Bu çalışma, ultra büyük çaplı bulamaçlı kalkan tünel açma makinesinin erken kazı aşamasındaki ilerleme hızını yalnızca 271 halka düzeyindeki gözlemle tahmin etmek için Tabular Prior-Data Fitted Networks (TabPFN) ve SHapley Additive exPlanations (SHAP) yöntemlerini birleştirmiştir. Jiangyin–Jingjiang Yangtze Nehri Tüneli’nin 1–271 numaralı halkalarından elde edilen jeolojik ve işletme verileri kullanılmış, başlangıçtaki 36 değişkenden 12 temsil edici değişken seçilmiş ve toplam 12 tahmin modeli karşılaştırılmıştır. TabPFN, birleştirilmiş doğrulama ve test örneklerinde 0,613 mm/dk ortalama mutlak hata, yüzde 2,080 ortalama mutlak yüzde hata, 0,901 mm/dk kök ortalama kare hata ve 0,960 R² değeriyle en başarılı model olmuştur. Bununla birlikte çalışma tek bir tünelden, yalnızca 271 halkadan ve 54 doğrulama-test örneğinden elde edilen hakemlik öncesi sonuçlara dayanmaktadır; model başka bir tünel projesinde dışarıdan doğrulanmamıştır.

SHAP analizleri, modelin ilerleme hızı tahminlerinde en fazla bulamaç enjeksiyon debisi ve yoğunluğundan yararlandığını; kesici kafa hızı, tahliye bulamacı yoğunluğu, kazı malzemesi tahliye debisi ve toplam itme kuvvetinin de önemli katkılar sağladığını göstermiştir. Genelleştirilmiş eklemeli modeller, zemin sıkışma modülü, kohezyon, taşıma kapasitesi ve çevre sürtünmesi ile ilerleme hızı arasında doğrusal olmayan eşikler bulunduğunu ortaya koymuştur. Araştırmacılar bu ilişkileri jeolojik bölgeleme, itme kuvveti ayarı, kesici kafa–bulamaç eşleştirmesi ve tahliye kapasitesi yönetimine yönelik insan denetimli karar önerilerine dönüştürmüştür.

Çalışmanın önerdiği sistem tam otomatik bir tünel kontrolü değildir. Yapay zekâ modeli ilerleme hızı tahmini ve değişkenlerin katkılarını sunarken, saha mühendislerinin zemin koşullarını, makine davranışını, güvenlik sınırlarını ve yapım deneyimini değerlendirerek nihai kararı vermesi öngörülmektedir. Bu ayrım önemlidir; SHAP değerleri modelin veriler içinde öğrendiği ilişkileri açıklar, belirli bir parametre değişikliğinin sahada kesin ve nedensel sonuç üreteceğini kanıtlamaz.

Türkiye açısından: TabPFN-SHAP yaklaşımı, Türkiye’de yürütülen büyük çaplı kalkan tünel projelerinde kazının ilk aşamalarından itibaren sınırlı veriden yararlanarak ilerleme hızı tahmini, sensör verisi kalite kontrolü ve mühendis destekli parametre değerlendirmesi için araştırılabilir. Uygulamadan önce modelin Türkiye’deki farklı zeminler, makine çapları, bulamaç sistemleri, sensör altyapıları ve işletme prosedürleriyle yeniden eğitilmesi veya kalibre edilmesi gerekir. Veri bölme yöntemi halka sırasını koruyacak biçimde test edilmeli ve model bağımsız bir Türk tünelinde ileriye dönük olarak doğrulanmalıdır. Çalışmadaki itme, hız, yoğunluk ve basınç eşikleri Jiangyin–Jingjiang Tüneli’ne özgüdür; Türkiye için doğrudan güvenli işletme sınırı olarak kullanılamaz.

Araştırmanın temel problemi nedir?

Kalkan tünel açma makinelerinde ilerleme hızı; yapım süresini, maliyeti ve işletme güvenliğini doğrudan etkileyen temel performans göstergelerinden biridir. Ancak ilerleme hızı yalnızca makine gücüne bağlı değildir. Zemin dayanımı, kohezyon, taşıma kapasitesi, kesici kafa dönüş hızı, itme kuvveti, bulamaç yoğunluğu, dolaşım debisi ve kazı malzemesi tahliye kapasitesi birlikte etkili olur.

Bu karmaşıklık, kil ve kum gibi farklı tabakaların aynı kazı yüzünde bulunduğu bileşik zeminlerde daha belirgindir. Bir parametreyi tek başına artırmak her zaman daha hızlı ilerleme sağlamaz. Örneğin kesici kafa hızının yükseltilmesi bazı koşullarda kesme kapasitesini artırabilirken, başka koşullarda yüzey bozulmasını, sürtünmeyi, ince parçacık üretimini ve bulamaç taşıma direncini artırabilir.

