Bu çalışma, süperkritik karbondioksit ortamlarında çeliklerin genel korozyon hızını ve çukurcuk korozyonu oluşumunu tahmin etmek için yorumlanabilir bir Kolmogorov-Arnold Ağı (Kolmogorov-Arnold Network, KAN) kullanmıştır. Araştırmacılar 32 yayımlanmış çalışmadan derlenen 386 deney örneğini; sıcaklık, basınç, maruz kalma süresi, su, SO₂ ve O₂ derişimleri ile krom ve karbon içeriklerinden oluşan sekiz değişken üzerinden incelemiştir. Dinamik deneylerden oluşturulan regresyon kümesinde KAN’ın ortalama test R² değeri 0,811 ± 0,058; çukurcuk sınıflandırmasındaki doğruluğu 0,883 ± 0,041 ve AUC değeri 0,947 ± 0,032 olarak bildirilmiştir. KAN, ayarlanmış ağaç topluluklarından daha doğru değildir; temel katkısı, tahmin yapan modelin öğrendiği sürekli fonksiyonların doğrudan incelenebilmesidir. Sonuçlar heterojen literatür verilerine dayanan, kontrollü yeni deneylerle doğrulanmamış ve hakem değerlendirmesinden geçmemiş bir preprint kapsamında yorumlanmalıdır.

Modelin öğrendiği eğriler, dinamik süperkritik CO₂ koşullarında korozyon hızının krom içeriği arttıkça azaldığını, sıcaklıkla Arrhenius tipi yükseldiğini, maruz kalma süresiyle yaklaşık bir kuvvet yasasına göre düştüğünü ve basınca karşı tek yönlü olmayan bir eğilim gösterdiğini ortaya koymuştur. Görünür aktivasyon enerjisi yaklaşık 13 kJ/mol, süreye ilişkin kuvvet yasası üssü ise yaklaşık −1,06 olarak hesaplanmıştır. Model davranışının yaklaşık %88’i tek değişkenli marjinal etkilerle, yaklaşık %12’si ise değişkenler arası etkileşimlerle açıklanmıştır; en güçlü etkileşimler sıcaklık–SO₂ ve su–SO₂ çiftlerinde bulunmuştur.

Çalışmanın önemli ayrımı doğruluk ile yorumlanabilirlik arasındadır. XGBoost ve Random Forest regresyonda KAN’dan biraz daha yüksek ortalama R² değerleri vermiştir. XGBoost’un ortalama R² değeri 0,836, Random Forest’ın 0,830 ve KAN’ın 0,811’dir. Buna karşılık KAN, eşit parametre sayısına sahip çok katmanlı algılayıcıdan anlamlı biçimde daha iyi sonuç üretmiş ve kendi öğrendiği B-spline tabanlı kenar fonksiyonlarını doğrudan görünür hâle getirmiştir. Araştırmacılar bu nedenle KAN’ı “daha doğru” değil, güçlü geleneksel modellerle rekabet edebilen ve kendi işlevsel biçimi incelenebilen bir yöntem olarak konumlandırmıştır.

Türkiye açısından değerlendirme: Çalışma, karbon yakalama, kullanma ve depolama altyapıları; yüksek basınçlı CO₂ taşımacılığı; enerji boru hatları ve korozyon mühendisliği üzerinde çalışan Türkiye’deki araştırma grupları için yorumlanabilir makine öğrenmesi yaklaşımı sunmaktadır. Model, farklı çeliklerin ve çalışma koşullarının korozyon davranışını önceliklendirmede araştırma aracı olarak sınanabilir. Ancak sonuçlar Türkiye’deki boru malzemeleri, CO₂ saflık düzeyleri, akış rejimleri ve saha koşullarıyla doğrulanmamıştır. Çalışma herhangi bir boru hattının güvenli olduğunu, belirli bir alaşımın kullanım ömrünü veya gerçek sistemlerde kabul edilebilir işletme sınırlarını belirlememektedir.

Araştırmanın temel sorusu nedir?

Araştırmanın temel sorusu, süperkritik CO₂ ortamlarındaki çelik korozyonunun hem tahmin edilip hem de tahmini yöneten değişken ilişkilerinin aynı model üzerinden okunup okunamayacağıdır. Çalışma iki ayrı çıktı üzerinde yoğunlaşmıştır:

• Genel korozyon hızı regresyonu: Korozyon hızının logaritmik ölçekte sürekli bir değer olarak tahmin edilmesi.
• Çukurcuk korozyonu sınıflandırması: Yerel çukurcuk oluşumunun var veya yok biçiminde sınıflandırılması.

Süperkritik CO₂, kritik sıcaklık ve basıncın üzerindeki koşullarda gaz ve sıvı özelliklerini birlikte sergileyen CO₂ fazını ifade etmektedir. Çalışmanın incelediği sistemlerde su, SO₂ ve O₂ gibi safsızlıklar; sıcaklık, basınç ve maruz kalma süresiyle birlikte çelik yüzeyindeki genel ve yerel korozyon süreçlerini etkileyebilmektedir. Araştırmanın amacı bu karmaşık ilişkileri tek bir ampirik denklemle önceden varsaymak yerine veriden öğrenmek ve öğrenilen eğrileri fiziksel açıdan incelemektir.

Çalışma neden önemlidir?

Karbon yakalama, kullanma ve depolama (carbon capture, utilization and storage, CCUS) sistemlerinde yakalanan CO₂’nin boru hatlarında taşınması gerekebilir. Taşınan akışkan içindeki su ve gaz safsızlıkları metal yüzeyinde korozyona yol açabilir. Genel korozyon ortalama metal kaybıyla, çukurcuk korozyonu ise yüzeyde yerel ve derin hasar bölgeleriyle ilişkilidir. Bu iki hasar biçimi aynı değişkenlere aynı şekilde yanıt vermeyebilir.

