Yenilenebilir Enerji

Enart Enerji, EDMAP ile Rüzgar Türbini Kanat Malzemesini Veriyle Seçiyor

Enart Enerji, rüzgar türbini kanat malzemesi seçimini laboratuvar test döngülerine dayalı yürütüyordu. Corius'un geliştirdiği EDMAP modeli, 8 epoksi malzemenin dinamik mekanik analiz verisiyle eğitildi; sıcaklığa bağlı E′ değerini R²=0,9997, tanδ değerini R²=0,9980 doğrulukla tahmin ediyor. Malzeme karşılaştırması haftalar süren test döngüsü yerine dakikalar içinde yapılabiliyor.

Sorun

Farklı sıcaklık koşullarında kanat malzemesi seçimi laboratuvar test döngülerine bağlı yürütülüyordu; süreç yavaş, karşılaştırma kriteri ise kişiye bağlı kalıyordu

Çözüm

EDMAP (EpoxyDMA-Predictor) — MLP tabanlı makine öğrenmesi modeli; 8 epoksi malzemenin DMA verisiyle eğitildi, sıcaklık ve malzeme kimliğiyle mekanik özellikleri R² ≥ 0,998 doğrulukla tahmin eder

Sonuç

Malzeme karşılaştırması haftalar süren laboratuvar test döngüsünden dakikalara indi; model ONNX formatında üretim akışına alındı

R² = 0,9997 Endüstriyel standartların üzerinde Model doğruluğu (E′)
R² = 0,9980 Üretim dağıtımına hazır Model doğruluğu (tanδ)
8 malzeme Epoksi yapıştırıcı formülasyonu Eğitim veri seti
Haftalardan dakikalara Malzeme karşılaştırma süresi Laboratuvar test döngüsü yerine model çıktısı
ONNX Üretim entegrasyonu Bulut ve uç cihazda çalışabilir
E′ · E″ · tanδ Tahmin edilen özellikler Aynı çıkarımda birlikte üretilir

Enart Enerji Hangi Operasyonel Sorunlarla Karşılaşıyordu?

Enart Enerji, rüzgar türbini kanatlarında kullanılan epoksi kompozit malzemelerin seçimini laboratuvar testlerine dayalı olarak yürütüyordu. Türbin kanatları yüksek stres altında çalışan cam elyaf takviyeli epoksi kompozitlerden üretilir; sıcaklık (−10 °C ile +45 °C aralığı) malzemenin mekanik davranışını belirgin biçimde etkiler. Bu değişkene göre sistematik bir malzeme seçim süreci olmadığından ekip, ya gereğinden pahalı premium malzemeleri tercih ediyor ya da sıcaklık kaynaklı yorulma riskini göze alıyordu. Kurulum öncesi malzeme seçimi sektörde yaygın olarak uzun laboratuvar test döngülerine bağlı yürütülür; bu da karar sürecini yavaşlatır.

  • Sıcaklık-mekanik özellik ilişkisi laboratuvar testleriyle belirleniyor; her formülasyon için test döngüsü haftalar alıyordu
  • Malzeme seçimi sezgisel deneyime dayanıyordu; sıcaklık kaynaklı yorulma ve katmanlanma hasarı riski bu karara bağlıydı
  • Depolama modülü (E′) ve sönümleme (tanδ) değerleri manuel DMA testleriyle ölçülüyor, sonuçlar elektronik tablolarda takip ediliyordu
  • Testler yalnızca prototip aşamasında yapılıyor; sahada beklenen sıcaklık senaryoları için geriye dönük tahmin imkânı yoktu
  • Farklı epoksi formülasyonlarını karşılaştırmak için standart bir sayısal kriter bulunmuyordu

Corius Bu Sorunları Nasıl Çözdü?

Corius, Enart Enerji için EDMAP (EpoxyDMA-Predictor) adlı makine öğrenmesi modelini geliştirdi. Model; sıcaklık ve malzeme kimliği girdisiyle Depolama Modülü (E′), Kayıp Modülü (E″) ve Tan Delta (tanδ) değerlerini anlık olarak tahmin eder. MLP mimarisinde eğitilen model ONNX formatına aktarılarak farklı çalışma ortamlarına entegre edilebilir hale getirildi.

01
Veri Toplama ve Keşif
1–2. ay

Projede kullanılan DMA (Dinamik Mekanik Analiz) test verisi derlendi. Epoksi formülasyonları ve sıcaklık profillerine göre veri temizlendi, normalize edildi; model eğitim seti oluşturuldu.