Araştırmanın hedeflediği asıl boşluk, kazının erken döneminde yeterli veri bulunmamasıdır. Geleneksel makine öğrenmesi ve derin öğrenme modelleri çoğunlukla uzun süreli kazıdan toplanan büyük veri setlerine ihtiyaç duyar. Oysa mühendislerin makine parametrelerini ayarlamaya en fazla ihtiyaç duyduğu dönemlerden biri, yalnızca birkaç yüz halka verisinin bulunduğu başlangıç aşamasıdır.

İncelenen tünel ve makine hangi özelliklere sahiptir?

Araştırma, Çin’deki Jiangyin–Jingjiang Yangtze Nehri Tüneli’nin kalkanla açılan bölümüne dayanmaktadır. Projede kazı çapı 16,03 metre olan bulamaç dengelemeli bir kalkan makinesi kullanılmıştır. Tünel kaplamasının dış çapı 15,5 metre, iç çapı 14,2 metre ve segment kalınlığı 650 milimetredir.

Kazı yüzü Kuvaterner çökelleri içinde ilerlemekte ve killi zeminlerle kumlu zeminlerin değişken oranlarda birleşiminden oluşmaktadır. Üst kesimlerde genel olarak siltli kil, silt ve siltli kum; alt kesimlerde ise daha yoğun ve geçirgen ince veya orta kum tabakaları bulunmaktadır. Birden fazla tabakanın aynı kazı yüzünde bulunması nedeniyle her halkanın jeolojik değişkenleri, tabakaların kazı yüzündeki alan oranlarına göre ağırlıklı ortalama alınarak hesaplanmıştır.

Şekil 3’te tabaka oranlarının 1. halkadan 271. halkaya kadar sürekli değiştiği görülmektedir. Bu değişim, yüz stabilitesi, bulamaç dengesi, kesme direnci ve tahliye koşullarının kazı boyunca sabit kalmadığını göstermektedir. Modelin karşılaştığı problem bu nedenle yalnızca bir hız tahmini değil, sürekli değişen zemin–makine eşleşmesinin öğrenilmesidir.

Ham veriler nasıl temizlendi?

Ham makine kayıtları beş dakikalık zaman aralıklarıyla kaydedilmiştir. Yinelenen değerler ve makinenin çalışmadığı duruş dönemleri çıkarıldıktan sonra 3.468 geçerli zaman noktası kalmıştır. Sensör hataları, kısa süreli güç sıçramaları, mekanik dalgalanmalar ve zemin geçişleri nedeniyle oluşabilecek anormal kayıtlar Isolation Forest yöntemiyle belirlenmiştir.

Isolation Forest, verileri rastgele bölerek bir gözlemin diğer gözlemlerden ne kadar kolay ayrıldığını ölçer. Kısa ayrıştırma yollarına sahip gözlemler daha yüksek anormallik puanı alır. Çalışmada karar eşiği aşağıdaki nicelik ilişkisiyle belirlenmiştir:

\[ T=\operatorname{Quantile}_{1-\alpha}(\mathrm{score}_i),\quad i=1,2,\ldots,N \]

• T, anormallik karar eşiğidir.
• score_i, i numaralı gözlemin anormallik puanıdır.
• N, toplam gözlem sayısıdır.
• α, veride bulunduğu varsayılan anormal gözlem oranıdır.

Araştırmacılar saha deneyimine dayanarak kontaminasyon oranını yüzde 5 olarak belirlemiştir. Otomatik oluşan anormallik eşiği 0,53859’dur. Algoritma 214 kaydı anormal olarak sınıflandırmıştır; bu sayı toplam verinin yaklaşık yüzde 4,95’ine karşılık gelmektedir. Şekil 4’teki histogram eşik çizgisini, t-SNE görselleştirmesi ise anormal örneklerin kümelerin kenarlarında ve ayrık bölgelerde yoğunlaştığını göstermektedir.

Belirlenen anormallikler doğrudan silinmemiş, spline enterpolasyonu kullanılarak düzeltilmiştir. Bu yaklaşım veri sürekliliğini koruyabilir; ancak gerçek ve önemli bir operasyonel uç durumun da yumuşatılması olasılığı bulunmaktadır. Çalışma, düzeltilen her kaydın saha olay günlüğüyle ayrıca doğrulanıp doğrulanmadığını belirtmemektedir.

Zaman kayıtları neden halka düzeyine dönüştürüldü?