Geleneksel makine öğrenmesi modelleri yüksek tahmin başarısı sağlayabilse de hangi değişkenin hangi aralıkta korozyonu artırdığını veya azalttığını doğrudan göstermeyebilir. Sonradan uygulanan SHAP ya da permütasyon önemi gibi açıklama yöntemleri ise kullanılan arka plan verisine ve açıklama tekniğine göre farklı sonuçlar verebilir. Çalışma, güvenliğin önemli olduğu korozyon mühendisliğinde yalnızca yüksek doğruluğun değil, modelin öğrendiği ilişkinin açıkça incelenebilmesinin de gerekli olduğunu savunmaktadır.

Literatürde hangi boşluk hedeflenmiştir?

Önceki korozyon tahmin çalışmalarında yapay sinir ağları, Random Forest, destek vektör makineleri ve gradyan artırmalı karar ağaçları kullanılmıştır. Bu yöntemlerin bir bölümü değişken önemlerini raporlasa da açıklamalar çoğunlukla model eğitildikten sonra uygulanan haricî analizlere dayanmaktadır.

Kolmogorov-Arnold Ağları daha önce malzeme modellerinde, fizik bilgili sinir ağlarında, oksidasyon kontrolünde, sürünme ömrü tahmininde ve CO₂ korozyonu çalışmalarında kullanılmıştır. İncelenen araştırma, yalnızca tahmin doğruluğu karşılaştırması yapmak yerine KAN’ın kendi öğrendiği kenar fonksiyonlarını, marjinal etkilerini, değişken etkileşimlerini ve toplamsal katkı bütçesini doğrudan incelemeyi amaçlamıştır.

Veri kümesi nasıl oluşturulmuştur?

Araştırmacılar 32 yayımlanmış kaynaktan toplam 386 deney örneği derlemiştir. Örnekler hidrodinamik koşula göre iki gruba ayrılmıştır:

Regresyon örnek sayısının toplam sayıdan düşük olmasının nedeni, kaynaklarda sayısal değeri verilmeksizin “ihmal edilebilir” olarak tanımlanan bazı korozyon hızlarıdır. Araştırmacılar bu örneklere logaritmik dönüşümde mutlak sıfır sorununu önlemek için 0,01 mm/yıl değeri atamıştır. Bu atanmış değerler, gerçek bir sayısal ölçüm olmadıkları için regresyon eğitiminden çıkarılmış; özgün çalışmalarda bildirilen çukurcuk etiketleri gerçek gözlemlere dayandığından sınıflandırma kümesinde tutulmuştur.

Sayısal korozyon hızının tabloda bulunmadığı bazı yayınlarda değerler grafiklerden sayısallaştırılarak çıkarılmıştır. Çukurcuk etiketi ise kaynak yayınlardaki çukurcuk oranlarına ve numune morfolojisi açıklamalarına göre 1, çukurcuk bulunmaması durumunda 0 olarak atanmıştır.

Veriler nasıl temizlenmiş ve dönüştürülmüştür?

Sekiz girdi değişkeninden veya hedef korozyon hızından herhangi biri eksik olan kayıtlar çıkarılmıştır. Geçerli tabakalı çapraz doğrulama yapılamayacak kadar az örnek içeren sınıflar elenmiş ve farklı yayınlarda yinelenen kayıtlar tekilleştirilmiştir.

Korozyon hızlarının çoğu 0–1 mm/yıl aralığında yoğunlaşırken az sayıda daha yüksek değer bulunmaktadır. Bu sağa çarpık dağılımı dengelemek amacıyla genel korozyon hızına taban 10 logaritması uygulanmıştır. Dönüşümden sonra dinamik regresyon kümesinde ortalama −1,30 ve standart sapma 0,84; statik kümede ortalama −1,02 ve standart sapma 0,97 olarak bildirilmiştir.

O₂, SO₂ ve H₂O derişimleri yüzlerce ppmv’den on binlerce ppmv’ye uzanan geniş aralıklar içerdiğinden bu değişkenlere de logaritmik dönüşüm uygulanmıştır. Bütün girdiler KAN’ın sınırlı bir alan üzerinde tanımlanan B-spline fonksiyonlarına uygun olacak biçimde [−1, 1] aralığına ölçeklenmiştir.

Bir girdinin min–maks normalizasyonu şu denklemle verilmiştir:

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

Burada \(x\), özgün girdi değerini; \(x_{\min}\) ve \(x_{\max}\), yalnızca ilgili eğitim katındaki en düşük ve en yüksek değerleri; \(x'\) ise [−1, 1] aralığına dönüştürülmüş değeri göstermektedir. Sıcaklığın birimi °C, basıncın MPa ve derişimlerin dönüşüm öncesindeki birimi ppmv’dir. Denklem değişkenin fiziksel sırasını değiştirmez; yalnızca modelin işleyebileceği ortak sayısal aralığa taşır.

Logaritmik korozyon hedefi z-skoruyla standartlaştırılmıştır:

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

\(y\), log₁₀ dönüştürülmüş korozyon hızını; \(\mu\) ve \(\sigma\), yalnızca eğitim verisinden hesaplanan ortalama ve standart sapmayı; \(y'\) ise standartlaştırılmış hedefi ifade etmektedir. Modelin standartlaştırılmış çıktısı \(\hat{y}\) kullanılarak fiziksel ölçeğe dönüş şu ilişkiyle yapılmıştır:

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

Burada \(CR\), mm/yıl birimindeki genel korozyon hızıdır. Logaritmik değer elde edildikten sonra gerçek korozyon hızı \(10^{\log_{10}(CR)}\) üzerinden geri kazanılabilir.

Modelde hangi değişkenler kullanılmıştır?

Malzeme grubunda X60, X65, X70, X80 ve X100 boru çelikleri ile 3Cr, 5Cr ve 13Cr gibi krom içeren çelikler ve korozyona dayanıklı alaşımlar bulunmaktadır. Bir yayın kesin bileşim yerine aralık bildirmişse aralığın ortanca değeri kullanılmıştır.

