Bu çalışma, büyük dil modellerinin yalnızca sayısal adaylar üreten birer optimizasyon aracı değil, sonlu eleman analizlerinden gelen yapılandırılmış mühendislik bilgilerini yorumlayan dijital tasarımcılar olarak kullanılıp kullanılamayacağını araştırmıştır. İncelenen problem, 90 yolculu bölgesel bir uçağın karbon/epoksi kompozit kanat kutusunun; kütle, ilk tabaka hasarı, Hoffman kırılma indeksi, kirişçik gerilmeleri ve burkulma sınırları birlikte gözetilerek hafifletilmesidir.

Araştırmacı, her Nastran analizinin yalnızca amaç fonksiyonu ve kısıt değerlerini değil; hangi yapısal bölgelerin kritik olduğunu, hangi tasarım değişkenlerinin bu bölgeleri kontrol ettiğini, bir değişkenin kütle üzerindeki etkisini, en düşük burkulma modlarının yerini ve inceltilebilecek gevşek bölgeleri açıklayan bir Semantik Tasarım Raporu geliştirmiştir. Claude Sonnet ve Claude Opus modelleri bu raporu okuyarak bir sonraki kanat kutusu tasarımını önermiştir. Ardışık yöntemde her iterasyonda tek, popülasyon yönteminde ise on aday değerlendirilmiştir.

En iyi LLM sonucu, Claude Opus kullanılan ardışık yöntemde 201 sonlu eleman değerlendirmesiyle referans kanat kutusu kütlesini yüzde 28,42 azaltmıştır. Genetik algoritma 36.000 değerlendirmeyle yüzde 31,23 azalma sağlamıştır. Böylece LLM, genetik algoritmanın normalize edilmiş kütle sonucuna 2,81 yüzde puanı yaklaşırken 179 kat daha az sonlu eleman değerlendirmesi kullanmıştır. Ancak bu oran gerçek çalışma süresinde, enerji tüketiminde veya parasal maliyette 179 kat kazanç anlamına gelmemektedir; yalnızca sonlu eleman çözümü sayısını karşılaştırmaktadır.

Araştırma tek bir bölgesel uçak geometrisi, sabit bir kompozit katman dizilimi ve tek bir simetrik pozitif-g manevrası üzerinde yürütülmüştür. Negatif-g, rüzgâr darbesi, yuvarlanma, yerdeki yükler, flutter, üretim kusurları ve bütün uçak düzeyindeki yakıt-yapı geri beslemesi optimizasyon döngüsüne dahil edilmemiştir. Çalışma ayrıca hakem değerlendirmesinden geçmemiş bir preprinttir.

Araştırmanın temel sorusu nedir?

Klasik yapısal optimizasyon algoritmaları, bir tasarımın sonlu eleman analizinden çoğunlukla tek bir amaç değeri ve birkaç kısıt değeri alır. Örneğin algoritma kanat kutusunun kütlesini, en yüksek hasar oranını ve en düşük burkulma katsayısını görebilir; fakat hasarın hangi panelde ortaya çıktığını, hangi tasarım değişkeninin o paneli kontrol ettiğini veya hangi gevşek bölgeden güvenli biçimde malzeme çıkarılabileceğini doğrudan anlayamaz.

Çalışmanın temel sorusu şudur: Bir büyük dil modeli, her çözümden sonra yapısal mühendislerin kullandığı dile dönüştürülmüş ayrıntılı bir değerlendirme alırsa, klasik kara kutu optimizasyonundan çok daha az analizle uygulanabilir bir kanat kutusu tasarımına ulaşabilir mi?

Araştırmacı bu soruyu üç alt problem üzerinden incelemiştir:

• Sonlu eleman sonuçları, büyük dil modelinin anlayabileceği fakat mühendislik ayrıntılarını kaybetmeyecek bir rapora nasıl dönüştürülebilir?
• Büyük dil modeli, bir tasarım değişkeni ile gerilme, tabaka hasarı, burkulma ve kütle arasındaki ilişkileri kullanarak yeni adaylar önerebilir mi?
• Bu yaklaşım, aynı kanat kutusunu optimize eden 36.000 değerlendirmelik genetik algoritmaya göre ne kadar az sonlu eleman çözümü kullanır?

Neden yalnızca amaç fonksiyonunu vermek yeterli değildir?

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

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

Semantik Tasarım Raporu nedir?