Beş dakikalık veriler kısa süreli dalgalanmaları gösterirken, tünel ilerlemesi fiziksel olarak halka numarası boyunca gerçekleşmektedir. Araştırmacılar aynı halkanın kazılması sırasında kaydedilen çoklu zaman noktalarını ortalamış ve temel analiz birimini halka olarak tanımlamıştır. Böylece zaman tabanlı 3.468 kayıt, 271 halka düzeyinde örneğe dönüştürülmüştür.

Bu işlem geçici sensör ve işletme dalgalanmalarının etkisini azaltmış, jeolojik özelliklerle makine parametrelerinin aynı mekânsal birim üzerinde karşılaştırılmasını sağlamıştır. Buna karşılık halka içindeki kısa süreli kritik olayların ortalama içinde kaybolması mümkündür. Model, beş dakikalık ani riskleri değil, halka boyunca ortalama ilerleme hızını tahmin etmektedir.

Veriler nasıl bölündü ve standartlaştırıldı?

Halka düzeyindeki veri seti yüzde 80 eğitim, yüzde 10 doğrulama ve yüzde 10 test olacak şekilde ayrılmıştır. Sonuçta eğitim kümesinde 217, doğrulama kümesinde 28 ve test kümesinde 26 halka bulunmaktadır. Doğrulama kümesi model ayarı ve özellik seçimi, test kümesi ise görülmemiş örneklerde performans değerlendirmesi için kullanılmıştır.

Değişkenler farklı fiziksel birimlere sahip olduğu için z-puanı standardizasyonu uygulanmıştır:

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

• x, özgün ölçümdür.
• μ, ilgili değişkenin ortalamasıdır.
• σ, değişkenin standart sapmasıdır.
• x', birimsiz standartlaştırılmış değerdir.

Standartlaştırma, örneğin kilopaskal cinsinden taşıma kapasitesi ile g/cm³ cinsinden bulamaç yoğunluğunun yalnızca sayısal ölçekleri nedeniyle modele farklı ağırlıkta girmesini önlemeyi amaçlar.

Metinde yüzde 80–10–10 ayrımının halka sırasına göre kronolojik veya mekânsal bloklar hâlinde mi, yoksa rastgele mi yapıldığı açıkça belirtilmemiştir. Birbirine komşu halkalar benzer zemin ve işletme koşullarına sahip olabileceğinden bu ayrıntı, gerçek genelleme performansının değerlendirilmesi açısından önemlidir.

TabPFN nedir ve küçük veriyle nasıl çalışmaktadır?

Tabular Prior-Data Fitted Networks, tablo biçimindeki veriler için önceden eğitilmiş bir temel modeldir. Geleneksel modeller her yeni proje veri setinde çok sayıda parametreyi baştan öğrenirken TabPFN, büyük miktarda sentetik tablo verisinden önceden öğrendiği örüntüleri yeni veri setine bağlam içinde uygular.

Şekil 2’de model; etiketli eğitim örnekleri ile etiketi bilinmeyen test örneğini aynı giriş akışında almaktadır. İki boyutlu dikkat katmanlarının bir bölümü özellikler arasındaki, diğer bölümü ise örnekler arasındaki ilişkileri işler. Son çok katmanlı algılayıcı katmanı, ilerleme hızının nokta tahminiyle birlikte öngörü dağılımını üretir.

Çalışmada TabPFN’nin tahmin mantığı Bayesçi bütünleştirme biçiminde ifade edilmiştir:

\[ p(y\mid x,D)=\int p(y\mid x,q)\,p(q\mid D)\,dq \]

• D, eğitim veri setidir.
• x, ilerleme hızı tahmin edilecek yeni örneğin özellikleridir.
• y, tahmin edilen ilerleme hızıdır.
• q, olası model parametrelerini temsil eder.
• p(q|D), veriler gözlendikten sonra model parametrelerine ilişkin dağılımdır.
• p(y|x,q), belirli parametreler altında yeni örneğin tahmin dağılımıdır.

Formül, tek bir sabit parametre kümesine güvenmek yerine olası parametreler üzerindeki tahminlerin bütünleştirilmesini anlatmaktadır. Çalışmanın temel varsayımı, önceden öğrenilmiş tablo verisi örüntülerinin küçük bir tünel veri setinde geleneksel modellerden daha kararlı tahmin sağlayabileceğidir.

TabPFN özellik seçimi için nasıl kullanıldı?

Başlangıçta 36 jeolojik ve işletme değişkeni bulunmasına karşılık yalnızca 271 halka örneği vardır. Değişken sayısının örnek sayısına göre yüksek olması gereksiz karmaşıklık ve kararsızlık oluşturabilir. Araştırmacılar bu nedenle TabPFN’yi yalnızca tahmin modeli olarak değil, ileri yönlü özellik seçiminin değerlendiricisi olarak da kullanmıştır.