Araştırmacılar PREN veya karbon eşdeğeri gibi birleşik indisler yerine Cr ve C değerlerini doğrudan kullanmıştır. Çalışmadaki gerekçe, birleşik indislerin kendi iç ağırlıklarını modele taşımaması ve krom ile karbonun etkilerinin KAN eğrilerinde ayrı ayrı okunabilmesidir.

Kolmogorov-Arnold Ağı nasıl çalışmaktadır?

Geleneksel çok katmanlı algılayıcıda kenarlar çoğunlukla sayısal ağırlıkları, düğümler ise sabit aktivasyon fonksiyonlarını taşır. KAN’da öğrenilebilir tek değişkenli fonksiyonlar ağın kenarlarına yerleştirilir; düğümler gelen değerleri toplar. Her kenarın öğrendiği fonksiyon B-spline eğrisi olarak incelenebilir.

Kolmogorov-Arnold temsil teoremi çalışmada şu biçimde ifade edilmiştir:

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

\(x_p\), girdinin \(p\) numaralı bileşenini; \(\phi_{q,p}\), tek bir giriş değişkenine uygulanan sürekli fonksiyonu; \(\Phi_q\), iç toplamın sonucuna uygulanan dış tek değişkenli fonksiyonu göstermektedir. Denklem, çok değişkenli bir ilişkinin tek değişkenli fonksiyonların bileşimleri ve toplamlarıyla temsil edilebileceğini anlatır.

Bir KAN kenarındaki öğrenilebilir aktivasyon şu şekilde tanımlanmıştır:

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

Burada \(w\), öğrenilen ölçek katsayısıdır. Temel fonksiyon \(b(x)\), çalışmada SiLU fonksiyonu olarak verilmiştir:

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

Spline bileşeni ise B-spline taban fonksiyonlarının doğrusal birleşimidir:

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

\(c_i\), eğitim sırasında öğrenilen kontrol katsayılarını; \(B_i(x)\), tanımlanmış grid üzerindeki B-spline taban fonksiyonlarını göstermektedir. B-spline’ların yerel destek özelliği, belirli bir giriş aralığındaki eğimin bütün fonksiyonu aynı ölçüde değiştirmeden öğrenilmesini sağlar.

Modelin sekiz bileşenli girdi vektörü şöyledir:

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

Bir KAN katmanındaki \(j\) numaralı düğümün çıktısı şu toplamla hesaplanmıştır:

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

\(\phi_{i,j}^{(s)}\), \(s\) numaralı katmandaki \(i\) giriş düğümünü \(j\) çıkış düğümüne bağlayan öğrenilebilir kenar fonksiyonudur. Düğüm, farklı girişlerden gelen dönüştürülmüş değerleri toplar.

Tam ağın katman bileşimi şu şekilde verilmiştir:

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

\(L\), toplam katman sayısını; \(\Phi^{(s)}\), ilgili katmandaki bütün kenar dönüşümlerini ve düğüm toplamlarını ifade etmektedir.

Regresyon ağının tek çıkış düğümündeki logaritmik korozyon tahmini, son gizli katmandan gelen öğrenilmiş fonksiyonların toplamı olarak yazılmıştır:

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

\(N_h\), son gizli katmandaki düğüm sayısıdır. Her terim, belirli bir gizli özellikten korozyon çıktısına gelen öğrenilmiş katkıyı temsil eder. Sınıflandırma ağında ise son katman, çukurcuk ve çukurcuk bulunmaması sınıflarına karşılık gelen iki çıktı düğümüne dönüştürülmüş ve softmax olasılıkları kullanılmıştır.

Model seçimi ve veri sızıntısının önlenmesi

KAN’ın gizli katman sayısı, katman genişliği, spline derecesi, grid büyüklüğü, seyreklik katsayısı ve öğrenme oranı önceden sabitlenmemiştir. Aşağıdaki aralıklar üzerinde 40 denemelik Tree-structured Parzen Estimator tabanlı Bayesçi optimizasyon uygulanmıştır:

Her yapılandırma, çapraz doğrulamadaki ortalama R² değerinden standart sapmanın çıkarılmasıyla puanlanmıştır. En iyi puana küçük bir tolerans içinde yaklaşan modeller arasından daha kompakt mimari seçilmiştir. Bu yaklaşım, yalnızca yüksek ortalama doğruluk veren fakat katlar arasında kararsız olan bir modeli seçmemeyi ve yorumlanabilirliği korumayı amaçlamıştır.

Veri sızıntısını önlemek için ölçekleme ve hedef standartlaştırma işlemleri her çapraz doğrulama katında yalnızca eğitim bölümü üzerinde öğrenilmiştir. Erken durdurma için kullanılan iç doğrulama kümesi de eğitim katından ayrılmış; dışarıda tutulan test katı model seçimine veya eğitime dâhil edilmemiştir.

Dinamik ve statik regresyon verileri için seçilen mimari bir gizli katman ve dokuz gizli düğüm içeren [8, 9, 1] yapısıdır. Sekiz giriş özelliği dokuz düğümlü gizli katmana, bu katman da tek regresyon çıkışına bağlanmıştır. Bununla birlikte seçilen nihai spline derecesi, grid büyüklüğü, seyreklik katsayısı ve öğrenme oranı metinde tek bir sonuç tablosunda açıkça verilmemiştir. Şekil 4’te \(k=3\) ve \(G=5\) gösterilse de bunların kesin seçilmiş değer mi yoksa mimariyi açıklayan örnek değerler mi olduğu açıkça belirtilmemiştir.

Eğitim kayıpları nasıl tanımlanmıştır?