Semantik Tasarım Raporu, her statik aeroelastik ve burkulma analizinden sonra otomatik üretilen yapılandırılmış bir mühendislik brifingidir. Ana yöntem bölümünde rapor altı blokla tanımlanmıştır:

Çalışmanın katkılar bölümünde ve sonuçlarında raporun ayrıca bölge bazlı anlatılar sunduğu belirtilmektedir. Ek B’deki açıklamaya göre daha uzun insan okunur arşiv; tam bölge tablosunu, bileşen düzeyindeki sonuçları ve bölge anlatılarını içerebilmektedir. Prompt içinde kullanılan daha kısa sürüm ise kritik bilgileri bağlam penceresini aşmadan sunacak şekilde sınırlandırılmıştır.

Sonlu eleman modeli nasıl otomatik oluşturulmuştur?

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

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

Şekil 1, iki kanat bölmesindeki kaburga, kiriş başlığı ve kirişçik çizgilerini η–ξ koordinatlarında göstermektedir. Şekil 2, sonlu eleman ağı içindeki altı yapısal kategoriyi; Şekil 3 ise aynı yapının üzerine eklenen aeroelastik panel ağını ve yoğunlaştırılmış kütleleri göstermektedir. Bu kalıcı bölge etiketleri sayesinde tasarım değişse bile sonuçlar “kök kiriş gövdesi”, “orta açıklık derisi” veya “uç kirişçiği” gibi aynı mühendislik bölgelerine bağlanabilmiştir.

Aeroelastik analiz zinciri nasıl çalışmıştır?

Her aday için üç temel hesaplama bloğu çalıştırılmıştır:

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

Karşılaştırmada kullanılan yoğunlaştırılmış gövde modeli, gövdeyi ayrıntılı sonlu eleman kabukları yerine kütle merkezinde bulunan tek bir rijit nokta kütleyle temsil etmiştir. Kanat, yatay kuyruk ve dikey kuyruk aeroelastik modelde bulunmakla birlikte yalnızca kanat kutusunun iç yapısı optimizasyon değişkenlerinden etkilenmiştir.

İncelenen uçak ve kanat kutusunun özellikleri nelerdir?

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

Kompozit katman yapısı nasıldır?

Deri, kiriş gövdeleri ve kaburga gövdelerinde sabit yarı izotropik katman dizilimi kullanılmıştır:

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

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

Kiriş başlıkları ile kirişçikler açıklık yönünde hizalanmış tek yönlü karbon laminatlar olarak ele alınmıştır. Çalışma, katman açılarını optimizasyon değişkeni yapmamış; böylece karşılaştırmanın büyük dil modeli ile genetik algoritmanın arama davranışına odaklanmasını amaçlamıştır.

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

Hangi tasarım değişkenleri kullanılmıştır?

Optimizasyon vektörü 19 yüksek seviyeli değişkenden oluşmaktadır:

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

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

İç ve dış bölmedeki kirişçik sayıları sırasıyla dokuz ve dört olarak sabitlenmiştir. Katman yönelimleri de sabittir. Dolayısıyla araştırma, olası bütün kompozit kanat kutusu değişkenlerini değil, sınırlı fakat mühendislik açısından anlamlı 19 değişkenli bir alt problemi çözmüştür.

Kaburgaların konumu nasıl belirlenmiştir?

Her kanat bölmesindeki kaburga konumları, düzgün dağılım ile köke yığılmış kosinüs dağılımının birleşimiyle hesaplanmıştır:

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

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

• c_b = 0 olduğunda kaburgalar eşit aralıklarla yerleşir.
• c_b = 1 olduğunda kaburgalar daha yüksek eğilme ve kesme yüklerinin bulunduğu bölme köküne doğru kümelenir.

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

Optimizasyon amacı nasıl tanımlanmıştır?

Amaç, kanat kutusu kütlesini başlangıçtaki elle boyutlandırılmış tasarımın kütlesine göre azaltmaktır:

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

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

Optimizasyon problemi çalışma içinde şu kompakt yapıyla verilmiştir:

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

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

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

Son eşitsizlik, deri ve kiriş gövdesi kalınlığının kökten uca doğru artmamasını sağlayan yapısal incelme kuralıdır.

Hangi hasar ve güvenlik kısıtları uygulanmıştır?

Çok sayıdaki eleman ve mod kısıtı, Kreisselmeier–Steinhauser işleviyle yumuşak biçimde toplulaştırılmıştır. Çalışma, KS işlevinin ayrıntılı matematiksel açılımını vermemekle birlikte hasar kısıtlarında ρ = 80, beş burkulma modu için ρ = 30 yumuşatma parametrelerini kullanmıştır.