İşlem boş bir özellik kümesiyle başlamıştır. Her adımda seçilmemiş değişkenlerden biri mevcut kümeye eklenmiş, ortaya çıkan aday küme beş katlı çapraz doğrulamayla değerlendirilmiş ve ortalama doğrulama karesel hatasını en fazla azaltan değişken tutulmuştur. Şekil 5’te hata ilk özelliklerle hızla azalmakta, 12 özellikten sonra ise yaklaşık olarak yataylaşmaktadır. Araştırmacılar doğruluk ile model sadeliğini birlikte gözeterek 12 değişken seçmiştir.

Hangi modeller karşılaştırıldı?

TabPFN; LightGBM, XGBoost, CatBoost, TABM, destek vektör regresyonu, rastgele orman, çok katmanlı algılayıcı, karar ağacı, aşırı öğrenme makinesi, Bayesçi regresyon ve gradyan artırma regresörüyle karşılaştırılmıştır. XGBoost, CatBoost ve rastgele orman gibi ayarlanabilir modellerde ızgara araması ve çapraz doğrulama kullanılmış; TabPFN ve TABM ise önceden belirlenmiş mimarileriyle uygulanmıştır.

Performans şu ölçütlerle değerlendirilmiştir:

• MAE: Tahmin ile gerçek değer arasındaki mutlak farkların ortalaması.
• MAPE: Mutlak hatanın gerçek değere oranının yüzde olarak ortalaması.
• MSE: Hataların karesinin ortalaması; büyük hatalara daha fazla ağırlık verir.
• RMSE: MSE’nin kareköküdür ve ilerleme hızıyla aynı birime sahiptir.
• R²: Modelin ilerleme hızındaki değişkenliğin ne kadarını açıkladığını gösterir.

TabPFN, en iyi geleneksel karşılaştırma modeli olan rastgele ormana göre MAE’yi 0,812’den 0,613’e, RMSE’yi 1,068’den 0,901’e düşürmüş ve R² değerini 0,899’dan 0,960’a yükseltmiştir.

Ancak tabloda öne çıkarılan 0,613 MAE ve 0,960 R² değerleri, 28 doğrulama örneği ile 26 test örneğinin birleştirildiği 54 örnek üzerinden hesaplanmıştır. Yalnızca bağımsız test kümesinde MAE 0,641, MAPE yüzde 2,097, RMSE 0,903 ve R² 0,956’dır. İki sonuç birbirine yakın olmakla birlikte en katı genelleme göstergesi, model ayarında kullanılmayan 26 örnekli test kümesidir.

Şekil 6 tahminlerin dağılımı hakkında ne göstermektedir?

Eğitim, doğrulama ve test grafiklerinde ölçülen ilerleme hızları ile TabPFN tahminleri büyük ölçüde diyagonal uyum çizgisinin çevresinde toplanmaktadır. Örneklerin çoğu yüzde 95 güven ve tahmin bantları içinde kalmıştır. Eğitim R² değerinin 0,971, doğrulamanın 0,965 ve testin 0,956 olması, veri bölümleri arasında büyük bir performans çöküşü olmadığını göstermektedir.

Bununla birlikte test kümesinde yalnızca 26 halka bulunması nedeniyle birkaç yeni hata, performans ölçütlerini önemli ölçüde değiştirebilir. Grafikler aynı tünel kesiti içindeki uyumu gösterir; başka bir zemin, makine veya projedeki doğruluğu göstermez.

SHAP modeli nasıl açıklamaktadır?

SHAP, iş birlikçi oyun teorisindeki Shapley değerlerini kullanarak her değişkenin tahmine yaptığı marjinal katkıyı hesaplar. Çalışmada kullanılan temel ilişki şöyledir:

\[ \phi_i(f)=\sum_{S\subseteq N\setminus\{i\}}\frac{|S|!(|N|-|S|-1)!}{|N|!}\left[f(S\cup\{i\})-f(S)\right] \]

• φ_i(f), i numaralı değişkenin SHAP katkısıdır.
• N, bütün giriş değişkenlerinin kümesidir.
• S, i değişkenini içermeyen olası bir değişken alt kümesidir.
• f(S), yalnızca S kümesiyle elde edilen tahmindir.
• f(S∪{i}), i değişkeni eklendikten sonraki tahmindir.

Regresyon modelinde SHAP katkıları, tahminin temel ilerleme hızı değerinden kaç mm/dk yukarı veya aşağı taşındığını göstermektedir. Pozitif bir SHAP değeri tahmin edilen ilerleme hızını artırır; negatif değer düşürür. Bu açıklama nedensellik değil, model davranışı açıklamasıdır.