Regresyon eğitiminde, büyük hataların etkisini sınırlamak amacıyla eşik değeri \(\delta=0,5\) olan Huber kaybı kullanılmıştır:

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

Küçük hatalarda kareli hata, büyük hatalarda yaklaşık doğrusal hata uygulanmaktadır. Böylece uç örneklerin gradyan üzerindeki etkisi tamamen kaldırılmadan sınırlandırılır. Sınıflandırmada standart çapraz entropi kaybı kullanılmıştır.

Veri kaybına KAN’a özgü seyreklik düzenlileştirmesi eklenmiştir:

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

\(L_{\mathrm{data}}\), regresyonda Huber, sınıflandırmada çapraz entropi kaybıdır. L₁ terimi az sayıda baskın kenarın etkin kalmasını teşvik eder. Çalışmada \(\alpha=\beta=1,0\) kullanılmıştır. Metin, \(H(w)\) ifadesini Shannon entropisi olarak adlandırmış ve \(H(w)=\sum_e p_e\log p_e\) biçiminde yazmıştır. Standartlaştırıcı işaret veya negatif işaret konvansiyonu ayrıca açıklanmamıştır; bu makalede ifade sessizce değiştirilmemiştir.

Optimizasyonda AdamW ve 10⁻⁶ düzeyine inen kosinüs tavlama öğrenme oranı kullanılmıştır. Eğitim en fazla 3000 epoch sürmüş, iç doğrulama kaybı 300 epoch boyunca iyileşmezse durdurulmuştur. Grid sınırları yakınındaki gradyan büyümesini sınırlamak için en yüksek gradyan normu 1,0 olarak kırpılmıştır.

Başarı ölçütleri nelerdir?

Regresyon başarısı açıklanan varyans oranı R², ortalama kare hata ve ortalama mutlak hatayla değerlendirilmiştir:

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

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

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

R² değeri 1’e yaklaştıkça model hedefteki değişimin daha büyük bölümünü açıklamaktadır. MSE büyük hataları karesinden dolayı daha güçlü cezalandırır; MAE ise ortalama mutlak sapmayı hedefle aynı ölçekte verir. Çalışmadaki MSE ve MAE değerleri log₁₀ dönüştürülmüş hedef uzayındadır ve doğrudan mm/yıl hatası olarak okunmamalıdır.

Çukurcuk sınıfı pozitif sınıf olarak tanımlanmış ve ölçütler şu biçimde verilmiştir:

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

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

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

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

TP doğru çukurcuk tahminlerini, TN doğru çukurcuk yokluğu tahminlerini, FP yanlış çukurcuk alarmlarını ve FN kaçırılan çukurcuk örneklerini göstermektedir. AUC ise bütün sınıflandırma eşikleri boyunca pozitif ve negatif sınıfların ayrıştırılma düzeyini ölçmektedir.

Dinamik ve statik verilerde sonuçlar nasıldır?

Aynı veri sızıntısız çapraz doğrulama düzeninde dinamik regresyon modeli 0,811 ± 0,058 ortalama test R² değerine ulaşmıştır. Statik modelin ortalama test R² değeri 0,658 ± 0,142’dir. Statik sonuç hem daha düşük hem de katlar arasında daha değişkendir.

Araştırmacılar farkı statik veri kümesinin daha küçük olmasına, deney koşullarının özellik uzayını daha seyrek ve düzensiz kapsamasına bağlamıştır. Model karşılaştırmaları ve mekanizma yorumları bu nedenle dinamik veri kümesi üzerinde sürdürülmüştür. Çalışma, statik koşullardaki korozyon ilişkilerinin güvenilir biçimde çözümlendiğini iddia etmemektedir.

KAN regresyonda diğer modellerle nasıl karşılaştırılmıştır?

Karşılaştırmalar aynı çapraz doğrulama katları üzerinde eşleştirilmiş Wilcoxon işaretli sıralar testiyle yapılmıştır. XGBoost ve Random Forest KAN’dan daha yüksek ortalama R² vermiştir. Bu nedenle çalışma KAN’ın en doğru regresyon modeli olduğunu iddia etmemektedir.

Parametre eşleştirilmiş MLP’nin KAN’la yaklaşık aynı sayıda eğitilebilir parametreye sahip olması, öğrenilebilir spline kenarlarının sabit düğüm aktivasyonlarına karşı katkısını daha doğrudan karşılaştırmayı amaçlamıştır. KAN’ın bu MLP’den daha yüksek ve daha kararlı sonuç vermesi, çalışmanın model mimarisi açısından öne çıkardığı temel bulgulardan biridir.

Çukurcuk sınıflandırması ne göstermektedir?

KAN’ın çukurcuk sınıfındaki geri çağırma değeri 0,863 ± 0,087’dir. AUC değeri XGBoost’tan biraz düşük, Random Forest’tan ise yalnızca 0,001 daha yüksektir. Yazarlar KAN’ı bu görevde de en yüksek doğruluk sağlayan model olarak değil, güçlü geleneksel modellerle karşılaştırılabilir başarı veren yorumlanabilir model olarak değerlendirmiştir.

Kaynakta model adı açısından bir editoryal tutarsızlık bulunmaktadır. Açıklama metni regresyondaki SVR yerine sınıflandırmada bir destek vektör sınıflandırıcısı kullanıldığını, Şekil 7 de “SVC” etiketini göstermektedir. Buna karşın Tablo 4’te aynı satır “SVR” olarak yazılmıştır. Yukarıdaki tabloda görev türüne uygun olarak “destek vektör sınıflandırıcısı” ifadesi kullanılmış, kaynak içindeki farklılık açıkça belirtilmiştir.

Tekrarlı ayırma deneyinde sonuçlar nasıldır?

Beş tekrarlı eğitim-test ayırması üzerinde XGBoost ve KAN şu sonuçları vermiştir:

Bu R² değerleri çapraz doğrulama ortalamalarından daha yüksektir. Çalışma, belirli ayırmaların daha elverişli olabileceğini ve genel performans değerlendirmesinde çapraz doğrulama sonuçlarının esas alınması gerektiğini belirtmektedir.

