LLZO Tabanlı Katı Elektrolitlerde İyonik İletkenliğin Makine Öğrenmesi ve Açıklanabilir Yapay Zekâ ile Tahmini ve Analizi
Dr. Ozan Önal tarafından doktora araştırması kapsamında geliştirilen bu çalışma, LLZO (Li₇La₃Zr₂O₁₂) tabanlı katı elektrolitlerin iyonik iletkenlik özelliklerinin makine öğrenmesi ve açıklanabilir yapay zekâ yöntemleriyle tahmin edilmesini amaçlamaktadır. Çalışmada malzeme bileşimi, katkı elementleri, stokiyometrik oranlar ve deneysel parametreler analiz edilerek farklı makine öğrenmesi modellerinin tahmin performansları karşılaştırılmıştır. SHAP tabanlı açıklanabilir yapay zekâ analizleriyle iyonik iletkenliği etkileyen parametrelerin önemi araştırılmıştır. Araştırma, katı hâl batarya teknolojilerinde malzeme geliştirme süreçlerine veri odaklı bir yaklaşım sunmaktadır.
LLZO Tabanlı Katı Elektrolitlerde Yapay Zekâ Destekli İyonik İletkenlik Tahmini
Proje Hakkında
Bu proje, Dr. Ozan Önal tarafından doktora araştırması kapsamında geliştirilmiş, malzeme bilimi ile yapay zekâ teknolojilerini bir araya getiren disiplinler arası bir bilimsel çalışmadır.
Araştırmanın temel amacı, lityum iyon iletkenliği açısından önemli bir malzeme grubu olan LLZO (Li₇La₃Zr₂O₁₂) tabanlı katı elektrolitlerin iyonik iletkenlik özelliklerini makine öğrenmesi algoritmaları yardımıyla tahmin etmek ve iletkenliği etkileyen temel parametreleri açıklanabilir yapay zekâ yöntemleriyle analiz etmektir.
Araştırmanın Amacı
Katı hâl bataryalar, geleneksel sıvı elektrolitli lityum iyon bataryalara alternatif olarak araştırılan önemli enerji depolama teknolojilerindendir. Bu sistemlerde kullanılan katı elektrolitlerin iyonik iletkenliği, batarya performansını etkileyen temel özelliklerden biridir.
LLZO tabanlı malzemelerin iyonik iletkenliği; katkı elementi, kimyasal bileşim, stokiyometrik oranlar, üretim koşulları ve mikro yapısal özellikler gibi çok sayıda parametreye bağlıdır.
Bu çalışmada, söz konusu karmaşık ilişkilerin veri odaklı yöntemlerle modellenmesi ve deneysel araştırmalara destek olabilecek tahmin modellerinin geliştirilmesi hedeflenmiştir.
Veri Seti ve Veri Analizi
Araştırma kapsamında literatürde raporlanan deneysel verilerden yararlanılarak LLZO tabanlı katı elektrolitlere ilişkin bir veri seti oluşturulmuştur.
Veri hazırlama sürecinde:
Deneysel iyonik iletkenlik değerleri ve malzeme özellikleri derlenmiştir.
Katkı elementleri ve stokiyometrik bileşimler incelenmiştir.
Eksik veriler, veri tutarlılığı ve değişkenlerin dağılımları değerlendirilmiştir.
Özellikler arasındaki istatistiksel ilişkiler araştırılmıştır.
Model geliştirme için veri ön işleme ve özellik mühendisliği yöntemleri uygulanmıştır.
Gerçek deneysel veriler üzerinde gerçekleştirilen analizlere ek olarak sentetik veri üretimi ve farklı parametre kombinasyonlarına yönelik senaryo analizleri araştırılmıştır.
Kullanılan Makine Öğrenmesi Yöntemleri
Çalışmada iyonik iletkenliğin tahmini için farklı regresyon algoritmaları geliştirilmiş ve karşılaştırılmıştır.
Başlıca yöntemler:
Linear Regression
Support Vector Regression (SVR)
Random Forest Regression
Gradient Boosting
XGBoost
Ensemble Learning
Modellerin başarısı R², MAE ve RMSE gibi regresyon performans ölçütleriyle değerlendirilmiştir.
Farklı modelleme yaklaşımlarının karşılaştırılması sayesinde iyonik iletkenlik tahmininde doğrusal ve doğrusal olmayan ilişkilerin modellenmesi araştırılmıştır.
Açıklanabilir Yapay Zekâ (XAI)
Araştırmanın önemli bileşenlerinden biri, geliştirilen tahmin modellerinin yalnızca sayısal sonuç üretmesiyle sınırlı kalmaması, aynı zamanda tahminleri etkileyen değişkenlerin anlaşılmasını sağlamasıdır.
Bu amaçla SHAP (SHapley Additive exPlanations) yöntemi kullanılmıştır.
SHAP analizleriyle:
Model tahminlerinde etkili olan değişkenler değerlendirilmiştir.
Malzeme bileşiminin ve deneysel parametrelerin tahminlere katkıları incelenmiştir.
Değişkenlerin model üzerindeki olumlu ve olumsuz etkileri araştırılmıştır.
Tahmin sonuçlarının bilimsel olarak yorumlanabilirliği artırılmıştır.
Bu yaklaşım, makine öğrenmesi modellerinin malzeme bilimi araştırmalarında daha şeffaf biçimde kullanılmasına katkı sağlamaktadır.
Model Performansı ve Bulgular
Araştırma sürecinde farklı veri hazırlama ve modelleme yaklaşımları değerlendirilmiş, bazı deneysel modelleme senaryolarında R² değerinin yaklaşık 0,89 seviyesine ulaştığı gözlemlenmiştir.
Bu performans değerinin kullanılan veri bölme yöntemi, model yapılandırması ve değerlendirme senaryosu bağlamında ele alınması gerekmektedir.
Ayrıca çok sayıda olası malzeme parametresi kombinasyonunun makine öğrenmesi modelleri aracılığıyla değerlendirilmesine yönelik senaryo taramaları gerçekleştirilmiştir.
Bilimsel ve Teknolojik Katkı
Çalışma, malzeme bilimi ile veri bilimi arasındaki etkileşimi güçlendiren bir araştırma yaklaşımı ortaya koymaktadır.
Projenin başlıca katkıları şunlardır:
LLZO tabanlı katı elektrolitlerde iyonik iletkenliğin veri odaklı tahmini.
Farklı makine öğrenmesi algoritmalarının karşılaştırmalı değerlendirilmesi.
Açıklanabilir yapay zekâ ile malzeme parametrelerinin yorumlanması.
Deneysel araştırmaların planlanmasına yardımcı olabilecek hesaplamalı analizler.
Katı hâl batarya malzemelerinin geliştirilmesinde yapay zekâ kullanımına yönelik bilimsel bir yöntem çerçevesi.
Geliştirici ve Araştırmacı
Dr. Ozan Önal
Yapay Zekâ Uzmanı | Veri Bilimci | Araştırmacı
Bu çalışma Dr. Ozan Önal tarafından doktora araştırması kapsamında geliştirilmiştir. Veri analizi, makine öğrenmesi modellerinin oluşturulması, karşılaştırmalı performans değerlendirmeleri ve açıklanabilir yapay zekâ uygulamaları araştırmanın temel bileşenlerini oluşturmaktadır.
Not: Proje bilimsel araştırma niteliğindedir. Tahmin sonuçları deneysel ölçümlerin yerine geçmez; yeni malzeme bileşimleri için bağımsız deneysel doğrulama gereklidir.