Küresel SHAP sonuçlarında hangi değişkenler öne çıktı?

Şekil 7’deki ortalama mutlak SHAP sıralaması, en büyük katkıların bulamaç enjeksiyon debisi MIFR ile enjeksiyon bulamacı yoğunluğu MID’den geldiğini göstermektedir. Bunları hızlı kesme kohezyonu CQ, tahliye bulamacı yoğunluğu MDD, kesici kafa hızı CS ve konsolide kohezyon CCQ izlemektedir. Bulamaç basıncı PS, tahliye debisi MDFR, taşıma kapasitesi FAO, zemin modülü Es, çevre sürtünmesi QIK ve toplam itme kuvveti TTF daha küçük fakat ölçülebilir katkılar sağlamıştır.

Arı sürüsü grafiğinde yüksek MID, MIFR ve CS değerleri çoğunlukla negatif SHAP bölgesine yönelmiştir. Bu model örüntüsü, aşırı yoğun veya yüksek debili bulamacın taşıma direncini artırabileceğini ve yüksek kesici kafa hızının bazı koşullarda kazı yüzünü bozabileceğini düşündürmektedir. MDD, PS, MDFR ve TTF’nin yüksek değerleri ise genel olarak pozitif yönlü katkılar göstermiştir.

Jeolojik değişkenlerde yüksek Es, FAO ve QIK çoğunlukla olumlu katkı verirken CCQ yükseldikçe ilerleme hızı katkısı azalmıştır. CQ ise tek yönlü davranmamış, farklı aralıklarda olumlu ve olumsuz katkılar göstermiştir.

Yüksek ilerleme hızına sahip örnek nasıl açıklanmıştır?

Şekil 8’de incelenen 5 numaralı örneğin tahmin edilen ilerleme hızı 37,131 mm/dk, modelin temel değeri ise 31,841 mm/dk’dır. En güçlü olumlu katkılar düşük kohezyon değerlerinden gelmiştir:

• CQ = 2,947 kPa için SHAP katkısı +1,04 mm/dk’dır.
• CCQ = 2,724 kPa için katkı +0,83 mm/dk’dır.
• MID = 1,218 g/cm³ için katkı +0,65 mm/dk’dır.
• MDD = 1,283 g/cm³ için katkı +0,54 mm/dk’dır.
• Es = 11,373 MPa için katkı +0,48 mm/dk’dır.

Bu örnekte FAO 241,338 kPa, QIK 57,257 kPa ve toplam itme kuvveti 161.603,583 kN’dur. Araştırmacılar düşük kohezyon, yüksek zemin kararlılığı, görece düşük enjeksiyon yoğunluğu ve dengeli mekanik işletmenin birlikte yüksek ilerleme hızını desteklediğini yorumlamıştır.

Düşük ilerleme hızına sahip örnek nasıl açıklanmıştır?

Şekil 9’daki 10 numaralı örneğin tahmini 22,299 mm/dk’dır. Modelin 31,841 mm/dk temel değerinden düşüşünde başlıca olumsuz katkılar şunlardır:

• MIFR = 44,77 m³/saat için −2,97 mm/dk.
• CS = 1,224 dev/dk için −2,12 mm/dk.
• MID = 1,266 g/cm³ için −2,05 mm/dk.
• PS = 5,097 MPa için −1,80 mm/dk.
• QIK = 51,448 kPa için −0,68 mm/dk.
• FAO = 153,393 kPa için −0,64 mm/dk.

Örnekte görece yüksek bulamaç enjeksiyon debisi ve yoğunluğu, yüksek kesici kafa hızı, düşük basınç ve düşük taşıma kapasitesi birlikte olumsuz bir yapı oluşturmuştur. Bu sonuç, kesici kafa hızını veya debiyi tek başına artırmanın zayıf zemin ve yetersiz dolaşım koşullarını telafi etmediğini göstermektedir.

Genelleştirilmiş eklemeli model neden kullanıldı?

SHAP değişkenlerin tahmine katkısını gösterirken, araştırmacılar jeolojik değişkenlerin ilerleme hızıyla doğrusal olmayan ilişkilerini daha açık görmek için genelleştirilmiş eklemeli modellerden yararlanmıştır. GAM’ın temel biçimi şöyledir:

\[ g(E(Y))=\beta_0+\sum_{j=1}^{p}f_j(X_j) \]

• Y, ilerleme hızıdır.
• g, bağlantı fonksiyonudur.
• β₀, sabit terimdir.
• f_j, her jeolojik değişken için esnek yumuşatma fonksiyonudur.
• X_j, ilgili jeolojik değişkendir.