KAN’ın yorumlanabilirliği nasıl tanımlanmıştır?

Çalışma, kısmi bağımlılık ve SHAP gibi araçların yalnızca KAN’a özgü olmadığını açıkça kabul etmektedir. Bu analizler herhangi bir modele uygulanabilir. KAN’ın farkı, tahmini oluşturan tek değişkenli fonksiyonların modelin kendi yapısında bulunmasıdır.

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

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

\(d\), girdi sayısını; \(H\), gizli katman genişliğini; \(\phi_{q,p}\) ve \(\Phi_q\), modelin öğrendiği B-spline fonksiyonlarını göstermektedir. Bu fonksiyonlar haricî bir açıklama modeliyle yaklaşık olarak üretilmemekte, doğrudan tahmin ağının parçası olarak eğitilmektedir.

Bir değişkenin marjinal etkisi nasıl hesaplanmıştır?

Bir \(p\) değişkeninin kısmi bağımlılık fonksiyonu, diğer değişkenlerin gözlenen değerleri korunarak \(x_p\) değerinin değiştirilmesi ve bütün örneklerdeki tahminlerin ortalamasının alınmasıyla hesaplanmıştır:

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

\(v\), incelenen değişken için seçilen değerdir. Bu eğri, diğer değişkenlerin veri kümesindeki dağılımı üzerinden ortalama alınmış model yanıtını göstermektedir. Nedensel bir deney sonucu değildir.

KAN’ın içsel değişken önemi, her marjinal eğrinin en yüksek ve en düşük değeri arasındaki aralığın bütün eğri aralıkları toplamına oranlanmasıyla hesaplanmıştır:

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

Bu ölçüt, bir değişkenin incelenen aralık boyunca model tahminini ortalama olarak ne kadar değiştirebildiğini ölçmektedir. SHAP’ın ortalama örnek katkısıyla aynı büyüklüğü ölçmediği için iki sıralamanın özdeş olması beklenmemektedir.

En önemli değişkenler hangileridir?

İlk üç değişken çapraz doğrulama katlarında sıralarını korumuştur. Bununla birlikte bu oranlar deneysel olarak ölçülmüş evrensel fiziksel paylar değildir; eğitilen KAN’ın dinamik veri kümesi üzerindeki marjinal tahmin aralıklarından türetilmiştir.

SHAP karşılaştırması ne göstermektedir?

Aynı kernel-SHAP yöntemi farklı modellere uygulandığında su ve SO₂ çoğu modelde önemli değişkenler arasında yer almıştır. Ancak tek bir XGBoost modeli farklı açıklama yöntemleriyle incelendiğinde önem oranları değişmiştir. Kromun göreli önemi kernel-SHAP uygulamalarında yaklaşık %14–17 düzeyindeyken permütasyon öneminde yaklaşık %33’e yükselmiştir.

Çalışmanın çıkardığı sonuç, sonradan uygulanan açıklamanın yalnızca eğitilen modele değil, açıklama yöntemine ve arka plan veri seçimine de bağlı olduğudur. KAN’ın marjinal fonksiyon aralığı ise belirli bir eğitilmiş model ve veri kümesi için tek bir sonuç üretmektedir. Bununla birlikte farklı eğitim bölünmeleriyle yeniden eğitilen KAN’ın fonksiyonları yine değişebilir; içsel yorumlanabilirlik model belirsizliğini veya veri bağımlılığını ortadan kaldırmamaktadır.

Marjinal eğriler hangi korozyon eğilimlerini göstermektedir?

Sıcaklık ve süre için hangi fiziksel biçimler elde edilmiştir?

Sıcaklık eğrisi Arrhenius tipi bir fonksiyonla özetlenmiş ve görünür aktivasyon enerjisi yaklaşık 13 kJ/mol olarak hesaplanmıştır. Uyumun R² değeri 0,91’dir. Araştırmacılar bu değerin tek bir temel elektrokimyasal reaksiyona değil, farklı yayınlardan gelen birden fazla mekanizmanın birleşik etkisine karşılık geldiğini belirtmiştir.

Arrhenius ilişkisinin temel biçimi şu şekilde düşünülebilir:

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

\(CR\), korozyon hızını; \(E_a\), görünür aktivasyon enerjisini; \(R\), gaz sabitini ve \(T\), mutlak sıcaklığı ifade etmektedir. Çalışmada bildirilen yaklaşık 13 kJ/mol değeri, KAN marjinal eğrisine yapılan uyumdan elde edilmiştir; doğrudan tek bir reaksiyon üzerinde yapılan kinetik deneyin sonucu değildir.

Maruz kalma süresi eğrisi gerçek zaman ölçeğinde bir kuvvet yasasıyla özetlenmiştir:

\[ CR\propto t^n \]

Uyumda \(n=-1,06\) ve R²=0,97 bulunmuştur. Negatif üs, süre arttıkça birim zamandaki korozyon hızının azaldığını gösterir. Yazarlar bu eğilimi koruyucu korozyon ürün tabakasının gelişimiyle ilişkilendirmiştir. Bu sonuç, toplam metal kaybının zamanla gerilediği anlamına gelmez; raporlanan büyüklük korozyon hızıdır.

Değişken etkileşimleri nasıl hesaplanmıştır?

İki değişken birlikte değiştirilerek iki boyutlu kısmi bağımlılık yüzeyi oluşturulmuştur. Ortak yüzeyin, iki tek değişkenli etkinin toplamıyla açıklanamayan bölümü etkileşim olarak tanımlanmıştır:

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

Pay, iki değişkenin ayrı etkileri çıkarıldıktan sonra kalan değişimin standart sapmasıdır. Payda, ortak yüzeyin toplam değişimini göstermektedir. Değer yükseldikçe iki değişkenin birlikte etkisi basit toplamdan daha fazla ayrılmaktadır.

