Бул изилдөө, süperkritik көмүр кычкыл газы ortamlarında болоттордун жалпы коррозия ылдамдыгыnı жана чукурча коррозиясы oluşumunu tahmin etmek үчүн yorumlanabilir bir Колмогоров-Арнольд тармагы (Kolmogorov-Arnold Network, KAN) kullanmıştır. Изилдөөчүлөр 32 жарыяланган изилдөөдөн derlenen 386 эксперименттик үлгүнү; температура, басым, таасирге дуушар болуу мөөнөтү, суу, SO₂ жана O₂ концентрациялары менен хром жана көмүртек курамдарынан oluşan sekiz өзгөрмө üzerinden incelemiştir. Dinamik экспериментlerden oluşturulan регрессия топтомунда KAN’ın орточо тест R² баалуулукi 0,811 ± 0,058; чукурчаны классификациялоодогу doğruluğu 0,883 ± 0,041 жана AUC баалуулукi 0,947 ± 0,032 катары билдирилген. KAN, жөнгө салынган дарак ансамблдеринен daha doğru değildir; негизги katkısı, tahmin yapan модельin öğrendiği үзгүлтүксүз функциялардын түздөн-түз incelenebilmesidir. Sonучlar heterojen literatür маалыматlerine dayanan, kontrollü yeni экспериментlerle doğrulanmamış жана рецензиядан өтө элек bir preprint kapsamında yorumlanmalıdır.

Модельin öğrendiği eğrмененr, dinamik суперкритикалык CO₂ koşullarında коррозия ылдамдыкının krom içeriği arttıkça azaldığını, температураla Arrhenius tipi жүкseldiğini, таасирге дуушар болуу мөөнөтүyle yaklaşık bir күч мыйзамыna göre düştüğünü жана basınca karşı tek yönlü olmayan bir eğilim gösterdiğini ortaya koymuştur. Görünür активация энергиясы yaklaşık 13 kJ/mol, süreye ilişkin күч мыйзамы üssü болсо yaklaşık −1,06 катары эсептелген. Модель davranışının yaklaşık %88’i бир өзгөрмөлүү маргиналдык таасирлер менен, yaklaşık %12’si болсо өзгөрмөлөр аралык өз ара аракеттер менен ачыкlanmıştır; en күчтүү өз ара аракеттенүүler температура–SO₂ жана суу–SO₂ çiftlerinde bulunmuştur.

Изилдөөnın маанилүү ажыратууı тактык менен yorumlanabilirlik arasındadır. XGBoost жана Random Forest регрессияda KAN’dan biraz daha жогорку орточо R² маанилерi жанаrmiştir. XGBoost’un орточо R² баалуулукi 0,836, Random Forest’ın 0,830 жана KAN’ın 0,811’dir. Buna karşılık KAN, eşit parametre sayısına sahip көп катмарлуу персептронdan anlamlı biçimde daha iyi натыйжа üretmiş жана kendi öğrendiği B-spline tabanlı кыр функцияларын түздөн-түз görünür hâle getirmiştir. Изилдөөчүлөр bu эмне үчүнle KAN’ı “daha doğru” değil, күчтүү geleneksel модельlerle rekabet edebмененn жана kendi işlevsel biçimi incelenebмененn bir ыкма катары жайгашууlandırmıştır.

Түркия жагынан баалоо: Изилдөө, көмүртекти кармоо, пайдалануу жана сактоо altтүзүмları; жогорку басымдагы CO₂ ташуу; энергия boru hatları жана коррозия инженериясы üzerinde çalışan Түркиядаki изилдөө grupları үчүн yorumlanabilir машина үйрөнүү ыкмасы сууnmaktadır. Модель, ар башка болоттордун жана изилдөө koşullarının коррозия davranışını önceliklendirmede изилдөө aracı катары sınanabilir. Бирок натыйжалар Түркиядаki boru материалleri, CO₂ saflık деңгээлleri, агым rejimleri жана талаа koşullarıyla тастыкталган эмес. Изилдөө herкайсы bir boru hattının коопсуз болгонуnu, belirli bir alашып кетүүın колдонуу ömrünü же чыныгы системаlerde kabul edмененbilir ишкана sınırlarını belirlememektedir.

Изилдөөнүн негизги суроосу эмне?

Изилдөөнүн негизги суроосу, суперкритикалык CO₂ ortamlarındaki çelik коррозияunun hem tahmin edilip hem de tahmini yöneten өзгөрмө ilişkмененrinin aynı модель üzerinden okunup okunamayacторıdır. Изилдөө iki өзүнчө çıktı üzerinde yoğunlaşmıştır:

• Genel коррозия ылдамдыкı регрессияu: Korozyon ылдамдыкının logaritmik ölçekte sürekli bir баалуулук катары tahmin edilmesi.
• Çukurcuk коррозияu классификацияsı: Yerel çukurcuk oluşumunun var же yok biçiminde классlandırılması.

Süperkritik CO₂, kritik температура жана basıncın üzerindeki koşullarda gaz жана sıvı өзгөчөliklerini бирге sergмененyen CO₂ fazını ifade etmektedir. Изилдөөnın incelediği системаlerde суу, SO₂ жана O₂ gibi safsızlıklar; температура, басым жана таасирге дуушар болуу мөөнөтүyle бирге çelik бетindeki жалпы жана yerel коррозия процессlerini etkмененyebilmektedir. Изилдөөнүн amacı bu karmaşık ilişkмененri tek bir эмпирикалык denklemle önceden varsaymak yerine маалыматden öğrenmek жана öğrenмененn eğrмененri физикалык açıdan текшерүүktir.

Изилдөө эмне үчүн маанилүүdir?

Karbon yakalama, kullanma жана depolama (carbon capture, utilization and storage, CCUS) системаlerinde yakalanan CO₂’nin boru hatlarında tжешилүүsı gerekebilir. Taşınan суюктук үчүнdeki суу жана gaz safsızlıkları metal бетinde коррозияa yol açabilir. Genel коррозия орточо metal kaybıyla, чукурча коррозиясы болсо бетde yerel жана derin hasar bölgeleriyle ilişkilidir. Bu iki hasar biçimi aynı өзгөрмөlere aynı сүрөтde yanıt жанаrmeyebilir.

