Kanat Profili Öz-Gürültüsü Tahmininde Açıklanabilir Makine Öğrenimi
HAVADER Editör Ekibi
Bir doktorun size "testleriniz kötü çıktı" demesi ile, "testleriniz kötü çıktı çünkü şu üç değeriniz normalin dışında" demesi arasında büyük fark var -ikincisi güven verir, çünkü mantığını açıklıyor. Yapay zekâ modelleri için de aynı sorun geçerli: doğru tahmin yapmaları yetmiyor, neden o tahmini yaptıklarını açıklayabilmeleri gerekiyor. Bu çalışma, bu "açıklanabilirlik" ihtiyacını, kanat profillerinin ürettiği gürültüyü tahmin etme problemi üzerinden ele alıyor.
Daha sessiz uçak ve rüzgar türbini tasarlamak için, kanat profillerinin ürettiği aerodinamik gürültüyü güvenilir biçimde öngörmek gerekiyor. Ancak makine öğrenimi modellerinin "kara kutu" doğası, mühendislik süreçlerinde bu modellerin benimsenmesini zorlaştırıyor -bir mühendis, neden o sonucun çıktığını anlamadan bir tasarım kararını buna dayandırmak istemiyor. Bu çalışmanın amacı, NASA'nın kıyaslama veri setinde üç farklı makine öğrenimi yaklaşımını -Doğrusal Regresyon, Rastgele Orman ve Extreme Gradient Boosting (XGB)- sistematik olarak değerlendirmek ve SHAP (SHapley Additive exPlanations) yöntemiyle bu modellerin kararlarını açıklanabilir hale getirmekti.
XGB modeli, 0,9498 çapraz doğrulanmış R² değeriyle en yüksek doğruluğa ulaştı. Ama asıl değerli bulgu SHAP analizinden geldi: frekans, emiş yüzeyi deplasman kalınlığı ve veter uzunluğunun tahmin edilen ses basıncı seviyeleri üzerinde en güçlü etkiye sahip olduğu, hücum açısının ise beklenmedik biçimde en düşük etkiye sahip olduğu ortaya kondu.
Bu çalışmanın katkısı, en isabetli modeli bulmanın ötesine geçip, o modelin "neden" bu kadar isabetli olduğunu açığa çıkarması. Günlük hayattan bir benzetmeyle anlatmak gerekirse, bu biraz da bir hava durumu uygulamasının sadece "yarın yağmur yağacak" dememesi, "nem oranı ve basınç düşüşü nedeniyle yağmur olasılığı yüksek" demesine benziyor -ikinci bilgi, kullanıcının tahmine ne kadar güveneceğini değerlendirmesine yardımcı oluyor.
Sonuç olarak bu araştırma, gradyan artırma yöntemleriyle açıklanabilir yapay zekâyı bir araya getirmenin, aeroakustik mühendisliğinde hem güvenilir hem yorumlanabilir bir tahmin çerçevesi sunduğunu; bu sayede mühendislerin yapay zekâ önerilerine körü körüne değil, bilgiye dayalı bir güvenle yaklaşabileceğini gösteriyor.
← Blog
Daha sessiz uçak ve rüzgar türbini tasarlamak için, kanat profillerinin ürettiği aerodinamik gürültüyü güvenilir biçimde öngörmek gerekiyor. Ancak makine öğrenimi modellerinin "kara kutu" doğası, mühendislik süreçlerinde bu modellerin benimsenmesini zorlaştırıyor -bir mühendis, neden o sonucun çıktığını anlamadan bir tasarım kararını buna dayandırmak istemiyor. Bu çalışmanın amacı, NASA'nın kıyaslama veri setinde üç farklı makine öğrenimi yaklaşımını -Doğrusal Regresyon, Rastgele Orman ve Extreme Gradient Boosting (XGB)- sistematik olarak değerlendirmek ve SHAP (SHapley Additive exPlanations) yöntemiyle bu modellerin kararlarını açıklanabilir hale getirmekti.
XGB modeli, 0,9498 çapraz doğrulanmış R² değeriyle en yüksek doğruluğa ulaştı. Ama asıl değerli bulgu SHAP analizinden geldi: frekans, emiş yüzeyi deplasman kalınlığı ve veter uzunluğunun tahmin edilen ses basıncı seviyeleri üzerinde en güçlü etkiye sahip olduğu, hücum açısının ise beklenmedik biçimde en düşük etkiye sahip olduğu ortaya kondu.
Bu çalışmanın katkısı, en isabetli modeli bulmanın ötesine geçip, o modelin "neden" bu kadar isabetli olduğunu açığa çıkarması. Günlük hayattan bir benzetmeyle anlatmak gerekirse, bu biraz da bir hava durumu uygulamasının sadece "yarın yağmur yağacak" dememesi, "nem oranı ve basınç düşüşü nedeniyle yağmur olasılığı yüksek" demesine benziyor -ikinci bilgi, kullanıcının tahmine ne kadar güveneceğini değerlendirmesine yardımcı oluyor.
Sonuç olarak bu araştırma, gradyan artırma yöntemleriyle açıklanabilir yapay zekâyı bir araya getirmenin, aeroakustik mühendisliğinde hem güvenilir hem yorumlanabilir bir tahmin çerçevesi sunduğunu; bu sayede mühendislerin yapay zekâ önerilerine körü körüne değil, bilgiye dayalı bir güvenle yaklaşabileceğini gösteriyor.