Sonraki güçlü çiftler krom–su ve su–maruz kalma süresidir. Etkileşim haritalarında artık değerlerin çoğu özellik uzayının geniş bölümünde düşüktür; daha güçlü ortak etkiler genellikle iki saldırgan koşulun aynı anda yüksek olduğu bölgelerde yoğunlaşmaktadır. Özellikle yüksek SO₂ ile yüksek su veya sıcaklık birlikteliği, tek tek etkilerin toplamından daha güçlü tahmin değişimi üretmiştir.

Model davranışının ne kadarı toplamsaldır?

KAN tahmini, ortalama çıktı ile merkezlenmiş tek değişkenli katkıların toplamı ve kalan etkileşim bileşeni şeklinde ayrıştırılmıştır:

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

\(\bar{y}\), ortalama model çıktısını; \(g_p(x_p)-\bar{y}_p\), ilgili örnekte \(p\) değişkeninin merkezlenmiş katkısını; \(r(\mathbf{x})\), tek değişkenli katkılarla açıklanamayan etkileşim kalanını göstermektedir.

Ortalama mutlak etkileşim kalanı model çıktı aralığının yaklaşık %12’sidir. Buna göre davranışın yaklaşık %88’i tek değişkenli marjinal etkilerle, yaklaşık %12’si daha yüksek düzeyli etkileşimlerle ilişkilendirilmiştir. Bu oranlar çalışmanın sonuç bölümünde “[FILL: 88]%” ve “[FILL: 12]%” biçiminde tamamlanmamış yer tutucularla bırakılmıştır; ancak aynı değerler yöntemsel açıklamanın önceki bölümünde yaklaşık %88 ve %12 olarak açıkça verilmiştir.

Örnek düzeyindeki katkılar ne anlatmaktadır?

Üç temsili test örneği için her değişkenin tahmine katkısı ayrı ayrı gösterilmiştir. Maruz kalma süresi ve krom birçok örnekte önemli katkılar sunarken su ve SO₂’nin katkı yönü deney koşuluna göre değişmiştir. Aynı değişken bazı örneklerde korozyon tahminini yükseltirken başka örneklerde düşürebilmektedir.

Bu bulgu, bütün deney koşullarında korozyonu tek başına yöneten evrensel bir değişken olmadığını göstermektedir. Küresel önem sıralaması genel eğilimi, örnek düzeyindeki ayrıştırma ise belirli bir deney koşulundaki tahminin neden yükselip düştüğünü göstermeyi amaçlamaktadır.

Şekiller ve grafikler ne göstermektedir?

Çalışmanın güçlü yönleri nelerdir?

• 32 farklı çalışmadan derlenen geniş koşul aralığına sahip bir ScCO₂ korozyon veri kümesi kullanılmıştır.
• Genel korozyon regresyonu ile çukurcuk sınıflandırması ayrı görevler olarak ele alınmıştır.
• Atanmış 0,01 mm/yıl değerleri regresyondan çıkarılarak yapay sayısal değerlerin fonksiyon eğrilerini bozması önlenmeye çalışılmıştır.
• Ölçekleme, hedef standartlaştırma ve erken durdurma her eğitim katının içinde uygulanarak veri sızıntısı önlenmiştir.
• Karşılaştırma modelleri aynı çapraz doğrulama bölünmelerinde değerlendirilmiştir.
• MLP, yalnızca genişlik bakımından değil KAN’la parametre sayısı eşleştirilerek de karşılaştırılmıştır.
• KAN’ın daha doğru olmadığı açıkça belirtilmiş; yorumlanabilirlik avantajı doğruluk iddiasından ayrılmıştır.
• Değişken etkileri yalnızca sıralanmamış; eğrilerin biçimleri, doygunlukları ve dönüş noktaları incelenmiştir.
• Tek değişkenli etkiler, çift değişkenli etkileşimler ve örnek düzeyindeki katkılar aynı model üzerinden değerlendirilmiştir.
• Post-hoc açıklama değişkenliği, model sabit tutularak farklı yöntemler ve arka plan kümeleri üzerinden gösterilmiştir.

Çalışmanın sınırlılıkları nelerdir?

• Veri kümesi farklı laboratuvarların, cihazların, numune hazırlama yöntemlerinin ve deney protokollerinin birleştirilmesiyle oluşturulmuştur.
• Akış hızı, pH ve NO₂ gibi potansiyel değişkenler yeterli raporlama bulunmadığı için modele dâhil edilmemiştir.
• Dinamik deneyler farklı dönüş veya akış koşulları içerebilmesine rağmen hidrodinamik şiddet ortak sayısal özellik olarak modellenmemiştir.
• Grafiklerden sayısallaştırılan korozyon değerleri özgün ham ölçümlerle aynı hassasiyete sahip olmayabilir.
• Bileşim aralığı verilen yayınlarda ortanca değerin kullanılması numuneler arası gerçek bileşim farklarını azaltabilir.
• Özellik uzayının bazı bölgeleri seyrek örneklenmiştir; iki değişkenli etkileşimler bu bölgelerde ekstrapolasyona dayanabilir.
• Statik veri kümesinde model başarısı daha düşük ve değişkendir; mekanizma yorumları esas olarak dinamik örneklere aittir.
• Kısmi bağımlılık eğrileri değişkenler arasındaki bağımlılıkları tamamen ortadan kaldırmaz ve nedensel deney sonucu değildir.
• Su içeriği için kapalı biçimli özetin yaklaşık olduğu çalışma tarafından kabul edilmiştir.
• Toplamsal düzeyde kullanılan KAN, spline tabanlı genelleştirilmiş toplamsal modellere yakın davranabilir.
• Modelin avantajları küçük, düşük boyutlu ve düzgün ilişkiler içeren veri kümelerinde daha belirgindir.
• Çıkarılan mekanizmalar kontrollü yeni deneylerle doğrulanmamıştır.
• Model dış doğrulama amacıyla bağımsız ve sonradan oluşturulmuş bir ScCO₂ deney veri kümesinde test edilmemiştir.
• Çapraz doğrulamanın kesin kat ve tekrar sayısı yöntem metninde açık, tek anlamlı bir değer olarak verilmemiştir.
• Seçilen nihai spline derecesi, grid büyüklüğü, seyreklik katsayısı ve öğrenme oranı toplu biçimde raporlanmamıştır.
• Sonuç bölümünde düzenleme aşamasından kalmış “[FILL: 88]%” ve “[FILL: 12]%” yer tutucuları bulunmaktadır.
• Sınıflandırma karşılaştırmasında aynı destek vektör modeli tablo, metin ve şekilde farklı biçimde adlandırılmıştır.
• Kod herkese açık bir depo üzerinden sunulmamış; sorumlu yazardan makul talep üzerine alınabileceği belirtilmiştir.