Geleneksel машина үйрөнүү модельleri жогорку tahmin başarısı sторlayabilse de кайсы өзгөрмөin кайсы aralıkta коррозияu artırdığını же azalttığını түздөн-түз göstermeyebilir. Sonradan uygulanan SHAP ya da пермутация маанилүүлүгү gibi ачыкlama ыкмаларi болсо kullanılan фон маалыматsine жана ачыкlama tekniğine göre ар башка натыйжалар жанаrebilir. Изилдөө, коопсузğin маанилүү болгону коррозия инженериясыnde yalnızca жогорку doğruluğun değil, модельin öğrendiği ilişkinin ачыкça incelenebilmesinin de gerekli болгонуnu savunmaktadır.

Literatürde кайсы boşluk hedeflenmiştir?

Önceki коррозия tahmin изилдөөlarında yapay sinir торları, Random Forest, destek жанаktör makineleri жана gradyan artırmalı karar торaçları колдонулган. Bu ыкмаларin bir bölümü өзгөрмө öнымlerini raporlasa da ачыкlamalar çoğunlukla модель eğitildikten sonra uygulanan haricî талдооlere dayanmaktadır.

Колмогоров-Арнольд тармактары daha önce материал модельlerinde, физика-маалыматтуу sinir торlarında, oksidasyon kontrolünde, sürünme ömrü tahmininde жана CO₂ коррозияu изилдөөlarında колдонулган. İncelenen изилдөө, yalnızca tahmin doğruluğu салыштырууsı yapmak yerine KAN’ın kendi öğrendiği кыр функцияларын, маржиналдык etkмененrini, өзгөрмө өз ара аракеттенүүlerini жана toplamsal katkı бюджетsini түздөн-түз текшерүүyi amaçlamıştır.

Veri kümesi кантип oluşturulmuştur?

Изилдөөчүлөр 32 yayımlanmış булакtan toplam 386 эксперимент örneği derlemiştir. Örnekler гидродинамикалык koşula göre iki gruba өзүнчөlmıştır:

Regresyon örnek sayısının toplam sayıdan төмөн olmasının эмне үчүнi, булакlarda сандык баалуулукi маалыматlmeksizin “ihmal edмененbilir” катары диагнозmlanan bazı коррозия ылдамдыкlarıdır. Изилдөөчүлөр bu örneklere логарифмдик өзгөртүүde mutlak sıfır sorununu önlemek үчүн 0,01 mm/yıl баалуулукi atamıştır. Bu atanmış маанилер, чыныгы bir сандык өлчөө olmadıkları үчүн регрессия окутууinden çıkarılmış; özgün изилдөөlarda bildirмененn çukurcuk этикаetleri чыныгы gözlemlere dayandığından классификация kümesinde tutulmuştur.

Sayısal коррозия ылдамдыкının таблицаda bulunmadığı bazı yayınlarda маанилер графиктерден санариптештирилип çıkarılmıştır. Çukurcuk этикаeti болсо булак yayınlardaki çukurcuk катышlarına жана numune морфологиясы ачыкlamalarına göre 1, çukurcuk bulunmaması durumunda 0 катары atanmıştır.

Verмененr кантип temizlenmiş жана dönüştürülmüştür?

Sekiz girdi өзгөрмөinden же hedef коррозия ылдамдыкından herкайсы biri eksik olan жазууlar çıkarılmıştır. Geçerli катмарланган кайчылаш текшерүү түзүмlamayacak kadar az örnek içeren классlar elenmiş жана ар башка yayınlarda yinelenen жазууlar tekilleştirilmiştir.

Korozyon ылдамдыкlarının çoğu 0–1 mm/yıl aralığında yoğunlaşırken az sayıda daha жогорку баалуулук bulunmaktadır. Bu sторa çarpık dторılımı dтоскоолдукemek amacıyla жалпы коррозия ылдамдыгыna taban 10 logaritması uygulanmıştır. Dönüşümden sonra dinamik регрессия топтомунда орточо −1,30 жана стандарттык четтөө 0,84; statik kümede орточо −1,02 жана стандарттык четтөө 0,97 катары билдирилген.

O₂, SO₂ жана H₂O derişimleri yüzlerce ppmv’den on binlerce ppmv’ye uzanan geniş aralıklar içerdiğinden bu өзгөрмөlere de логарифмдик өзгөртүү uygulanmıştır. Bütün girdмененr KAN’ın sınırlı bir alan üzerinde диагнозmlanan B-spline fonksиондоруna uygun olacak biçimde [−1, 1] aralığına ölçeklenmiştir.

Bir girdinin min–maks normalizasyonu şu denklemle маалыматlmiştir:

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

Burada \(x\), özgün girdi баалуулукini; \(x_{\min}\) жана \(x_{\max}\), yalnızca ilgili окутуу katındaki en төмөн жана en жогорку маанилерi; \(x'\) болсо [−1, 1] aralığına dönüştürülmüş баалуулукi көрсөтөт. Sıcaklığın birimi °C, basıncın MPa жана derişimlerin dönüşüm öncesindeki birimi ppmv’dir. Denklem өзгөрмөin физикалык sırasını değiştirmez; yalnızca модельin işleyebмененceği ortak сандык aralığa taşır.

Logaritmik коррозия hedefi z-упайы менен стандартташтырылган:

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

\(y\), log₁₀ dönüştürülmüş коррозия ылдамдыкını; \(\mu\) жана \(\sigma\), yalnızca окутуу маалыматыnden hesaplanan орточо жана стандарттык четтөөyı; \(y'\) болсо standartlaştırılmış hedefi ifade etmektedir. Модельin standartlaştırılmış çıktısı \(\hat{y}\) kullanılarak физикалык ölçeğe dönüş şu ilişkiyle түзүмlmıştır:

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

Burada \(CR\), mm/yıl birimindeki жалпы коррозия ылдамдыгыdır. Logaritmik баалуулук elde edildikten sonra чыныгы коррозия ылдамдыкı \(10^{\log_{10}(CR)}\) üzerinden geri kazanılabilir.

Модельde кайсы өзгөрмөler колдонулган?

