üst düzey risk puanlarına nasıl taşındığını göstermektedir.

Birinci istasyon için örnek bakım açıklaması

Mart 2024 için birinci istasyonun başlangıç puanı 9,422752, bağlantı sonrası puanı 8,686389 olarak verilmiştir. Çalışmadaki büyük dil modeli yanıtında bunlar 100 üzerinden yaklaşık 94,2 ve 86,9 olarak ifade edilmiştir.

Model, güç elektroniği ile batarya kümesi risklerini önemli katkılar arasında göstermiş; BMS ölçüm sorunlarını, termal yayılım göstergelerini ve güç dönüştürücü davranışını kontrol edilmesi gereken alanlar olarak belirtmiştir.

Üretilen öneriler arasında sensör kalibrasyonu, yedekli ölçüm kontrolü, batarya kümesi ve paketlerde termal denetimin güçlendirilmesi ve güç dönüştürücünün dinamik davranışının ilgili standartlara göre sınanması bulunmaktadır.

Bilgi soruları nasıl değerlendirilmiştir?

Alan bilgisini ölçmek için 30 özgün sorudan sekiz farklı biçimde türetilmiş toplam 240 soru hazırlanmıştır. Sorular şu yetenekleri değerlendirmiştir:

• Özgün soruyu yanıtlama,
• Aynı anlamdaki farklı ifadeleri anlama,
• Teknik terim ve kısaltmaları eşleştirme,
• Yazım ve dil bilgisi hatalarına dayanıklılık,
• Genel veya daraltılmış soruları yanıtlama,
• Birden fazla bilgi noktasını ilişkilendirme,
• Olumsuz ve sınır durumlarını tanıma.

Yanıtlar beş enerji depolama uzmanı tarafından 0–5 aralığında puanlanmıştır. Uzman puanları iki puandan fazla ayrıldığında ortak değerlendirme yapılması, daha küçük farklarda ortalamanın alınması öngörülmüştür.

Bilgi sorularında hangi modeller öne çıkmıştır?

Çalışmanın 22. sayfasındaki Şekil 11’e göre ince ayarlı Qwen3-8B; anlamsal anlama, terminoloji ve alan bilgisi boyutlarında en yüksek veya en yüksek değerlere yakın sonuçları üretmiştir. Mantıksal boyutta Kimi-K2.6 en yüksek sonucu almıştır.

İnce ayarlı Llama3.1-8B de tatmin edici performans göstermiştir. İnce ayarlı Qwen2.5-7B ise değerlendirilen modeller arasında belirgin biçimde daha düşük sonuç vermiştir.

Bu sonuç, küçük modelin yalnızca parametre sayısıyla değerlendirilmemesi gerektiğini; kaliteli alan verisiyle yapılan uyarlamanın belirli bilgi görevlerinde daha büyük genel modelleri geçebileceğini göstermektedir.

Kapsamlı bakım soruları nasıl değerlendirilmiştir?

Altı istasyonun 2024 yılı üç aylık sonuçlarından 24 kapsamlı soru hazırlanmıştır. Bu sorular risk puanının açıklanmasını, en olası risklerin belirlenmesini ve bakım önerisi üretilmesini istemiştir.

Yanıtlar dört ölçüte göre puanlanmıştır:

• Doğruluk: Risk verilerinin ve getirilen teknik bilginin doğru kullanılması,
• Yapı: İstenen biçim ve sıraya uyulması,
• Açıklık: Yanıtın kısa, anlaşılır ve gereksiz tekrardan uzak olması,
• Kullanıcı niyetine uyum: Sorunun doğrudan karşılanması.

Değerlendirme hem beş insan uzman hem de çalışmada GPT5.5 thinking, Qwen3.7-max-thinking, Doubao ve Gemini3.1-pro olarak adlandırılan yapay zekâ değerlendiricileriyle yapılmıştır. Bu model sürümlerinin teknik ayrıntıları ve değerlendirme istemlerinin tamamı çalışmada verilmemiştir.

Kapsamlı sorulardaki model sonuçları

Tam ölçekli modeller arasında hem insan hem yapay zekâ değerlendiricileri Kimi-K2.6 modelini en yüksek nihai puana sahip model olarak seçmiştir. İnsan uzmanlara göre DeepSeek-V3.2 doğrulukta; Kimi-K2.6 ise yapı, açıklık ve kullanıcı niyetine uyumda öne çıkmıştır.

İnce ayarlı açık modeller arasında Qwen2.5-14B en yüksek nihai puanı almıştır. Qwen3-8B bilgi sorularında güçlü olmasına rağmen kapsamlı risk açıklamalarında insan uzman değerlendirmesine göre aynı başarıyı koruyamamıştır.