Hangi uçuş yükü uygulanmıştır?

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

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

LLMopt döngüsü nasıl çalışmıştır?

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

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

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

Ardışık ve popülasyon yöntemleri arasındaki fark nedir?

Ardışık yöntem daha az analiz kullanmıştır; popülasyon yöntemi ise yüksek başarımlı hesaplama kümesindeki on Nastran çalışanını aynı anda kullanarak bir iterasyonun duvar saati maliyetini en yavaş adayın süresine yaklaştırmıştır. Bu nedenle “daha az FEM değerlendirmesi” ile “daha kısa gerçek çalışma süresi” aynı kavram değildir.

Genetik algoritma karşılaştırması nasıl yapılmıştır?

Referans yöntem, pymoo kütüphanesindeki NSGA-II algoritmasıdır. Problem tek amaçlı olmasına rağmen NSGA-II uygulanabilirlik öncelikli kısıt işleme ve genetik operatörler sağlayan bir referans sürücü olarak kullanılmıştır.

Çalışmada genetik algoritma için yalnızca tek rastgele tohumlu kampanya verilmiştir. Aynı şekilde her LLM modeli ve yöntem birleşimi için tek kampanya raporlanmıştır. Bu nedenle algoritmaların koşular arası dağılımı, güven aralığı veya istatistiksel üstünlüğü belirlenmemiştir.

Yakınsama eğrileri ne göstermiştir?

Şekil 8’deki logaritmik değerlendirme ekseni, LLM ve genetik algoritma arasındaki örnekleme bütçesi farkını görünür hâle getirmektedir. Dört LLM kampanyasının tamamı ilk yaklaşık 30 değerlendirmede normalize edilmiş kütleyi 1,00’dan yaklaşık 0,80’e düşürmüştür. İlk aşamada henüz etkin olmayan kısıtlardaki güvenlik payları hızla kullanılmıştır.

Tabaka gerinimi ve burkulma kısıtları yaklaşık 20–50 LLM değerlendirmesi içinde sınır bölgesine ulaşmıştır. Bu noktadan sonra bir bölgenin inceltilmesi gerinim veya burkulma ihlaline yol açtığı için ilerleme yavaşlamış ve sonuçlar 0,72 çevresinde plato oluşturmuştur.

Genetik algoritma aynı kısıt sınırlarına yaklaşık 10.000 değerlendirmeden sonra yaklaşmıştır. Bununla birlikte daha uzun arama sonucunda LLM tasarımlarından yaklaşık üç yüzde puanı daha düşük kütleye ulaşmıştır.

En iyi kütle sonuçları nelerdir?

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

Değerlendirme sayısı oranı şöyledir:

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

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

Yapısal kısıtlar optimumlarda ne kadar kullanılmıştır?

Bütün optimumlarda lif yönü tabaka gerinimi, 2.000 µε sınırının yüzde 97,6–98,6’sına ulaşmıştır. En düşük burkulma katsayıları 1,562–1,607 aralığında olup 1,5 sınırına yakındır. Bu iki ölçüt tasarımın etkin kısıtlarını oluşturmuştur.

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

LLM ve genetik algoritma nasıl farklı tasarımlar üretmiştir?

Şekil 10, genetik algoritma ile LLM tasarımlarının aynı kısıt sınırına farklı yapısal stratejilerle ulaştığını göstermektedir.

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

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

Şekil 11’deki gerinim dağılımı ne anlatmaktadır?

Şekil 11, başlangıç tasarımı, genetik algoritma ve dört LLM tasarımını kökten kanat kırılmasına kadar beş kat büyütülmüş deformasyonla göstermektedir. Bütün tasarımlarda en yüksek lif yönü gerinimi aynı genel bölgede, kanat kökündeki açıklık yönlü kiriş gövdesinde ortaya çıkmıştır.

Bu ortak kritik bölge, farklı optimizasyon yöntemlerinin fiziksel yük yolunu değiştirmediğini göstermektedir. Yöntemler malzeme dağılımını farklı seçmiş olsa da pozitif-g manevrasındaki temel eğilme ve kesme yükü kanat kökünü belirleyici bırakmıştır.

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

LLM kullanımının hesaplama maliyeti nedir?

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

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

Çalışmanın desteklediği sonuçlar nelerdir?