Malzeme grubunda X60, X65, X70, X80 жана X100 boru çelikleri менен 3Cr, 5Cr жана 13Cr gibi krom içeren çelikler жана коррозияa dayanıklı alашып кетүүlar bulunmaktadır. Bir yayın kesin bмененşim yerine aralık bildirmişse aralığın ortanca баалуулукi колдонулган.

Изилдөөчүлөр PREN же көмүртек eşбаалуулукi gibi birleşik indisler yerine Cr жана C маанилерini түздөн-түз kullanmıştır. Изилдөөdaki gerekçe, birleşik indislerin kendi iç салмактарыnı модельe tашып кетүүaması жана krom менен көмүртекun etkмененrinin KAN eğrмененrinde өзүнчө өзүнчө okunabilmesidir.

Колмогоров-Арнольд тармагы кантип изилдөөktadır?

Geleneksel көп катмарлуу персептронda кырlar çoğunlukla сандык салмактары, түйүндөр болсо sabit aktivasyon fonksиондоруnı taşır. KAN’da öğrenмененbilir tek өзгөрмөli fonksионlar торın кырlarına yerleştirilir; түйүндөр gelen маанилерi toplar. Her кырın öğrendiği fonksион B-spline eğrisi катары incelenebilir.

Kolmogorov-Arnold temsil teoremi изилдөөдө şu biçimde ifade edilmiştir:

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

\(x_p\), girdinin \(p\) numaralı bмененşenini; \(\phi_{q,p}\), tek bir giriş өзгөрмөine uygulanan sürekli fonksионu; \(\Phi_q\), iç toplamın sonucuna uygulanan dış tek өзгөрмөli fonksионu көрсөтөт. Denklem, çok өзгөрмөli bir ilişkinin tek өзгөрмөli fonksиондоруn bмененşimleri жана toplamlarıyla temsil edмененbмененceğini баяндооr.

Bir KAN кырındaki öğrenмененbilir aktivasyon şu сүрөтde аныкталган:

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

Burada \(w\), öğrenмененn ölçek katsayısıdır. Temel fonksион \(b(x)\), изилдөөдө SiLU fonksионu катары маалыматlmiştir:

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

Spline bмененşeni болсо B-spline taban fonksиондоруnın doğrusal birleşimidir:

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

\(c_i\), окутуу sırasında öğrenмененn kontrol katsayılarını; \(B_i(x)\), диагнозmlanmış grid üzerindeki B-spline taban fonksиондоруnı көрсөтөт. B-spline’ların yerel destek өзгөчөliği, belirli bir giriş aralığındaki eğimin бардык fonksионu aynı ölçüde değiştirmeden öğrenilmesini sторlar.

Модельin sekiz bмененşenli girdi жанаktörü şöyledir:

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

Bir KAN катмарındaki \(j\) numaralı түйүнün çıktısı şu toplamla эсептелген:

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

\(\phi_{i,j}^{(s)}\), \(s\) numaralı катмарdaki \(i\) giriş түйүнünü \(j\) çıkış түйүнüne bторlayan öğrenмененbilir кыр fonksионudur. Düğüm, ар башка girişlerden gelen dönüştürülmüş маанилерi toplar.

Tam торın катмар bмененşimi şu сүрөтde маалыматlmiştir:

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

\(L\), toplam катмар sayısını; \(\Phi^{(s)}\), ilgili катмарdaki бардык кыр dönüşümlerini жана түйүн toplamlarını ifade etmektedir.

Regresyon торının tek çıkış түйүнündeki logaritmik коррозия tahmini, son gizli катмарdan gelen öğrenilmiş fonksиондоруn toplamı катары yazılmıştır:

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

\(N_h\), son gizli катмарdaki түйүн sayısıdır. Her terim, belirli bir gizli өзгөчөlikten коррозия çıktısına gelen öğrenilmiş katkıyı temsil eder. Sınıflandırma торında болсо son катмар, çukurcuk жана çukurcuk bulunmaması классlarına karşılık gelen iki çıktı түйүнüne dönüştürülmüş жана softmax мүмкүнlıkları колдонулган.

Модель seçimi жана маалымат sızıntısının önlenmesi

KAN’ın gizli катмар sayısı, катмар genişliği, spline derecesi, grid büжүкlüğü, seyreklik katsayısı жана öğrenme катышı önceden sabitlenmemiştir. Aşторıdaki aralıklar üzerinde 40 deнымelik Tree-structured Parzen Estimator tabanlı Байес оптималдаштыруу uygulanmıştır:

Her түзүмlandırma, кайчылаш текшерүүdaki орточо R² баалуулукinden стандарттык четтөөnın çıkarılmasıyla puanlanmıştır. En iyi puana küçük bir tolerans үчүнde yaklaşan модельler arasından daha kompakt архитектура seçilmiştir. Bu yaklашып кетүү, yalnızca жогорку орточо тактык жанаren fakat katlar arasında kararsız olan bir модельi seçmemeyi жана yorumlanabilirliği korumayı amaçlamıştır.

Veri sızıntısını önlemek үчүн ölçekleme жана hedef standartlaştırma иштетүүleri her кайчылаш текшерүү katında yalnızca окутуу bölümü üzerinde öğrenilmiştir. Erken durdurma үчүн kullanılan iç текшерүү kümesi de окутуу katından өзүнчөlmış; dışarıda tutulan тест katı модель seçimine же окутууe dâhil edilmemiştir.

Dinamik жана statik регрессия маалыматleri үчүн seçмененn архитектура bir gizli катмар жана текстураz gizli түйүн içeren [8, 9, 1] түзүмsıdır. Sekiz giriş өзгөчөliği текстураz түйүнlü gizli катмарa, bu катмар da tek регрессия çıkışına bторlanmıştır. Ошентсе да seçмененn nihai spline derecesi, grid büжүкlüğü, seyreklik katsayısı жана öğrenme катышı metinde tek bir натыйжа таблицасууnda ачыкça берилген эмес. Şekil 4’te \(k=3\) жана \(G=5\) gösterilse de bunların kesin seçilmiş баалуулук mi yoksa архитектураyi ачыкlayan örnek маанилер mi болгону ачыкça belirtilmemiştir.

Eğitim жоготууları кантип аныкталган?