Model uyumu aşağıdaki R² ilişkisiyle değerlendirilmiştir:

\[ R^2=1-\frac{SS_{res}}{SS_{tot}} \]

SS_res artık kareler toplamını, SS_tot toplam kareler toplamını gösterir. R² birimsizdir ve 1’e yaklaşması eğrinin gözlenen değişkenliği daha fazla açıkladığını ifade eder.

Jeolojik değişkenlerde hangi eşikler bulundu?

CQ’daki W biçimli eğri özellikle önemlidir. Kohezyonun yalnızca “ne kadar düşükse o kadar iyi” biçiminde yorumlanamayacağını göstermektedir. Araştırmacıların açıklamasına göre orta düzey kohezyon, uygun filtre keki oluşumuna yardım edebilirken çok yüksek kohezyon kesici kafada balçık keki, kesme direnci ve taşıma güçlüğü oluşturabilir.

Bu eşikler yalnızca incelenen veri aralığında gözlenen model ilişkileridir. Eğriler az sayıda halka örneğine dayandığı için kesin fiziksel sabit veya bütün tünellere uygulanabilir tasarım sınırı olarak kabul edilmemelidir.

Jeoloji ile makine parametreleri nasıl etkileşmiştir?

Şekil 11–13, tek tek değişkenlerden çok değişken çiftlerinin birlikte nasıl davrandığını göstermektedir:

• Es–CCQ: Es 11 MPa üzerinde ve CCQ 6 kPa altında olduğunda katkılar çoğunlukla olumlu olmuştur. Es 9 MPa altında ve CCQ 10 kPa üzerinde olduğunda olumlu katkı zayıflamıştır.
• FAO–QIK: FAO 160 kPa ve QIK 53 kPa altında olduğunda katkılar olumsuzdur. FAO’nun yaklaşık 190–210 kPa olduğu dengeli koşullarda daha yüksek olumlu katkılar görülmüştür.
• CS–Es: CS 1,20 dev/dk üzerinde ve Es 10,5 MPa üzerinde olduğunda SHAP değerleri yaklaşık −1,5 ile −2,1’e düşmüştür. CS’nin 1,10–1,15 dev/dk aralığı daha kararlı görünmüştür.
• MID–CQ: MID 1,18–1,22 g/cm³ ve CQ 8 kPa altında olduğunda olumlu katkılar görülmüştür. MID 1,26–1,28 g/cm³ ve CQ 10 kPa üzerinde olduğunda katkı yaklaşık −2’ye kadar düşmüştür.
• TTF–FAO: FAO 180 kPa altında ve TTF 110.000–130.000 kN aralığında katkılar olumsuz kalmıştır. FAO 220 kPa üzerinde ve TTF 150.000 kN üzerinde olduğunda olumlu katkılar görülmüştür.
• MID–CS: MID 1,20–1,23 g/cm³ ve CS 1,12–1,16 dev/dk aralığı olumlu; yüksek MID ile 1,20 dev/dk üzerindeki CS birleşimi olumsuz olmuştur.
• MID–MDD: MID 1,20–1,22 ve MDD yaklaşık 1,27–1,29 g/cm³ olduğunda taşıma koşulları daha olumlu görünmüştür.
• TTF–PS: TTF 150.000 kN üzerinde ve PS yaklaşık 5,8–6,2 MPa olduğunda olumlu katkılar artmıştır.

Bu etkileşimler, modelin “itme kuvvetini artır”, “kesici kafayı hızlandır” veya “bulamaç yoğunluğunu düşür” gibi bağlamdan bağımsız kurallar üretmediğini göstermektedir. Aynı ayar, farklı taşıma kapasitesi veya kohezyon koşullarında ters sonuç verebilir.

İnsan–yapay zekâ ortak karar çerçevesi nasıl çalışmaktadır?

Şekil 14’te önerilen süreç beş karar alanına ayrılmıştır:

1. Jeolojik pencerenin belirlenmesi ve dinamik bölgeleme
2. Toplam itme kuvvetinin taşıma kapasitesiyle eşleştirilmesi
3. Kesici kafa hızı ile bulamaç reolojisinin birlikte ayarlanması
4. Bulamaç dolaşımının yoğunluk ve debi üzerinden yönetilmesi
5. Kazı malzemesi tahliyesi ile bulamaç dolaşımının eşgüdümü

Yapay zekâ modeli, tahmin edilen ilerleme hızını ve bu tahmine hangi değişkenlerin ne ölçüde katkıda bulunduğunu sunmaktadır. Mühendis ise modelin önerisini saha gözlemleri, yüz stabilitesi, tork, titreşim, sıcaklık, hat basıncı, makine duruşu ve güvenlik gereklilikleriyle karşılaştırmaktadır. Nihai parametre değişikliği mühendis tarafından yapılmaktadır.