Çalışma hangi sonuçları desteklemektedir?

• KAN, dinamik ScCO₂ korozyon verisinde güçlü ağaç tabanlı modellere yakın regresyon ve sınıflandırma başarısı sağlamıştır.
• KAN, eşit parametre sayısına sahip MLP’den anlamlı biçimde daha yüksek regresyon R² ve sınıflandırma AUC değeri üretmiştir.
• Dinamik veri kümesinde maruz kalma süresi, krom ve su, KAN’ın en büyük marjinal etki aralığına sahip değişkenleridir.
• KAN’ın öğrendiği sıcaklık ve süre eğrileri sırasıyla Arrhenius ve kuvvet yasası biçimleriyle yüksek uyumla özetlenebilmiştir.
• Basınç ve su etkileri tek yönlü değildir; belirli aralıklarda yön değiştiren eğilimler göstermiştir.
• Sıcaklık–SO₂ ve su–SO₂, modeldeki en güçlü toplamsal olmayan değişken etkileşimleridir.
• Model davranışının büyük bölümü tek değişkenli katkılarla açıklanabilmekte, daha küçük fakat önemli bir bölümü etkileşimlerde kalmaktadır.
• Post-hoc değişken önemleri kullanılan açıklama yöntemi ve arka plan kümesine göre değişebilmektedir.

Çalışma neyi kanıtlamamaktadır?

• KAN’ın XGBoost veya Random Forest’tan daha doğru olduğunu kanıtlamamaktadır.
• Modelin bütün süperkritik CO₂ boru hatlarına genellenebileceğini göstermemektedir.
• Belirli bir krom içeriğinin bütün koşullarda güvenli veya yeterli olduğunu belirlememektedir.
• Yaklaşık 10 MPa değerinin evrensel bir korozyon eşiği olduğunu göstermemektedir.
• Model eğrileri değişkenlerin korozyona neden olduğunu tek başına kanıtlamamaktadır.
• Çukurcuk derinliğini, büyüme hızını veya kritik hasar zamanını tahmin etmemektedir.
• Boru et kalınlığı kaybı, çatlak oluşumu, gerilmeli korozyon veya mekanik arıza ömrü hesabı sunmamaktadır.
• Model çıktıları tasarım kodu, güvenlik standardı veya işletme sınırı yerine geçmemektedir.
• Statik ve dinamik koşulların aynı oksijen, su veya basınç eğilimlerine sahip olduğunu göstermemektedir.
• Yorumlanan mekanizmaları yeni, kontrollü ve bağımsız deneylerle doğrulamamaktadır.
• Gerçek zamanlı saha izleme veya boru hattı dijital ikizi uygulaması göstermemektedir.

Geçmiş, bugün ve gelecek açısından önemi nedir?

Geçmişte korozyon tahmini çoğunlukla ampirik eşitlikler, elektrokimyasal deneyler veya tahmini güçlü fakat açıklaması haricî araçlara bağlı modeller üzerinden yürütülmüştür. Bu çalışma, tahmin fonksiyonlarını ağın kenarlarında görünür hâle getiren KAN yaklaşımını süperkritik CO₂ korozyonunda mekanizma inceleme aracı olarak kullanmıştır.

Bugünkü katkısı, yorumlanabilirlik iddiasını doğruluk karşılaştırmasından ayırmasıdır. KAN en yüksek doğruluğu vermemiştir; buna rağmen parametre bakımından eşdeğer sinir ağından daha iyi sonuç üretmiş ve sıcaklık, süre, krom, su, SO₂, O₂ ve basınç için düzgün tepki eğrileri sağlamıştır. Çalışmanın bilimsel değeri bu dengeli karşılaştırma ile eğrilerin fiziksel olarak okunabilmesinden kaynaklanmaktadır.

Gelecekte çıkarılan eğilimlerin kontrollü deneylerle test edilmesi; akış hızı, pH, H₂S ve çok fazlı ortamların modele eklenmesi; korozyonun zaman içindeki gelişimini temsil eden zamansal mimarilerin kurulması gerekmektedir. Yöntem ancak bu tür doğrulamalardan sonra saha kararlarına yaklaşabilir.

Çalışmanın Yöntemi ve Bulguları

Çalışma tasarımının teknik özeti

Ana sayısal bulgular

Yöntemsel sonuçların dengeli yorumu

KAN’ın regresyon doğruluğu XGBoost ve Random Forest’tan düşüktür, ancak destek vektör regresyonuyla istatistiksel olarak ayırt edilememiş ve iki MLP karşılaştırmasından daha yüksek bulunmuştur. Çukurcuk sınıflandırmasında da XGBoost daha yüksek doğruluk ve AUC sağlamıştır. Bu nedenle KAN’ın bilimsel katkısı, güçlü modelleri açıkça geride bırakmasından değil, tahmin başarısını yorumlanabilir bir fonksiyon yapısıyla birleştirmesinden kaynaklanmaktadır.