Qwen3 ailesinin farklı büyüklükleri karşılaştırıldığında kapsamlı görev performansı genel olarak model büyüklüğüyle artmıştır. Bu durum, teknik bilgi ezberinin yanı sıra çok aşamalı risk ilişkilerini sentezlemenin daha yüksek genel akıl yürütme kapasitesi gerektirebileceğini düşündürmektedir.

Değerlendirme yönteminin sınırları

Kapsamlı bakım yanıtlarının tek bir doğru cevabı bulunmadığından uzman değerlendirmesi anlaşılabilir bir tercihtir. Bununla birlikte çalışmada değerlendiriciler arası Cohen kappa, sınıf içi korelasyon veya Krippendorff alfa gibi uyum istatistikleri verilmemiştir.

Başka büyük dil modellerinin hakem olarak kullanılması değerlendirme maliyetini azaltabilir; ancak benzer eğitim verileri, dil tercihleri veya biçim yanlılıkları nedeniyle cevapları bağımsız bir güvenlik doğrulaması olarak kabul edilemez.

Ayrıca modelin yanlış standarda atıf verme, var olmayan madde numarası üretme, gerekli güvenlik adımını atlama veya tehlikeli işlem sırası önerme oranı ayrı bir ölçüt olarak raporlanmamıştır.

Mevcut yöntemlerle karşılaştırma

Çalışma önerilen yöntemi FAHP-CRITIC ve D-ANP tabanlı risk değerlendirmeleriyle karşılaştırmaktadır.

Çalışmanın temel yeniliği tek tek yöntemlerden ziyade risk puanlama, bağlantı analizi, belge getirme ve doğal dilde karar desteğini aynı iş akışında birleştirmesidir.

Gerçek zamanlı değerlendirme iddiasının sınırı

Nicel risk maddelerinin sensör verisiyle güncellenebilmesi teknik olarak gerçek zamana yakın değerlendirmeye olanak verebilir. Ancak çalışmanın saha sonuçları yıllık, aylık ve üç aylık toplulaştırmalarla gösterilmiştir.

Alarmdan bakım önerisine kadar geçen süre, veri işleme gecikmesi, LLM yanıt süresi, sürekli hizmet kullanılabilirliği ve aynı anda çok sayıda istasyonun işlenmesi ölçülmemiştir. Bu nedenle gerçek zamanlı endüstriyel performans henüz tam olarak gösterilmiş değildir.

Çevrimiçi ve çevrimdışı kullanım

Çerçeve iki farklı kurulum biçimi önermektedir:

• Çevrimiçi kullanım: Büyük bir modelin API’si kullanılır. Yerel hesaplama maliyeti düşüktür ancak verinin dış hizmete gönderilmesi gizlilik ve güvenlik değerlendirmesi gerektirir.
• Çevrimdışı kullanım: İnce ayarlı küçük model tesis veya işletme sunucusunda çalıştırılır. Veriler yerel kalabilir ancak eğitim ve çıkarım için daha güçlü donanım gerekir.

Çalışmadaki eğitim sistemi; 24 GB belleğe sahip NVIDIA RTX 4090, Intel Core i9-10900X işlemci, 128 GB DDR4 bellek ve Ubuntu 22.04 işletim sisteminden oluşmaktadır. LLaMA-Factory eğitim, Ollama ise model yükleme ve yerel çalıştırma için kullanılmıştır.

Yazarlar çevrimdışı kurulum için en az bir RTX 4090 ve 64 GB’ın üzerinde sistem belleği önermektedir. Bu değerler çalışmanın kullandığı model ve yazılım düzenine aittir; bütün modeller için evrensel donanım koşulu değildir.

Çerçeve doğrudan ekipmanı kontrol ediyor mu?

Hayır. Çalışmanın mevcut sürümü yalnızca risk değerlendirmesi, açıklama ve bakım önerisi üretmektedir. Yangın söndürme sistemi, güç dönüştürücü, soğutma sistemi veya şalt ekipmanına doğrudan komut gönderememektedir.

Yazarlar gelecekte Model Context Protocol ve çok etmenli yapılarla yazılım veya cihazlarla bağlantı kurulmasını önermektedir. Ancak güvenlik açısından bu tür bir genişletme; yetkilendirme, komut doğrulama, fiziksel kilitleme, insan onayı, geri alma ve hata durumuna güvenli geçiş gibi ek kontroller gerektirir. Bu kontroller mevcut çalışmada geliştirilmemiştir.