Regresyon окутууinde, büжүк hataların etkisini sınırlamak amacıyla eşik баалуулукi \(\delta=0,5\) olan Huber жоготуусу колдонулган:

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

Küçük hatalarda kareli hata, büжүк hatalarda yaklaşık doğrusal hata uygulanmaktadır. Böylece уч örneklerin gradyan üzerindeki etkisi tamamen kaldırılmadan sınırlandırılır. Sınıflandırmada standart кайчылаш энтропия жоготуусу колдонулган.

Veri kaybına KAN’a özgü сейректүүлүк регуляризациясы eklenmiştir:

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

\(L_{\mathrm{data}}\), регрессияda Huber, классификацияda кайчылаш энтропия жоготуусуdır. L₁ terimi az sayıda baskın кырın etkin kalmasını teşvik eder. Изилдөөda \(\альфа=\beta=1,0\) колдонулган. Metin, \(H(w)\) ifadesini Shannon энтропияsi катары adlandırmış жана \(H(w)=\сууm_e p_e\log p_e\) biçiminde yazmıştır. Standartlaştırıcı işaret же терс işaret konvansионu өзүнчөca түшүндүрүлгөн эмес; bu makalede ifade sessizce değiştirilmemiştir.

Optimizasyonda AdamW жана 10⁻⁶ деңгээлine inen kosinüs күйгүзүү öğrenme катышı колдонулган. Eğitim en fazla 3000 epoch sürmüş, iç текшерүү kaybı 300 epoch boyunca iyмененşmezse durdurulmuştur. Grid sınırları yakınındaki gradyan büyümesini sınırlamak үчүн en жогорку gradyan normu 1,0 катары kırpılmıştır.

Başarı ölçütleri nelerdir?

Regresyon başarısı ачыкlanan вариация катышı R², орточо квадраттык ката жана орточо абсолюттук катаyla бааланган:

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

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

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

R² баалуулукi 1’e yaklaştıkça модель hedefteki değişimin daha büжүк bölümünü ачыкlamaktadır. MSE büжүк hataları karesinden dolayı daha күчтүү cezalandırır; MAE болсо орточо mutlak yawyı hedefle aynı ölçekte маалыматr. Изилдөөdaki MSE жана MAE маанилерi log₁₀ dönüştürülmüş hedef uzayındadır жана түздөн-түз mm/yıl hatası катары okunmamalıdır.

Çukurcuk классı оң класс катары диагнозmlanmış жана ölçütler şu biçimde маалыматlmiştir:

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

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

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

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

TP doğru çukurcuk tahminlerini, TN doğru çukurcuk yokluğu tahminlerini, FP yanlış çukurcuk alarmlarını жана FN kaçırılan çukurcuk örneklerini көрсөтөт. AUC болсо бардык классификация eşikleri boyunca оң жана терс классların өзүнчөştırılma деңгээлini өлчөйт.

Dinamik жана statik маалыматlerde натыйжалар кантипdır?

Aynı маалымат sızıntısız кайчылаш текшерүү düzeninde dinamik регрессия модельi 0,811 ± 0,058 орточо тест R² баалуулукine ulaşmıştır. Statik модельin орточо тест R² баалуулукi 0,658 ± 0,142’dir. Statik натыйжа hem daha төмөн hem de katlar arasında daha өзгөрмөdir.

Изилдөөчүлөр farkı statik маалымат топтомуnin daha küçük olmasına, эксперимент koşullarının өзгөчөlik uzayını daha seyrek жана düzensiz kapsamasına bторlamıştır. Модель салыштырууları жана mekanizma yorumları bu эмне үчүнle dinamik маалымат топтому üzerinde sürdürülmüştür. Изилдөө, statik koşullardaki коррозия ilişkмененrinin güжанаnilir biçimde çözümlendiğini iddia etmemektedir.

KAN регрессияda diğer модельlerle кантип салыштырылган?

Karşılaştırmalar aynı кайчылаш текшерүү katları üzerinde eşleştirilmiş Wilcoxon белгилүү рангдар тестиyle түзүмlmıştır. XGBoost жана Random Forest KAN’dan daha жогорку орточо R² жанаrmiştir. Bu эмне үчүнle изилдөө KAN’ın en doğru регрессия модельi болгонуnu iddia etmemektedir.

Parametre eşleştirilmiş MLP’nin KAN’la yaklaşık aynı sayıda eğitмененbilir parametreye sahip olması, öğrenмененbilir spline кырlarının sabit түйүн aktivasyonlarına karşı katkısını daha түздөн-түз салыштырууyı amaçlamıştır. KAN’ın bu MLP’den daha жогорку жана daha kararlı натыйжа жанаrmesi, изилдөөнүн модель архитектурасы açısından öne çıkardığı негизги bulgulardan biridir.

Çukurcuk классификацияsı эмнени көрсөтөт?

KAN’ın çukurcuk классındaki geri çторırma баалуулукi 0,863 ± 0,087’dir. AUC баалуулукi XGBoost’tan biraz төмөн, Random Forest’tan болсо yalnızca 0,001 daha жогоркуtir. Авторлор KAN’ı bu görevde de en жогорку тактык sторlayan модель катары değil, күчтүү geleneksel модельlerle салыштырууга боло турган başarı жанаren yorumlanabilir модель катары баалуулукlendirmiştir.

Kaynakta модель adı açısından bir editoryal tutarsızlık bulunmaktadır. Açıklama metni регрессияdaki SVR yerine классификацияda bir destek жанаktör классlandırıcısı kullanıldığını, Şekil 7 de “SVC” этикаetini көрсөтөт. Buna karşın Tablo 4’te aynı satır “SVR” катары yazılmıştır. Yukarıdaki таблицаda görev türüne uygun катары “destek жанаktör классlandırıcısı” ifadesi kullanılmış, булак үчүнdeki ар башкаlık ачыкça белгиленген.

Tekrarlı ayırma экспериментinde натыйжалар кантипdır?

Beş tekrarlı окутуу-тест ayırması üzerinde XGBoost жана KAN şu натыйжалары жанаrmiştir:

Bu R² маанилерi кайчылаш текшерүү орточоlarından daha жогоркуtir. Изилдөө, belirli ayırmaların daha elмаалыматşli olabмененceğini жана жалпы performans баалооsinde кайчылаш текшерүү натыйжаларыnın esas alınması gerektiğini belirtmektedir.

KAN’ın yorumlanabilirliği кантип аныкталган?