Marjinal fonksiyonlar kromun koruyucu etkisinin doygunlaşmasını, su ve basınç etkilerinin yön değiştirmesini ve süre etkisinin monoton azalmasını göstermiştir. Bu eğriler araştırmacıların korozyon kimyasıyla ilişkilendirdiği model davranışlarıdır. Eğrilerin bilinen mekanizmalarla uyumlu görünmesi, mekanizmaların doğrudan deneysel olarak doğrulandığı anlamına gelmemektedir.

Etkileşim analizi, modelin büyük ölçüde toplamsal olduğunu ancak özellikle yüksek SO₂’nin yüksek su veya sıcaklıkla birleştiği bölgelerde tek değişkenli açıklamanın yetersiz kaldığını göstermiştir. Bu durum, güvenlik değerlendirmesinde tek bir safsızlığın bağımsız sınırına bakmanın her koşulu temsil etmeyebileceğine işaret eden araştırma bulgusudur; çalışma doğrudan işletme sınırı önermemektedir.

Kaynak ve Yöntem Notu

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

Yazarlar ve sıralama: Shuonan Chen; Mitsuo Kimura; Tomoya Kawabata.

Ad yazımı notu: Başlık sayfasında ilk yazar “Chen Shuonan” biçiminde, CRediT bölümünde ve SSRN kaydında “Shuonan Chen” biçiminde yer almaktadır. Her iki yazım aynı araştırmacıyı göstermektedir; fark kaynakta açık bırakılan ad-soyad diziliminden kaynaklanmaktadır.

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

Sorumlu yazar: Shuonan Chen. Başlık sayfasında yıldız işaretiyle belirtilmiştir ve SSRN kaydında iletişim yazarı olarak yer almaktadır. E-posta adresi yüklenen metinde açık biçimde verilmemiştir.

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

DOI:10.2139/ssrn.7201321

Yayın platformu: SSRN.

Resmî kaynak bağlantısı:https://ssrn.com/abstract=7201321

Yayın tarihi: 29 Temmuz 2026.

Yayın yılı: 2026.

Kaynak türü: Literatürden derlenmiş deneysel verilere dayanan makine öğrenmesi, regresyon, sınıflandırma ve yorumlanabilirlik analizi içeren preprint araştırma makalesi.

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

Dergi: Hakemli dergi bilgisi bulunmamaktadır.

Özgün yayınevi: Hakemli dergi yayınevi bulunmamaktadır. Çalışma SSRN preprint platformunda sunulmuştur.

Sürüm notu: Aynı başlıkla 10.2139/ssrn.6848446 numaralı ayrı bir SSRN kaydı da bulunmaktadır. Bu Türkçe makale, yüklenen ve 10.2139/ssrn.7201321 DOI numarasını taşıyan güncel 24 sayfalık sürüme dayanmaktadır. İki DOI birbirinin yerine kullanılmamalıdır.

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

Yazar katkıları: Shuonan Chen; yöntem, veri düzenleme, araştırma, biçimsel analiz, doğrulama ve ilk taslağın yazımını üstlenmiştir. Mitsuo Kimura inceleme ve düzenlemeye, Tomoya Kawabata ise danışmanlık ve gözetim görevine katkıda bulunmuştur.

Kod erişimi: Çalışmayı destekleyen kodun sorumlu yazardan makul talep üzerine edinilebileceği belirtilmiştir. Herkese açık bir kod deposu bağlantısı verilmemiştir.

Finansman: Çalışma, Tokyo Üniversitesi Mühendislik Enstitüsündeki Material Research Base for Future Energy Infrastructure Trust sosyal iş birliği programı ve China Scholarship Council 202506050060 numaralı destek kapsamında desteklenmiştir.

Çıkar çatışması: Yüklenen sürümde ayrı ve açık bir çıkar çatışması beyanı tespit edilmemiştir.

Bu Türkçe makale yüklenen preprintin başlık, yöntem, denklemler, tablolar, şekiller, bulgular, yorumlar ve sınırlılıklar bölümleri incelenerek hazırlanmıştır. Bilimsel açıklamalar yalnızca yüklenen çalışmaya dayanmaktadır. Haricî kontrol yalnızca DOI, SSRN kaydı, tarih ve yayın durumu gibi bibliyografik kimlik bilgileri için kullanılmıştır.

Çalışmanın temel yöntemsel sınırlılıkları; farklı yayınlardan gelen heterojen veri, eksik raporlanan akış hızı ve pH gibi değişkenler, seyrek örneklenen özellik bölgeleri, grafiklerden çıkarılan bazı değerler, statik veri kümesindeki düşük ve değişken başarı, bağımsız yeni deney doğrulamasının bulunmaması ve marjinal ilişkilerin nedensel kanıt oluşturmamasıdır.

Kaynakta ayrıca sonuç bölümünde tamamlanmamış “[FILL: 88]%” ve “[FILL: 12]%” yer tutucuları, sınıflandırma modelinde SVR/SVC adlandırma tutarsızlığı, Shannon entropisi ifadesinde açıklanmayan işaret konvansiyonu ve seçilen bazı nihai hiperparametrelerin eksik raporlanması bulunmaktadır. Bu editoryal ve yöntemsel sorunlar çalışmanın sonuçları sessizce düzeltilmeden açıkça belirtilmiştir.

Çalışma KAN’ın incelenen dinamik veri kümesinde korozyon hızını ve çukurcuk oluşumunu rekabetçi doğrulukla tahmin edebildiğini ve modelin öğrendiği fonksiyonların fiziksel eğilimler açısından okunabildiğini desteklemektedir. Çalışma bir boru hattı güvenlik sertifikası, malzeme seçimi standardı, kalan ömür hesabı, saha başarısı veya endüstriyel işletme garantisi sunmamaktadır.