• Sonlu eleman çıktısının tasarım değişkenleri ve fiziksel bölgelerle eşleştirilmesi, büyük dil modelinin az sayıda analizle uygulanabilir tasarımlar önermesini sağlamıştır.
• En iyi LLM koşusu, 201 değerlendirmede başlangıç kanat kutusu kütlesini yüzde 28,42 azaltmıştır.
• Genetik algoritmanın yüzde 31,23’lük sonucuna 2,81 yüzde puanı yaklaşılmıştır.
• Sonlu eleman değerlendirmesi sayısı 36.000’den 201’e düşmüş ve 179 katlık örnekleme farkı oluşmuştur.
• Ardışık LLM yöntemi, bu problemde popülasyon yönteminden daha az değerlendirmeyle biraz daha düşük kütle üretmiştir.
• Claude Opus ile Claude Sonnet arasındaki sonuç farkı, ardışık-popülasyon yöntemi arasındaki farktan daha küçük kalmıştır.
• LLM ve genetik algoritma aynı gerinim ve burkulma sınırlarına farklı malzeme dağılımlarıyla ulaşmıştır.
• Yapılandırılmış mühendislik geri bildirimi, yalnızca skaler amaç değerinden daha zengin bir optimizasyon arayüzü oluşturmuştur.

Çalışmanın kanıtlamadığı sonuçlar nelerdir?

• Çalışma, büyük dil modellerinin bütün yapısal optimizasyon problemlerinde genetik algoritmalardan 179 kat daha verimli olduğunu kanıtlamamaktadır.
• 179 kat değeri duvar saati, elektrik tüketimi, maliyet veya toplam CPU süresi için değil, yalnızca FEM değerlendirme sayısı içindir.
• LLM sonucunun gerçek bir kompozit kanatta üretilebilir veya uçuşa elverişli olduğu deneysel olarak doğrulanmamıştır.
• Büyük dil modelinin bir yapısal mühendisin yerini alabileceği gösterilmemiştir.
• Tek koşu sonuçları, yöntemler arasında istatistiksel üstünlük kanıtı değildir.
• NSGA-II’nin bütün genetik, evrimsel veya vekil tabanlı optimizasyon yöntemlerini temsil ettiği gösterilmemiştir.
• Negatif-g, rüzgâr darbesi, flutter ve sertifikasyon yüklerinin tamamı altında güvenli tasarım elde edildiği gösterilmemiştir.
• Katman açıları, dizilim sırası ve kirişçik sayısı optimize edilmediği için bütün kompozit tasarım uzayı araştırılmamıştır.
• LLM’nin kendi başına fizik yasalarını çözdüğü veya Nastran analizinin yerini aldığı gösterilmemiştir; fiziksel değerlendirme hâlâ sonlu eleman çözücüsü tarafından yapılmıştır.

Türkiye açısından ne ifade etmektedir?

Çalışmanın Türkiye açısından en önemli mesajı, yapay zekânın mühendislikte yalnızca metin üretimi veya kod yardımcısı olarak değil, mevcut CAE altyapısının üstünde çalışan bir karar katmanı olarak kullanılabileceğidir. Sonlu eleman çözücüsü fiziksel değerlendirmeyi yaparken büyük dil modeli; kritik bölgeleri, güvenlik paylarını ve tasarım değişkenlerinin etkilerini yorumlayarak bir sonraki analizin nerede yapılacağına karar verebilmektedir.

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

Yerel uygulama için tasarım kurallarının Türk mühendislik kuruluşlarının üretim sınırlarıyla uyumlandırılması, kurum içi geçmiş tasarımların güvenli biçimde erişilebildiği bir bilgi getirme sistemi kurulması, sonuçların birden fazla yük durumu ve fiziksel testle doğrulanması ve büyük dil modelinin önerilerinin uzman onayından geçirilmesi gerekir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımının teknik özeti