Изилдөө, жарым-жартылай көзкарандылык жана SHAP gibi araçların yalnızca KAN’a özgü olmadığını ачыкça kabul etmektedir. Bu талдооler herкайсы bir модельe uygulanabilir. KAN’ın farkı, tahmini oluşturan tek өзгөрмөli fonksиондоруn модельin kendi түзүмsında bulunmasıdır.

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

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

\(d\), girdi sayısını; \(H\), gizli катмар genişliğini; \(\phi_{q,p}\) жана \(\Phi_q\), модельin öğrendiği B-spline fonksиондоруnı көрсөтөт. Bu fonksионlar haricî bir ачыкlama модельiyle yaklaşık катары üretilmemekte, түздөн-түз tahmin торının parçası катары eğitilmektedir.

Bir өзгөрмөin маржиналдык etkisi кантип эсептелген?

Bir \(p\) өзгөрмөinin жарым-жартылай көзкарандылык fonksионu, diğer өзгөрмөlerin gözlenen маанилерi korunarak \(x_p\) баалуулукinin değiştirilmesi жана бардык örneklerdeki tahminlerin орточоsının alınmasıyla эсептелген:

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

\(v\), incelenen өзгөрмө үчүн seçмененn баалуулукdir. Bu eğri, diğer өзгөрмөlerin маалымат топтомуndeki dторılımı üzerinden орточо alınmış модель yanıtını көрсөтөт. Nedensel bir эксперимент sonucu değildir.

KAN’ın içsel өзгөрмө öнымi, her маржиналдык eğrinin en жогорку жана en төмөн баалуулукi arasındaki aralığın бардык eğri aralıkları toplamına катышlanmasıyla эсептелген:

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

Bu ölçüt, bir өзгөрмөin incelenen aralık boyunca модель tahminini орточо катары ne kadar değiştirebildiğini өлчөйт. SHAP’ın орточо örnek katkısıyla aynı büжүкlüğü ölçmediği үчүн iki sıralamanın özdeş olması beklenmemektedir.

En маанилүү өзгөрмөler кайсыleridir?

İlk üç өзгөрмө кайчылаш текшерүү katlarında sıralarını korumuştur. Ошентсе да bu катышlar экспериментsel катары ölçülmüş стадияnsel физикалык paylar değildir; eğitмененn KAN’ın dinamik маалымат топтому üzerindeki маржиналдык tahmin aralıklarından türetilmiştir.

SHAP салыштырууsı эмнени көрсөтөт?

Aynı kernel-SHAP ыкмасы ар башка модельlere uygulandığında суу жана SO₂ çoğu модельde маанилүү өзгөрмөler arasında yer almıştır. Бирок tek bir XGBoost модельi ар башка ачыкlama ыкмаларiyle incelendiğinde öным катышları değişmiştir. Kromun göreli öнымi kernel-SHAP uygulamalarında yaklaşık %14–17 деңгээлindeyken пермутация маанилүүлүгүnde yaklaşık %33’e жүкselmiştir.

Изилдөөnın çıkardığı натыйжа, sonradan uygulanan ачыкlamanın yalnızca eğitмененn модельe değil, ачыкlama ыкмасыne жана фон маалымат seçimine de bторlı болгонуdur. KAN’ın маржиналдык fonksион aralığı болсо belirli bir eğitilmiş модель жана маалымат топтому үчүн tek bir натыйжа üretmektedir. Ошентсе да ар башка окутуу bölünmeleriyle yeniden eğitмененn KAN’ın fonksиондору yine değişebilir; içsel yorumlanabilirlik модель belirsizliğini же маалымат bторımlılığını ortadan kaldırmamaktadır.

Marjinal eğrмененr кайсы коррозия eğilimlerini көрсөтөт?

Температура жана süre үчүн кайсы физикалык biçimler elde edilmiştir?

Температура eğrisi Arrhenius tipi bir fonksионla кыскачаlenmiş жана görünür активация энергиясы yaklaşık 13 kJ/mol катары эсептелген. Uyumun R² баалуулукi 0,91’dir. Изилдөөчүлөр bu баалуулукin tek bir негизги электрохимиялык реакцияa değil, ар башка yayınlardan gelen birden fazla mekanizmanın birleşik etkisine karşılık geldiğini belirtmiştir.

Arrhenius ilişkisinin негизги biçimi şu сүрөтde düşünülebilir:

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

\(CR\), коррозия ылдамдыкını; \(E_a\), görünür активация энергиясыni; \(R\), gaz sabitini жана \(T\), mutlak sıcaklığı ifade etmektedir. Изилдөөda bildirмененn yaklaşık 13 kJ/mol баалуулукi, KAN маржиналдык eğrisine түзүмlan uyumdan elde edilmiştir; түздөн-түз tek bir реакция üzerinde түзүмlan kinэтика экспериментin sonucu değildir.

Maruz kalma süresi eğrisi чыныгы zaman ölçeğinde bir күч мыйзамыyla кыскачаlenmiştir:

\[ CR\propto t^n \]

Uyumda \(n=-1,06\) жана R²=0,97 bulunmuştur. Negatif üs, süre arttıkça birim zamandaki коррозия ылдамдыкının azaldığını gösterir. Авторлор bu eğilimi koruyucu коррозия ürün tabakasının gelişimiyle ilişkмененndirmiştir. Bu натыйжа, toplam metal kaybının zamanla gerмененdiği anlamına gelmez; raporlanan büжүкlük коррозия ылдамдыкıdır.

Değişken өз ара аракеттенүүleri кантип эсептелген?

İki өзгөрмө бирге değiştirмененrek эки өлчөмдүү жарым-жартылай көзкарандылык бетi oluşturulmuştur. Ortak бетin, iki tek өзгөрмөli etkinin toplamıyla ачыкlanamayan bölümü өз ара аракеттенүү катары аныкталган:

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

Pay, iki өзгөрмөin өзүнчө etkмененri çıkarıldıktan sonra kalan değişimin стандарттык четтөөsıdır. Payda, ortak бетin toplam değişimini көрсөтөт. Değer жүкseldikçe iki өзгөрмөin бирге etkisi bкислота toplamdan daha fazla өзүнчөlmaktadır.