Çalışmanın desteklediği sonuçlar

• Sensör verileri ile uzman değerlendirmeleri aynı hiyerarşik risk yapısında birleştirilebilir.
• Risk bağlantı ağı, doğrudan ölçülen sorunların başka alt sistemler üzerindeki olası etkilerini görünür hâle getirebilir.
• Altı istasyonun 2024 verileri, alarm sayılarındaki değişimin hücre ve üst kategori puanlarına yansıtılabildiğini göstermektedir.
• RAG ve risk değerlendirme sonuçları birlikte kullanılarak yapılandırılmış bakım açıklamaları üretilebilir.
• Alan odaklı ince ayar, küçük modellerin teknik bilgi sorularındaki performansını belirgin biçimde geliştirebilir.
• Karmaşık risk açıklamalarında tam ölçekli modeller genel olarak daha güçlü sonuç verebilir.
• İnsan onaylı karar desteği, yalnızca puan veren açıklamasız bir risk sisteminden daha uygulanabilir olabilir.

Çalışma neyi kanıtlamamaktadır?

• Çerçevenin yangın, termal kaçak veya ekipman arızası sayısını fiilen azalttığını kanıtlamamaktadır.
• Risk puanlarının gerçek arıza olasılığı veya beklenen maddi kayıp olduğunu göstermemektedir.
• Bağlantı düzeltmesiyle oluşan yüzde düşüşlerin gerçek riskte aynı oranda artış anlamına geldiğini göstermemektedir.
• Büyük dil modelinin bütün bakım önerilerinin güvenli, doğru ve eksiksiz olduğunu kanıtlamamaktadır.
• Çin standartlarıyla oluşturulan bilgi tabanının başka ülkelerde doğrudan kullanılabileceğini göstermemektedir.
• Çerçevenin saniyeler düzeyinde gerçek zamanlı çalıştığını veya büyük filo ölçeğinde performansını göstermemektedir.
• İnsan bakım personelinin yerini alabileceğini veya ekipmanın otonom kontrolüne hazır olduğunu göstermemektedir.
• İncelenen altı tesis dışındaki batarya kimyaları, üreticiler ve tesis mimarilerinde aynı sonuçların elde edileceğini göstermemektedir.

Çalışmanın başlıca sınırlılıkları

• Çalışma hakem değerlendirmesinden geçmemiştir.
• Saha örneklemi Çin’deki altı istasyonla sınırlıdır.
• Tesislerin kapasitesi, batarya kimyası ve ayrıntılı donanım mimarileri verilmemiştir.
• Risk bağlantı ağı altı uzmanın görüşüne dayanmaktadır.
• Bağlantı katsayısındaki beşinci kuvvet ve G=7 sabiti için kapsamlı duyarlılık analizi sunulmamıştır.
• SPE denklemindeki β katsayısının uygulamada kullanılan değeri açık değildir.
• Risk puanları gerçek arıza ve bakım sonuçlarından oluşan bağımsız hedef değişkenlerle doğrulanmamıştır.
• Gerçek zamanlı iddia, ağırlıklı olarak aylık ve üç aylık sonuçlarla gösterilmiştir.
• RAG sisteminin kaynak bulma doğruluğu, atıf doğruluğu ve kaçırılan belge oranı nicel olarak verilmemiştir.
• İnsan değerlendiriciler arasındaki uyum istatistiği raporlanmamıştır.
• LLM değerlendiricilerinin sürümleri, istemleri ve çalıştırma koşulları tam olarak açıklanmamıştır.
• Kimi-K2.6 adı ile kaynakçada verilen Kimi K2.5 çalışması arasında sürüm tutarsızlığı bulunmaktadır.
• Veri kümesi, kod, uzman anketleri ve tam model çıktıları açık erişim bağlantısıyla paylaşılmamıştır.
• Yanlış veya güvenli olmayan bakım önerilerine ilişkin özel bir güvenlik testi yapılmamıştır.

Türkiye’de uygulanması için yapılması gerekenler

İlk aşamada Türkiye’de kullanılan enerji depolama tesislerinin mimarileri çıkarılmalı; hücre, paket, küme, BMS, güç dönüştürücü, termal yönetim, yangın söndürme ve saha altyapısı için ülkeye özgü bir risk indeksleme sistemi kurulmalıdır.

İkinci aşamada çalışmadaki Çin standartları yerine Türkiye’de yürürlükte olan teknik düzenlemeler, şebeke bağlantı koşulları, yangın güvenliği belgeleri, üretici kılavuzları ve bakım prosedürleri kullanılarak yerel bir bilgi tabanı hazırlanmalıdır. Her belge sürüm, yürürlük tarihi ve madde numarasıyla izlenmelidir.