Bu yapı, otomatik kontrol sisteminden çok açıklanabilir bir karar destek aracıdır. Çalışma, önerilerin gerçek zamanlı kapalı çevrim kontrol altında uygulanıp sonuçlarının karşılaştırıldığı bir saha deneyi sunmamaktadır.

Çalışmanın desteklediği sonuçlar nelerdir?

• TabPFN, bu tek tünelin 271 halka düzeyindeki küçük veri setinde karşılaştırılan modellerden daha düşük hata üretmiştir.
• TabPFN tabanlı ileri yönlü seçim, 36 değişkeni tahmin hatası büyük ölçüde korunarak 12 değişkene indirmiştir.
• İlerleme hızı, jeolojik ve işletme değişkenlerinin birlikte etkisiyle tahmin edilmiştir.
• Bulamaç enjeksiyonu, kesici kafa ve tahliye sistemleri model tahminlerinde önemli rol oynamıştır.
• SHAP, hem genel değişken önemini hem de tek tek halka tahminlerinin oluşumunu açıklayabilmiştir.
• GAM ve SHAP bağımlılık analizleri, incelenen proje içinde doğrusal olmayan eşikler ve değişken etkileşimleri göstermiştir.

Çalışma neyi kanıtlamamaktadır?

• TabPFN’nin bütün tünel projelerinde diğer modellerden üstün olduğunu kanıtlamamaktadır.
• Model başka bir tünel, ülke, makine veya jeolojik ortamda dışarıdan doğrulanmamıştır.
• SHAP katkıları değişkenler arasında nedensel ilişki kanıtı değildir.
• Önerilen parametre aralıklarının güvenliği ileriye dönük kontrollü saha deneyiyle gösterilmemiştir.
• Model, ani yüz çökmesi, segment hasarı veya ekipman arızası için bağımsız bir güvenlik sistemi değildir.
• Halka ortalaması, halka içindeki kısa süreli kritik olayların başarıyla tahmin edildiğini göstermez.
• Çalışmadaki sayısal eşikler Türkiye’deki projelere veya başka kalkan makinelerine doğrudan aktarılamaz.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem özeti

TabPFN’nin veri bölümlerindeki performansı

Çalışmada önerilen proje içi kontrol bölgeleri

Bulamaç ve tahliye sistemi için önerilen ilişkiler

• Kesici kafa hızı genel olarak yaklaşık 1,10–1,15 dev/dk aralığında dengelenmiştir.
• Kumlu tabakalarda MID için 1,22–1,25 g/cm³ aralığı önerilmiştir.
• Yüksek kohezyonlu tabakalarda MID için 1,20–1,23 g/cm³ aralığı ve uygun MIFR artışı önerilmiştir.
• CQ 8 kPa üzerinde olduğunda MID’nin görece düşük tutulması gerektiği belirtilmiştir.
• MDD ile MID arasındaki yoğunluk farkı için yaklaşık 0,05–0,08 g/cm³ aralığı önerilmiştir.
• İtme kuvveti yükseltilmeden önce tahliye debisi, bulamaç basıncı ve dolaşım kapasitesinin kontrol edilmesi gerektiği savunulmuştur.

Bu değerler güvenlik standardı veya üretici işletme talimatı değildir. Araştırmacılar da eşiklerin incelenen tünelin jeolojisi, makine konfigürasyonu ve işletme alışkanlıklarından türetildiğini; farklı projelerde yeniden kalibre edilmesi gerektiğini açıkça belirtmiştir.

Çalışmanın başlıca güçlü yönleri

• Laboratuvar veya sentetik veri yerine gerçek bir ultra büyük çaplı kalkan projesinin saha kayıtları kullanılmıştır.
• Erken aşamadaki küçük veri problemi açık biçimde hedeflenmiştir.
• Aykırı değer belirleme, özellik seçimi, tahmin, açıklama ve mühendislik yorumlama tek akışta birleştirilmiştir.
• TabPFN, çok sayıda geleneksel ve derin öğrenme modeliyle aynı veri üzerinde karşılaştırılmıştır.
• Küresel SHAP’ın yanında tek halka açıklamaları ve değişken etkileşimleri değerlendirilmiştir.
• Veri ve analiz kodunun paylaşılması yeniden inceleme olanağını artırmaktadır.
• Yapay zekâya nihai kontrol yetkisi vermeyen, insan denetimli bir karar çerçevesi önerilmiştir.