Sonraki күчтүү çiftler krom–суу жана суу–таасирге дуушар болуу мөөнөтүdir. Etkмененşim haritalarında калдык маанилерin çoğu өзгөчөlik uzayının geniş bölümünde төмөнtür; daha күчтүү ortak etkмененr жалпыlikle iki saldırgan koşulun aynı anda жогорку болгону bölgelerde yoğunlaşmaktadır. Özellikle жогорку SO₂ менен жогорку суу же температура биргеliği, tek tek etkмененrin toplamından daha күчтүү tahmin değişimi üretmiştir.

Модель davranışının ne kadarı toplamsaldır?

KAN tahmini, орточо çıktı менен merkezlenmiş tek өзгөрмөli katkıların toplamı жана kalan өз ара аракеттенүү bмененşeni şeklinde өзүнчөştırılmıştır:

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

\(\bar{y}\), орточо модель çıktısını; \(g_p(x_p)-\bar{y}_p\), ilgili örnekte \(p\) өзгөрмөinin merkezlenmiş katkısını; \(r(\mathbf{x})\), tek өзгөрмөli katkılarla ачыкlanamayan өз ара аракеттенүү kalanını көрсөтөт.

Ortalama mutlak өз ара аракеттенүү kalanı модель çıktı aralığının yaklaşık %12’sidir. Buna göre davranışın yaklaşık %88’i бир өзгөрмөлүү маргиналдык таасирлер менен, yaklaşık %12’si daha жогорку деңгээлli өз ара аракеттенүүlerle байланыштырылган. Bu катышlar изилдөөнүн натыйжа bölümünde “[FILL: 88]%” жана “[FILL: 12]%” biçiminde tamamlanmamış yer tutucularla bırakılmıştır; бирок aynı маанилер ыкмаsel ачыкlamanın önceki bölümünde yaklaşık %88 жана %12 катары ачыкça маалыматlmiştir.

Örnek деңгээлindeki katkılar ne anlatmaktadır?

Üç temsili тест örneği үчүн her өзгөрмөin tahmine katkısı өзүнчө өзүнчө gösterilmiştir. Maruz kalma süresi жана krom birçok örnekte маанилүү katkılar сууnarken суу жана SO₂’nin katkı багыты эксперимент koşuluna göre değişmiştir. Aynı өзгөрмө bazı örneklerde коррозия tahminini жүкseltirken başka örneklerde düşürebilmektedir.

Bu bulgu, бардык эксперимент koşullarında коррозияu tek başına yöneten стадияnsel bir өзгөрмө olmadığını көрсөтөт. Küresel öным sıralaması жалпы eğilimi, örnek деңгээлindeki өзүнчөştırma болсо belirli bir эксперимент koşulundaki tahminin эмне үчүн жүкselip düştüğünü göstermeyi amaçlamaktadır.

Şekiller жана графler эмнени көрсөтөт?

Изилдөөнүн күчтүү жактары кайсылар?

• 32 ар башка изилдөөдөn derlenen geniş koşul aralığına sahip bir ScCO₂ коррозия маалымат топтому колдонулган.
• Genel коррозия регрессияu менен çukurcuk классификацияsı өзүнчө görevler катары ele alınmıştır.
• Atanmış 0,01 mm/yıl маанилерi регрессияdan çıkarılarak yapay сандык маанилерin fonksион eğrмененrini bozması önlenmeye çalışılmıştır.
• Ölçekleme, hedef standartlaştırma жана erken durdurma her окутуу katının үчүнde uygulanarak маалымат sızıntısı önlenmiştir.
• Karşılaştırma модельleri aynı кайчылаш текшерүү bölünmelerinde бааланган.
• MLP, yalnızca genişlik bakımından değil KAN’la parametre sayısı eşleştirмененrek de салыштырылган.
• KAN’ın daha doğru olmadığı ачыкça belirtilmiş; yorumlanabilirlik avantajı тактык iddiasından өзүнчөlmıştır.
• Değişken etkмененri yalnızca sıralanmamış; eğrмененrin biçimleri, doygunlukları жана dönüş noktaları incelenmiştir.
• Tek өзгөрмөli etkмененr, çift өзгөрмөli өз ара аракеттенүүler жана örnek деңгээлindeki katkılar aynı модель üzerinden бааланган.
• Post-hoc ачыкlama өзгөрмөliği, модель sabit tutularak ар башка ыкмалар жана фон kümeleri üzerinden gösterilmiştir.

Изилдөөнүн чектөөлөрү кайсылар?

• Veri kümesi ар башка лабораторияların, cihazların, numune hazırlama ыкмаларinin жана эксперимент protokollerinin birleştirilmesiyle oluşturulmuştur.
• Агым ылдамдыкı, pH жана NO₂ gibi potansiyel өзгөрмөler yeterli raporlama bulunmadığı үчүн модельe dâhil edilmemiştir.
• Dinamik экспериментler ар башка dönüş же агым koşulları içerebilmesine rторmen гидродинамикалык şiddet ortak сандык өзгөчөlik катары модельlenmemiştir.
• Grafiklerden сандыкlaştırılan коррозия маанилерi özgün ham өлчөөлөрle aynı hassasiyete sahip olmayabilir.
• Bмененşim aralığı маалыматlen yayınlarda ortanca баалуулукin kullanılması numuneler arası чыныгы bмененşim farklarını azaltabilir.
• Özellik uzayının bazı bölgeleri seyrek örneklenmiştir; iki өзгөрмөli өз ара аракеттенүүler bu bölgelerde ekstrapolasyona dayanabilir.
• Statik маалымат топтомуnde модель başarısı daha төмөн жана өзгөрмөdir; mekanizma yorumları esas катары dinamik örneklere aittir.
• Kısmi bторımlılık eğrмененri өзгөрмөler arasındaki bторımlılıkları tamamen ortadan kaldırmaz жана эмне үчүнsel эксперимент sonucu değildir.
• Su içeriği үчүн kapalı biçimli кыскачаin yaklaşık болгону изилдөө tarafından kabul edilmiştir.
• Toplamsal деңгээлde kullanılan KAN, spline tabanlı жалпыleştirilmiş toplamsal модельlere yakın davranabilir.
• Модельin avantajları küçük, төмөн boyutlu жана düzgün ilişkмененr içeren маалымат kümelerinde daha belirgindir.
• Çıkarılan mekanizmalar kontrollü yeni экспериментlerle тастыкталган эмес.
• Модель тышкы валидация amacıyla bторımsız жана sonradan oluşturulmuş bir ScCO₂ эксперимент маалымат топтомуnde тест edilmemiştir.
• Çapraz текшерүүnın kesin kat жана tekrar sayısı ыкма metninde ачык, tek anlamlı bir баалуулук катары берилген эмес.
• Seçмененn nihai spline derecesi, grid büжүкlüğü, seyreklik katsayısı жана öğrenme катышı toplu biçimde raporlanmamıştır.
• Sonуч bölümünde düzenleme баскычsından kalmış “[FILL: 88]%” жана “[FILL: 12]%” yer tutucuları bulunmaktadır.
• Sınıflandırma салыштырууsında aynı destek жанаktör модельi таблица, metin жана сүрөтde ар башка biçimde adlandırılmıştır.
• Kod herkese ачык bir depo üzerinden сууnulmamış; sorumlu авторdan makul talep üzerine alınabмененceği белгиленген.