Üçüncü aşamada sensör verilerinin ortak bir veri sözlüğüne dönüştürülmesi gerekir. Hücre gerilimi, sıcaklık, akım, SOC, yalıtım, soğutma debisi, alarm kodları ve bakım kayıtlarının farklı üreticiler arasında aynı anlamda kullanılıp kullanılmadığı doğrulanmalıdır.

Dördüncü aşamada risk puanı yalnızca uzman kanaatiyle değil; gerçek arıza, bakım müdahalesi, plansız duruş, sıcaklık olayı ve yanlış alarm sonuçlarıyla geriye dönük olarak sınanmalıdır. Modelin riskli dediği durumların ne kadarının gerçek olaya dönüştüğü ölçülmelidir.

Beşinci aşamada büyük dil modeli için kapalı bir güvenlik değerlendirmesi yapılmalıdır. Var olmayan standart maddesi üretme, yanlış ekipman önerme, yüksek gerilim altında güvensiz işlem önerme, kritik uyarıyı atlama ve kullanıcıyı gereksiz müdahaleye yönlendirme senaryoları özellikle sınanmalıdır.

Son aşamada sistem yalnızca karar destek aracı olarak kullanılmalı; her bakım önerisi yetkili mühendis veya sorumlu işletme personeli tarafından doğrulanmalıdır. Yapay zekâ ile doğrudan fiziksel ekipman kontrolü arasında bağımsız güvenlik mantığı, yetkilendirme ve insan onayı bulunmalıdır.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımının özeti

Risk indeksinin sayısal kapsamı

Risk puanlama yöntemlerinin karşılaştırılması

LLM deneyinde kullanılan modeller

Model adları çalışmada kullanıldığı biçimde aktarılmıştır. İlgili sürümlerin erişim tarihleri, API ayarları, sıcaklık parametreleri ve tam sistem istemleri verilmediğinden deneylerin bağımsız olarak birebir tekrarlanması sınırlıdır.

Bilgi sorusu veri kümesi

Ana deneysel bulgular

Şekil ve tabloların bilimsel anlamı

• Şekil 1: Sensör ve uzman verisinden risk değerlendirmesine, oradan LLM açıklaması ve bakım önerisine uzanan genel mimariyi göstermektedir.
• Şekil 2: Risk indeksinin kurulması, FAHP ağırlıkları, CRPS/SPE puanlama, bağlantı düzeltmesi, LLM eğitimi ve RAG adımlarını tek iş akışında göstermektedir.
• Şekil 3: 42 alt faktör arasındaki uzman tanımlı yönlü risk bağlantılarını göstermektedir.
• Şekil 4: Başlangıç puanlarının bağlantı katsayılarıyla düzeltilmesini ve risk yayılım yolunun hiyerarşik puana taşınmasını açıklamaktadır.
• Şekil 5: Standartlar, kılavuzlar, risk sonuçları ve işletme verilerinden oluşan çok kaynaklı bilgi tabanını göstermektedir.
• Şekil 6: Altı istasyonun yıllık başlangıç ve düzeltilmiş puanlarıyla aşırı şarj/deşarj alarm ısı haritasını sunmaktadır.
• Şekil 7: Mart 2024 için sekiz risk kategorisinin altı istasyonda bağlantı düzeltmesinden nasıl etkilendiğini radar grafiklerle göstermektedir.
• Şekil 8: Birinci istasyondaki alarm artışının hücre ve üst kategori puanlarına taşınmasını, altıncı istasyondaki kararlı durumla karşılaştırmaktadır.
• Şekil 9: Büyük dil modeline verilen ham risk puanını, özet risk göstergelerini ve getirilen teknik bilgi parçalarını göstermektedir.
• Şekil 10: Alan bilgisi sorusu ile risk açıklaması ve bakım önerisi isteyen kapsamlı soruya verilen örnek yanıtları göstermektedir.
• Şekil 11: Modellerin anlamsal, sözcüksel, bilgi, mantık ve bütünlük puanlarını karşılaştırmaktadır.
• Şekil 12: Tam ölçekli modellerin insan ve LLM hakemleri tarafından verilen kapsamlı yanıt puanlarını göstermektedir.
• Şekil 13: İnce ayarlı açık modellerin doğruluk, yapı, açıklık, uyum ve nihai puanlarını karşılaştırmaktadır.
• Şekil 14: Qwen3 ailesinde model büyüklüğü ile kapsamlı görev performansı arasındaki genel ilişkiyi göstermektedir.
• Tablo A.1–A.3: Sekiz kategori ve 87 risk maddesinin tamamını nicel veya nitel sınıflandırmalarıyla sunmaktadır.
• Tablo B.2: Bilgi tabanında kullanılan Çin enerji depolama standartlarını listelemektedir.
• Tablo C.1: Alan bilgisi değerlendirmesinde kullanılan 30 temel soruyu göstermektedir.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Explainable Risk Assessment and Intelligent Maintenance for Electrochemical Energy Storage System with Large Language Model

