Özet:

Günümüzün rekabetçi sanayi ortamında, bir taraftan yüksek kalite standartlarını korumak diğer taraftan üretim maliyetlerini optimize etmek üreticiler için en önemli zorluklar olarak ön plana çıkmaktadır. Özellikle beton üretimi gibi malzeme kalitesinin kritik olduğu sektörlerde, kalite kontrol yöntemleri geleneksel olarak büyük ölçüde numunelerden elde edilen deney sonuçlarına dayanmaktadır. Uzun vadede deney sonuçlarına bağımlılık ise deney sonuçlarına bağlı olarak üretim sürecinde yapılacak düzeltmelerin gecikmesine, dolayısı ile artan maliyetlere yol açabilmektedir. Bu açıdan, betonun en önemli özelliklerinden biri olan basınç dayanımının uzun süreli deneylerden bağımsız olarak önceden tahmin edilmesi veya öngörülebilmesi büyük önem taşımaktadır. İnşaat sektörü de dahil olmak üzere pek çok alanda yapay zeka temelli modeller giderek daha fazla kullanılmaktadır. Üretim verilerinin makine öğrenmesi algoritmalarıyla işlenmesi, kalite kontrolü, maliyet düşürme ve operasyonel verimliliği artırma açısından önemli avantajlar sağlamaktadır. Beton üretiminde sürekli kalite iyileştirmesi ve sürecin optimizasyonu, makine öğrenimi tekniklerinin uygulanmasıyla daha da güçlenmektedir. Bu çalışmada, beton numunelerine ait basınç dayanım tahminlerinin doğruluğunu artırmak ve üretim aşamasında hata payını minimize etmek amacıyla bünyesinde veri ön işleme, model eğitimi ve performans değerlendirme süreçlerini kapsayan VekonOptimix yazılımı geliştirilmiştir. Bu yazılım santralden verilerin alınması, verilerle algoritmaların eğitimi, eğitilen modellerle tahmin yapılması ve tahminin santrale iletmesi olmak üzere 4 aşamadan oluşan bir algoritma kullanmaktadır. Seçilen bir hazır beton tesisinde yapılan çalışmalardan elde edilen sonuçlara göre, VekonOptimix yazılımı ile beton mukavemetinin yüksek doğrulukla tahmin edilebildiği ve üretim süreçlerinde operasyonel verimliliğinin artırılmasına katkı sağlayabileceği görülmüştür. Özellikle beton bileşenleri ve çevresel faktörler gibi çok sayıda değişkenin karmaşık etkileşimlerini öğrenen algoritmalar isabetli sonuçlar sunabilmiş ve gerçek zamanlı veri odaklı kararlar alınmasına olanak sağlamıştır. Bu sayede üreticiler, reçete tasarım aşamasında tahmin edilen mukavemet değerlerine göre üretimi optimize edebilmekte ve kalite kontrol süreçlerinde daha proaktif bir yaklaşım sergileyebilmektedir. Yazılımın sağladığı sürekli geri bildirim ve model güncellemeleri, performansın sürekli olarak izlenmesine ve iyileştirilmesine olanak tanımaktadır. Bu çalışma, makine öğrenmesinin üretim süreçlerine entegrasyonunun sadece tahmin doğruluğunu artırmakla kalmayıp, aynı zamanda maliyetlerin azaltılması ve süreç verimliliğinin iyileştirilmesi açısından da büyük bir potansiyele sahip olduğunu göstermektedir.