Karşılaştırılan beş optimizasyon stratejisi

Ana nicel bulgular

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

Grafik ve şekillerin teknik mesajı

• Şekil 1: Kaburga, kiriş başlığı ve kirişçiklerin genelleştirilmiş η–ξ koordinatlarındaki parametrik yerleşimini göstermektedir.
• Şekil 2: Kanat kökü yakınındaki deri, kiriş başlığı, kiriş gövdesi, kaburga ve kirişçik sonlu eleman kategorilerini göstermektedir.
• Şekil 3: Yapısal ağın üzerine eklenen yoğunlaştırılmış kütleleri ve çift kafesli aerodinamik panel ağını göstermektedir.
• Şekil 4: Ayrıntılı gövde ile yoğunlaştırılmış gövde modelini karşılaştırmakta ve bu araştırmada yoğunlaştırılmış modelin kullanıldığını göstermektedir.
• Şekil 5: Furor model üretimi, SOL 144, SOL 105 ve amaç-kısıt toplulaştırmasının veri akışını göstermektedir.
• Şekil 6: Kök, kırılma ve uç kontrol değerlerinin üretilebilir basamaklı katman kalınlığına dönüştürülmesini göstermektedir.
• Şekil 7: LLM sağlayıcısı, istem oluşturucu, kod çözücü, Furor, karar verici ve geçmiş arşivinden oluşan kapalı döngüyü göstermektedir.
• Şekil 8: LLM yöntemlerinin 201–1.001 değerlendirmede yaklaşık 0,72’ye ulaşırken genetik algoritmanın 36.000 değerlendirmede 0,688’e indiğini göstermektedir.
• Şekil 9: Tabaka gerinimi ve burkulmanın etkin kısıtlar, Hoffman ile kirişçik gerilmelerinin ikincil kısıtlar olduğunu göstermektedir.
• Şekil 10: LLM’nin malzemeyi kanat kırılmasında yoğunlaştıran, genetik algoritmanın ise daha dağıtılmış boyutlandırma kullanan tasarım felsefelerini karşılaştırmaktadır.
• Şekil 11: Altı tasarımın deformasyon ve lif yönü gerinim dağılımını aynı renk ölçeğinde göstermektedir.

Yöntemsel güçlü yönler

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

Yöntemsel sınırlılıklar

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

Metinde belirlenen dokümantasyon farklılıkları

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

Kaynak ve Yöntem Notu

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

Yazar: Luca Pustina.

Yazar sıralaması: Çalışma tek yazarlıdır.

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

Sorumlu yazar: Luca Pustina.

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

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

DOI:10.2139/ssrn.6952641

Yayın platformu: SSRN.

Resmî SSRN kayıt tarihi: 16 Haziran 2026.

Yayın yılı: 2026.

Dergi: Hakemli bir dergi veya nihai dergi yayını doğrulanmamıştır.

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

Kaynak türü: Sonlu eleman analizleri, yapısal optimizasyon ve büyük dil modeli kontrollü hesaplamalı deneyler içeren preprint araştırma makalesi.

Hakemlik durumu: Çalışma hakem değerlendirmesinden geçmemiştir. İlk ve sonraki sayfalarda “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

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

Finansman ve proje bağlamı: Çalışma, İtalya’nın PNRR CN4 MOST Sürdürülebilir Hareketlilik araştırma programı, Spoke 1 “Air Mobility”, proje CN_00000023 ve Work Package 5 kapsamında yürütülen araştırma faaliyeti olarak bildirilmiştir.

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

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

Kod ve veri erişimi: Furor ve LLMopt kurum içi çerçeveler olarak tanımlanmıştır. Çalışmada kamuya açık kod deposu veya bütün kampanya verilerini içeren açık veri bağlantısı belirtilmemiştir. Örnek Semantik Tasarım Raporu ve istem bölümleri eklerde sunulmuştur.

Bu Türkçe bilimsel açıklama, yüklenen çalışmanın metni, denklemleri, tabloları, sonlu eleman görselleri, optimizasyon grafikleri ve ekleri incelenerek hazırlanmıştır. Bilimsel içerik yalnızca çalışmada raporlanan yöntem ve sonuçlara dayanmaktadır. Dış kaynaklar yalnızca başlık, yazar kimliği, kurumsal bağlantı, DOI, SSRN kaydı, platform niteliği ve yayın durumunun bibliyografik doğrulanması için kullanılmıştır.

Çalışmanın başlıca sınırlılıkları; hakem değerlendirmesinden geçmemesi, fiziksel deney içermemesi, tek bir kanat kutusu ve tek yük durumu kullanması, her optimizasyon yöntemi için bağımsız tekrarlar sunmaması, LLM modellerinin kapalı hizmetler olması, daha geniş algoritma karşılaştırmalarının bulunmaması ve 179 katlık sonucun yalnızca FEM değerlendirme sayısına dayanmasıdır.

Sonuçlar, yapılandırılmış ve fiziksel bölgelerle ilişkilendirilmiş mühendislik geri bildiriminin büyük dil modellerini sonlu eleman optimizasyon döngüsünde etkili bir aday üreticiye dönüştürebileceğini göstermektedir. Bulgular, büyük dil modellerinin sertifikalı hava aracı tasarımını insan denetimi olmadan yapabileceği veya sonlu eleman çözücüsünün yerini alabileceği biçiminde yorumlanmamalıdır.