Çalışmanın başlıca sınırlılıkları

• Bütün örnekler tek bir tünelin ilk 271 halkasından gelmektedir.
• Bağımsız başka bir tünel veya makine üzerinde dış doğrulama yapılmamıştır.
• Test kümesi yalnızca 26 halkadan oluşmaktadır.
• Veri ayrımının halka sırasını koruyup korumadığı açıklanmamıştır.
• Komşu halkalar arasındaki mekânsal bağımlılığın performansa etkisi ayrıca ölçülmemiştir.
• Isolation Forest kontaminasyon oranı önceden yüzde 5 olarak belirlenmiştir.
• Enterpolasyonla düzeltilen uç değerlerin gerçek saha olaylarını temsil edip etmediği gösterilmemiştir.
• Halka düzeyi ortalamalar kısa süreli kritik davranışları gizleyebilir.
• SHAP ve GAM sonuçları gözlemsel model ilişkileridir; nedensel deney sonucu değildir.
• Önerilen kontrol stratejileri ileriye dönük kapalı çevrim saha deneyiyle sınanmamıştır.
• Çalışma hakem değerlendirmesinden geçmemiştir.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Interpretable Early-Stage Advance Rate Prediction and Human–AI Collaborative Decision Support for Ultra-Large-Diameter Slurry Shield Tunnelling Using TabPFN-SHAP

Yazarlar: Chenlong Yue, Jian Zhang, Tugen Feng ve Bin Zheng.

Yazar sıralaması: Chenlong Yue birinci, Jian Zhang ikinci, Tugen Feng üçüncü ve Bin Zheng dördüncü yazardır.

Eşit katkı bilgisi: Yüklenen sürümde eşit katkıda bulunan yazar bilgisi yer almamaktadır.

Sorumlu yazar: Jian Zhang. Çalışmada iletişim adresi 241604010106@hhu.edu.cn olarak verilmiştir.

Kurumsal bağlantılar:

1. Key Laboratory of Ministry of Education for Geomechanics and Embankment Engineering, Hohai University, Nanjing, Çin.
2. School of Civil Engineering and Surveying & Mapping Engineering, Jiangxi University of Science and Technology, Ganzhou, Çin.

DOI:10.2139/ssrn.7030777

Yayın platformu: SSRN.

Resmî kayıt bağlantısı:SSRN çalışma sayfası

Veri ve kod bağlantısı:TabPFN-Based-Advance-Rate-Prediction GitHub deposu

Yayın yılı: 2026. Resmî SSRN sayfasındaki kesin yükleme tarihi bu inceleme sırasında ayrıca doğrulanamamıştır.

Dergi: Hakemli bir dergiye kabul veya yayımlanma bilgisi doğrulanamamıştır.

Özgün yayınevi: Hakemli nihai yayın için yayınevi bilgisi bulunmamaktadır.

Kaynak türü: Gerçek saha verisine dayanan makine öğrenmesi model geliştirme, karşılaştırma ve açıklanabilir mühendislik karar desteği çalışması; preprint.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır.

Finansman: Çalışma; Çin Ulusal Doğa Bilimleri Vakfı, Merkezi Üniversiteler Temel Araştırma Fonları, üst düzey araştırmacı fonları, Jiangxi Eyaleti büyük bilim ve teknoloji programı, derin yer altı mühendisliği ulusal programı ve dağlık bölgelerde inşaat mühendisliği güvenliği laboratuvarı fonları tarafından desteklenmiştir.

Çıkar çatışması: Yazarlar bilinen bir mali çıkar çatışması veya çalışmayı etkileyebilecek kişisel ilişki bildirmemiştir.

Bu Türkçe makale, yüklenen 43 sayfalık çalışma; formüller, tablolar, grafikler, jeolojik dağılımlar, SHAP görselleri ve mühendislik karar şemaları incelenerek hazırlanmıştır. Çalışmada bulunmayan yeni deneysel sonuç, saha başarısı veya güvenlik garantisi eklenmemiştir. Dış kaynaklar yalnızca DOI, resmî SSRN kaydı ve çalışmada bildirilen veri-kod deposunun doğrulanması amacıyla kullanılmıştır.

TabPFN’nin bildirilen yüksek doğruluğu tek proje içindeki küçük bir veri setine aittir. Başka tüneller için uygulanmadan önce bağımsız dış doğrulama, halka sırasını koruyan zaman-mekân tabanlı test, sensör ve birim standardizasyonu, yerel zemin kalibrasyonu ve ileriye dönük saha değerlendirmesi gereklidir. Çalışmadaki sayısal parametre aralıkları evrensel tünel işletme sınırları veya otomatik kontrol komutları olarak değerlendirilmemelidir.