Изилдөө кайсы натыйжалары колдойт?

• KAN, dinamik ScCO₂ коррозия маалыматsinde күчтүү торaç tabanlı модельlere yakın регрессия жана классификация başarısı sторlamıştır.
• KAN, eşit parametre sayısına sahip MLP’den anlamlı biçimde daha жогорку регрессия R² жана классификация AUC баалуулукi üretmiştir.
• Dinamik маалымат топтомуnde таасирге дуушар болуу мөөнөтү, krom жана суу, KAN’ın en büжүк маржиналдык etki aralığına sahip өзгөрмөleridir.
• KAN’ın öğrendiği температура жана süre eğrмененri sırasıyla Arrhenius жана күч мыйзамы biçimleriyle жогорку uyumla кыскачаlenebilmiştir.
• Басым жана суу etkмененri tek yönlü değildir; belirli aralıklarda yön değiştiren eğilimler көрсөткөн.
• Температура–SO₂ жана суу–SO₂, модельdeki en күчтүү аддитивдүү эмес өзгөрмө өз ара аракеттенүүleridir.
• Модель davranışının büжүк bölümü tek өзгөрмөli katkılarla ачыкlanabilmekte, daha küçük fakat маанилүү bir bölümü өз ара аракеттенүүlerde kalmaktadır.
• Post-hoc өзгөрмө öнымleri kullanılan ачыкlama ыкмасы жана фон kümesine göre değişebilmektedir.

Изилдөө эмнени далилдебейт?

• KAN’ın XGBoost же Random Forest’tan daha doğru болгонуnu далилдебейт.
• Модельin бардык суперкритикалык CO₂ boru hatlarına жалпыlenebмененceğini göstermemektedir.
• Belirli bir krom içeriğinin бардык koşullarda коопсуз же yeterli болгонуnu belirlememektedir.
• Yaklaşık 10 MPa баалуулукinin стадияnsel bir коррозия eşiği болгонуnu göstermemektedir.
• Модель eğrмененri өзгөрмөlerin коррозияa эмне үчүн болгонуnu tek başına далилдебейт.
• Çukurcuk derinliğini, büyüme ылдамдыкını же kritik hasar zamanını tahmin etmemektedir.
• Boru et kalınlığı kaybı, жарака oluşumu, чыңалууli коррозия же механикалык arıza ömrü hesabı сунбайт.
• Модель çıktıları tasarım kodu, коопсуздук standardı же ишкана sınırı yerine geçmemektedir.
• Statik жана dinamik koşulların aynı кычкылтек, суу же басым eğilimlerine sahip болгонуnu göstermemektedir.
• Yorumlanan mekanizmaları yeni, kontrollü жана bторımsız экспериментlerle текшерүүmaktadır.
• Gerçek zamanlı талаа издөө же boru hattı dijital ikizi uygulaması göstermemektedir.

Geçmiş, bugün жана gelecek açısından öнымi эмне?

Geçmişte коррозия tahmini çoğunlukla эмпирикалык eşitlikler, электрохимиялык экспериментler же tahmini күчтүү fakat ачыкlaması haricî araçlara bторlı модельler üzerinden yürütülmüştür. Бул изилдөө, tahmin fonksиондоруnı торın кырlarında görünür hâle getiren KAN yaklашып кетүүını суперкритикалык CO₂ коррозияunda mekanizma текшерүү aracı катары kullanmıştır.

Bugünkü katkısı, yorumlanabilirlik iddiasını тактык салыштырууsından ayırmasıdır. KAN en жогорку doğruluğu жанаrmemiştir; buna rторmen parametre bakımından eşбаалуулук нейрон тармагыndan daha iyi натыйжа üretmiş жана температура, süre, krom, суу, SO₂, O₂ жана басым үчүн düzgün tepki eğrмененri sторlamıştır. Изилдөөnın bilimsel баалуулукi bu dтоскоолдукi салыштыруу менен eğrмененrin физикалык катары okunabilmesinden булакlanmaktadır.

Gelecekte çıkarılan eğilimlerin kontrollü экспериментlerle тест edilmesi; агым ылдамдыкı, pH, H₂S жана çok fazlı ortamların модельe eklenmesi; коррозияun zaman үчүнdeki gelişimini temsil eden zamansal архитектураlerin kurulması керек. Yöntem бирок bu tür текшерүүlardan sonra талаа kararlarına yaklaşabilir.

Изилдөөнүн ыкмасы жана жыйынтыктары

Изилдөө tasarımının teknik кыскачаi

Негизги сандык жыйынтыктар

Ыкмалык жыйынтыктардын тең салмактуу чечмелениши

KAN’ın регрессия doğruluğu XGBoost жана Random Forest’tan төмөнtür, бирок destek жанаktör регрессияuyla istatistiksel катары ayırt edмененmemiş жана iki MLP салыштырууsından daha жогорку bulunmuştur. Çukurcuk классификацияsında da XGBoost daha жогорку тактык жана AUC sторlamıştır. Bu эмне үчүнle KAN’ın bilimsel katkısı, күчтүү модельleri ачыкça geride bırakmasından değil, tahmin başarısını yorumlanabilir bir fonksион түзүмsıyla birleştirmesinden булакlanmaktadır.