  • Laboratuvar DMA test kayıtlarının sayısallaştırılması ve birleştirilmesi
  • 8 epoksi malzeme için sıcaklık-özellik eğrilerinin çıkarılması
  • Eksik değerlerin interpolasyonla tamamlanması ve aykırı değer tespiti
  • Eğitim / doğrulama / test bölünmesi (70/15/15)
02
Model Geliştirme ve Doğrulama
3–4. ay

Çok katmanlı algılayıcı (MLP) mimarisi tasarlandı ve hiperparametre optimizasyonu yapıldı. E′ için R²=0,9997, tanδ için R²=0,9980 doğruluğa ulaşıldı. Model ONNX formatına aktarıldı.

  • MLP mimarisi: 3 gizli katman, ReLU aktivasyon, dropout regularizasyonu
  • Hiperparametre optimizasyonu
  • E′, E″ ve tanδ için ayrı çıkış kafaları
  • Üretim dağıtımı için ONNX Runtime ihracı
  • Mühendis onaylı senaryolarla çapraz doğrulama
03
Entegrasyon ve Pilot
5. ay

EDMAP, malzeme seçim iş akışına entegre edildi. Mühendisler beklenen operasyonel sıcaklık aralığını girerek aday epoksi formülasyonlarını dakikalar içinde karşılaştırabilir hale geldi.

  • REST API sarmalayıcı ile EDMAP servis katmanı
  • İç malzeme veritabanıyla entegrasyon
  • Platformdan bağımsız çalışma için hafif ONNX Runtime kurulumu
  • Mühendis eğitimi ve kullanım kılavuzu hazırlanması
Kullanılan Teknolojiler
Python (scikit-learn) PyTorch ONNX Runtime FastAPI Pandas / NumPy

EDMAP Hangi Senaryolarda Kullanılıyor?

Bölgeye Göre Malzeme Seçimi

Mühendisler, tesisin kurulacağı bölgenin yıllık min/max sıcaklık aralığını EDMAP'e girer. Model, her epoksi adayı için E′, E″ ve tanδ eğrilerini karşılaştırmalı olarak sunar; mekanik performans açısından en iyi dengeyi önerir.

Malzeme karşılaştırma süresi Haftalardan dakikalara
Karşılaştırılabilen formülasyon 8 epoksi malzeme

Sıcaklık Senaryosu Simülasyonu

Kanadın maruz kaldığı sıcaklık aralıkları (sıcak yaz dalgaları veya don olayları) model üzerinden simüle edilerek malzemenin kritik eşiği aşıp aşmadığı önceden değerlendirilebilir.

Girdi Konumun operasyonel sıcaklık aralığı
Çıktı E′, E″ ve tanδ eğrileri

Formülasyon Kıyaslaması

Yeni epoksi formülasyonları, standart DMA testine tabi tutulmadan önce EDMAP ile ön elemeye alınır; yalnızca öne çıkan adaylar tam teste yönlendirilir.

Ön eleme Model çıktısıyla sıralama
Tam test Yalnızca öne çıkan adaylar

EDMAP Projesi Ne Gibi Sonuçlar Üretti?

R² = 0,9997 Endüstriyel standartların üzerinde Model doğruluğu (E′)
R² = 0,9980 Üretim dağıtımına hazır Model doğruluğu (tanδ)
8 malzeme Epoksi yapıştırıcı formülasyonu Eğitim veri seti
Haftalardan dakikalara Malzeme karşılaştırma süresi Laboratuvar test döngüsü yerine model çıktısı
ONNX Üretim entegrasyonu Bulut ve uç cihazda çalışabilir
E′ · E″ · tanδ Tahmin edilen özellikler Aynı çıkarımda birlikte üretilir

Kanat malzemesi seçimini artık sıcaklık verisine dayandırıyoruz. Laboratuvarda test döngüsü beklemeden, kanadın çalışacağı sıcaklık aralığına en uygun formülasyonu model üzerinden karşılaştırabiliyoruz. Bu, malzeme kararlarını hem hızlandırdı hem de deneyime bağlı olmaktan çıkardı.

Sektörünüze özgü makine öğrenmesi modeliyle veri odaklı karar alma altyapısı kuralım.

Mühendislik süreçlerinize yapay zeka ekleyelim mi? Sektörünüze özgü makine öğrenmesi modeliyle veri odaklı karar alma altyapısı kuralım.