Yazarlar ve doğru sıraları: Yijie Wang, Yujie Fu, Yi Lu, Jingbo Qu, Putai Zhang ve Mian Li.

Eş birinci yazar: Eş katkı veya eş birinci yazarlık bilgisi belirtilmemiştir.

Sorumlu yazar: Yijie Wang. Çalışmada iletişim adresi yijiewang@sjtu.edu.cn olarak verilmiştir.

Kurumsal bağlantılar:

• Global Institute of Future Technology, Shanghai Jiao Tong University, Shanghai, China
• Global College, Shanghai Jiao Tong University, Shanghai, China
• Key Laboratory of Urban Complex Risk Control and Resilience Governance, Shanghai Jiao Tong University, Shanghai, China

Yijie Wang ve Mian Li birinci ve üçüncü kurumla; Yujie Fu, Yi Lu ve Putai Zhang birinci kurumla; Jingbo Qu ikinci kurumla bağlantılı olarak gösterilmiştir.

DOI: 10.2139/ssrn.7195888. DOI, SSRN preprint kaydına aittir ve hakemli bir dergi makalesi DOI’si olarak yorumlanmamalıdır.

Hedef dergi: Çalışmada “Preprint submitted to Applied Energy” ifadesi ve 27 Temmuz 2026 tarihi bulunmaktadır. Applied Energy tarafından kabul veya yayımlanma bilgisi bulunmamaktadır.

Yayın platformu: SSRN.

SSRN özet numarası: 7195888.

Yayın yılı: 2026.

Kaynak türü: Gerçek işletme verisi, uzman tabanlı risk modellemesi, RAG, büyük dil modeli ince ayarı ve bakım karar desteğini birleştiren mühendislik preprinti.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. Risk puanlama sabitleri, saha genellenebilirliği, LLM değerlendirme yöntemi ve güvenli bakım önerisi üretme kapasitesi bu sınırlılıkla değerlendirilmelidir.

Resmî bağlantı:https://ssrn.com/abstract=7195888

Finansman: Çalışma; Çin Ulusal Temel Araştırma ve Geliştirme Programının 2023YFB2408200 numaralı desteği, Shanghai Eastern Talent Plan kapsamındaki BJKJ2025021 numaralı Leading Talent Programı ve Shanghai Jiao Tong University ile CATL arasındaki New Energy Battery 9σ Joint Research Project tarafından kısmen desteklenmiştir.

Yazar katkıları: Kişi bazında ayrıntılı yazar katkı beyanı metinde yer almamaktadır.

Çıkar çatışması: Ayrı bir çıkar çatışması beyanı metinde yer almamaktadır.

Veri ve kod erişimi: Altı istasyonun ham sensör verileri, uzman karşılaştırma matrisleri, tam ince ayar veri kümesi, eğitim kodu ve bütün model yanıtları için açık erişim bağlantısı verilmemiştir.

Bu Türkçe makale; çalışmanın tam metni, 22 denklemi, sekiz ana tablosu, 14 şekli, üç ek bölümü, risk indeksleme sistemi, istasyon sonuçları, LLM karşılaştırmaları ve yöntemsel sınırlılıkları incelenerek hazırlanmıştır. Dış kaynaklar yalnızca preprint kimliği, DOI, sayfa sayısı ve resmî SSRN bağlantısının bibliyografik doğrulanması amacıyla kullanılmış; çalışmanın bilimsel içeriğine dışarıdan bulgu eklenmemiştir.

Çalışmanın en önemli sınırlılıkları; yalnızca altı Çin istasyonunun incelenmesi, risk bağlantılarının uzman görüşüne dayanması, risk puanlarının gerçek olay sonuçlarıyla bağımsız olarak kalibre edilmemesi, gerçek zamanlı performansın aylık ve üç aylık sonuçlarla gösterilmesi, LLM yanıtlarının güvenlik hatalarının ayrı olarak ölçülmemesi, model sürümlerindeki bazı tutarsızlıklar ve ham veri ile kodun paylaşılmamış olmasıdır.