Marjinal fonksионlar kromun koruyucu etkisinin doygunlaşmasını, суу жана басым etkмененrinin yön değiştirmesini жана süre etkisinin monoton azalmasını көрсөткөн. Bu eğrмененr изилдөөчүлөрın коррозия kimyasıyla ilişkмененndirdiği модель davranışlarıdır. Eğrмененrin bilinen mekanizmalarla uyumlu görünmesi, mekanizmaların түздөн-түз экспериментsel катары doğrulandığı anlamına gelmemektedir.

Etkмененşim талдоосу, модельin büжүк ölçüde toplamsal болгонуnu бирок өзгөчөlikle жогорку SO₂’nin жогорку суу же температураla birleştiği bölgelerde tek өзгөрмөli ачыкlamanın yetersiz kaldığını көрсөткөн. Bu durum, коопсуздук баалооsinde tek bir safsızlığın bторımsız sınırına bakmanın her koşulu temsil etmeyebмененceğine işaret eden изилдөө bulguсууdur; изилдөө түздөн-түз ишкана sınırı теоремаmektedir.

Булак жана ыкма эскертүүсү

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

Авторлор жана sıralama: Shuonan Chen; Mitсууo Kimura; Tomoya Kawabata.

Ad yazımı notu: Başlık sayfasında ilk автор “Chen Shuonan” biçiminde, CRediT bölümünde жана SSRN kaydında “Shuonan Chen” biçiminde yer almaktadır. Her iki yazım aynı изилдөөcıyı көрсөтөт; fark булакta ачык bırakılan ad-soyad diziliminden булакlanmaktadır.

Eş birinci автор: Eş katkı же eş birinci авторlık bilgisi belirtilmemiştir.

Sorumlu автор: Shuonan Chen. Başlık sayfasında yıldız işaretiyle белгиленген жана SSRN kaydında байланыш авторı катары yer almaktadır. E-posta adresi жүкlenen metinde ачык biçimde берилген эмес.

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

DOI:10.2139/ssrn.7201321

Yayın platformu: SSRN.

Resmî булак байланышsı:https://ssrn.com/abstract=7201321

Yayın tarihi: 29 Temmuz 2026.

Yayın yılı: 2026.

Kaynak türü: Literatürden derlenmiş экспериментsel маалыматlere dayanan машина үйрөнүү, регрессия, классификация жана yorumlanabilirlik талдоосу içeren preprint изилдөө makalesi.

Hakemlik durumu: Бул изилдөө рецензиядан өтө элек bir preprinttir; натыйжалары bu чектөө dikkate alınarak okunmalıdır.

Dergi: Hakemli dergi bilgisi жок.

Özgün yayınevi: Hakemli dergi yayınevi жок. Изилдөө SSRN preprint platformunda сууnulmuştur.

Sürüm notu: Aynı başlıkla 10.2139/ssrn.6848446 numaralı өзүнчө bir SSRN kaydı da bulunmaktadır. Bu түрк тили makale, жүкlenen жана 10.2139/ssrn.7201321 DOI numarasını taşıyan güncel 24 sayfalık sürüme dayanmaktadır. İki DOI birbirinin yerine kullanılmamalıdır.

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

Yazar katkıları: Shuonan Chen; ыкма, маалымат düzenleme, изилдөө, biçimsel талдоо, текшерүү жана ilk taslторın yazımını üstlenmiştir. Mitсууo Kimura текшерүү жана düzenlemeye, Tomoya Kawabata болсо danışmanlık жана gкыскачаim görevine katkıda bulunmuştur.

Kod erişimi: Изилдөөyı destekleyen kodun sorumlu авторdan makul talep üzerine edinмененbмененceği белгиленген. Herkese ачык bir kod depoсуу байланышsı берилген эмес.

Finansman: Изилдөө, Tokyo Üniжанаrsitesi Mühendislik Enstitüsündeki Material Research Base for Future Energy Infrastructure Trust sosyal кызматташуу programı жана China Scholarship Council 202506050060 numaralı destek kapsamında desteklenmiştir.

Çıkar çatışması: Yüklenen sürümde өзүнчө жана ачык bir кызыкчылыктар кагылышы beyanı аныктоо edilmemiştir.

Bu түрк тили makale жүкlenen preprintin başlık, ыкма, denklemler, таблицаlar, сүрөтler, bulgular, yorumlar жана чектөөlar bölümleri incelenerek даярдалган. Bilimsel ачыкlamalar yalnızca жүкlenen изилдөөya dayanmaktadır. Haricî kontrol yalnızca DOI, SSRN kaydı, tarih жана yayın durumu gibi bibliyoграф идентификация bilgмененri үчүн колдонулган.

Изилдөөnın негизги ыкмаsel чектөөлөрү; ар башка yayınlardan gelen heterojen маалымат, eksik raporlanan агым ылдамдыкı жана pH gibi өзгөрмөler, seyrek örneklenen өзгөчөlik bölgeleri, графlerden çıkarılan bazı маанилер, statik маалымат топтомуndeki төмөн жана өзгөрмө başarı, bторımsız yeni эксперимент текшерүүsının bulunmaması жана маржиналдык ilişkмененrin эмне үчүнsel kanıt oluşturmamasıdır.

Kaynakta өзүнчөca натыйжа bölümünde tamamlanmamış “[FILL: 88]%” жана “[FILL: 12]%” yer tutucuları, классификация модельinde SVR/SVC adlandırma tutarsızlığı, Shannon энтропияsi ifadesinde ачыкlanmayan işaret konvansионu жана seçмененn bazı nihai hiperparametrelerin eksik raporlanması bulunmaktadır. Bu editoryal жана ыкмаsel sorunlar изилдөөнүн натыйжалары sessizce düzeltilmeden ачыкça белгиленген.

Изилдөө KAN’ın incelenen dinamik маалымат топтомуnde коррозия ылдамдыкını жана çukurcuk oluşumunu rekabetçi тактыкla tahmin edebildiğini жана модельin öğrendiği fonksиондоруn физикалык eğilimler açısından okunabildiğini колдойт. Изилдөө bir boru hattı коопсуздук sertifikası, материал seçimi standardı, kalan ömür hesabı, талаа başarısı же өнөр жай ишкана garantisi сунбайт.