Farklı Numune Geometrileri Arasında Tek Eksenli Basınç Dayanımı Tahmini İçin Makine Öğrenmesine Dayalı Dönüşüm Modeli Geliştirilmesi

ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 295 295 Article Arrival Date Article Published Date 09.08.2025 20.12.2025 Farklı Numune Geometrileri Arasında Tek Eksenli Basınç Dayanımı Tahmini İçin Makine Öğrenmesine Dayalı Dönüşüm Modeli Geliştirilmesi Development of a Machine Learning-Based Conversion Model for Uniaxial Compressive Strength Prediction Between Different Specimen Geometries Murat Işık1, Mehmet Ali YALÇINKAYA2, Deniz AKBAY3, Murat SERT4, Gökhan EKİNCİOĞLU5 1Kırşehir Ahi Evran Üniversitesi, Mühendislik-Mimarlık Fakültesi, Bilgisayar Mühendisliği Bölümü, Kırşehir, Orcid: 0000-0003-3200-1609. 2Kırşehir Ahi Evran Üniversitesi, Mühendislik-Mimarlık Fakültesi, Bilgisayar Mühendisliği Bölümü, Kırşehir, Orcid: 0000-0002-7320-5643. 3Çanakkale Onsekiz Mart Üniversitesi, Çan Meslek Yüksekokulu, Madencilik ve Maden Çıkarma Bölümü, Çan, Çanakkale, Orcid: 0000-0002-7794-5278. 4Afyon Kocatepe Üniversitesi, Mermer ve Doğaltaş Teknolojileri Uygulama ve Araştırma Merkezi, Afyonkarahisar, Orcid: 0000-0001-6595-1681. 5 Kırşehir Ahi Evran Üniversitesi, Kaman Meslek Yüksek Okulu, Madencilik ve Maden Çıkarma Bölümü, Kaman, Kırşehir, Orcid: 0000-0001-9377-6817. Özet Tek eksenli basınç dayanımı (TBD), mühendislik yapılarının tasarımı ve inşası, yeraltı kazıları, şev stabilitesi gibi projelerde kaya mühendisliği için en önemli tasarım parametrelerinden biridir. TBD testi için gerekli olan numunelerin bazı ulusal ve uluslararası standartlarda önerildiği şekilde hazırlanması gerekmektedir. Özellikle kaya yapısı zayıf ve kırılgan olduğunda istenilen boyutlarda ve sayıda numune temin edebilmek mümkün olmamaktadır. Böyle durumlarda, farklı standartlarda önerilmiş alternatif numune boyutları ve geometrileri tercih edilebilmektedir. Numune şekli ve boyutunun TBD üzerindeki etkisi literatürde uzun süredir araştırılmakta olup, bu etki büyük ölçüde anlaşılmıştır. Ancak farklı geometrilere sahip numunelerden elde edilen TBD değerleri arasındaki ilişkinin literatürde ortaya konmadığı görülmektedir. Özellikle kaya örnekleri üzerinde yapılan karşılaştırmalı çalışmaların olmadığı fark edilmiştir. Literatürde önerilen bazı dönüşüm denklemlerinin, silindirik ve kübik numuneler arasındaki dayanım geçişini de yeterli doğrulukla tahmin edemediği belirlenmiştir. Bu çalışmada, kübik numunelerden elde edilen TBD değerlerinden silindirik numunelere ait değerlerin tahmin edilmesi amacıyla çeşitli makine öğrenmesi (ML) temelli regresyon algoritmaları uygulanmıştır. Doğrusal regresyon, ağaç tabanlı modeller, ansambl öğrenme yöntemleri, çekirdek tabanlı algoritmalar ve dayanıklı regresyon teknikleri karşılaştırmalı olarak değerlendirilmiştir. Modellerin performansı, 5 katlı çapraz doğrulama yöntemi ile belirlenmiş ve başarı ölçütleri olarak R², MAE, MAPE ve RMSE kullanılmıştır. Elde edilen bulgular, özellikle Huber Regressor ve SVR gibi modellerin yüksek doğrulukla tahmin sağladığını göstermekte; klasik dönüşüm katsayılarına kıyasla daha dar hata aralıkları ve güçlü genelleme yeteneği sunduklarını ortaya koymaktadır. Bu sonuçlar, makine öğrenmesi tabanlı ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 296 296 modellerin, beton ve kaya gibi heterojen malzemelerde farklı numune geometrileri arasında TBD dönüşümünü sağlamak için etkin bir araç olabileceği sonucuna varılmıştır. Anahtar kelimeler: Tek eksenli basınç dayanımı, numune geometrisi, silindir-küp, beton, makine öğrenmesi Abstract Uniaxial compressive strength (UCS) is one of the most critical design parameters in rock engineering applications, including the design and construction of engineering structures, underground excavations, and slope stability. Specimens required for UCS testing must be prepared in accordance with various national and international standards. However, when the rock structure is weak or brittle, obtaining the required number and size of specimens may not be feasible. In such cases, alternative specimen geometries and sizes recommended by different standards are often adopted. Although the influence of specimen shape and size on UCS has been extensively studied in the literature and is relatively well understood, the relationship between UCS values obtained from different geometries remains largely unexplored. Notably, there is a lack of comparative studies focusing specifically on rock samples. Furthermore, some transformation equations proposed in the literature have proven inadequate in accurately estimating the strength conversion between cylindrical and cubic specimens. In this study, various machine learning (ML)-based regression algorithms were applied to predict UCS values for cylindrical specimens using UCS values obtained from cubic specimens. A comparative evaluation was conducted using linear regression, tree-based models, ensemble learning methods, kernel-based algorithms, and robust regression techniques. Model performances were assessed through 5-fold cross-validation using R², MAE, MAPE, and RMSE as evaluation metrics. The findings reveal that models such as the Huber Regressor and Support Vector Regression (SVR) provided highly accurate predictions, with narrower error margins and stronger generalization capacity compared to classical transformation coefficients. These results suggest that ML-based models offer an effective and reliable approach offering a robust alternative to conventional transformation equations, especially in engineering contexts where direct experimental testing is limited or impractical. Keywords: Uniaxial compressive strength, specimen geometry, cylinder-cube, concrete, machine learning 1. GİRİŞ Tek eksenli basınç dayanımı, kayaç ve beton gibi yapı malzemelerinin tanımlanmasında ve yeraltı ile yerüstü yapılarının tasarımında kullanılan en temel mekanik parametredir. Bu nedenle kayacın ve betonun basınç dayanımının doğru bir şekilde belirlenmesi ve değerlendirilmesi teknik olarak çok önemlidir. Kayacın ve betonun tek eksenli basınç dayanımı ulusal ve uluslararası standartlar tarafından önerilen deney yöntemlerinde belirtilen farklı boyutlardaki silindirik ve kübik şekillerdeki test numuneleri kullanılarak belirlenmektedir. Kayacın veya betonun tek eksenli basınç dayanımının numune şekli, boyutu ve sınır koşulları gibi test parametrelerine karşı son derece duyarlı olduğu görülmüştür (Van Vliet ve Van Mier, 1996; Bazant ve Planas 1997; Viso vd., 2008; Zabihi ve Eren, 2014; Li vd., 2018). Literatürde kayaçların tek eksenli basınç dayanımı üzerinde numune şekli etkisine ilişkin bir çalışma henüz bulunmamakla birlikte, beton ile ilgili numune şeklinin betonun basınç dayanımına etkilerini inceleyen az sayıda çalışmanın olduğu görülmüştür. Felekoğlu ve Türkel (2005) farklı boyutlarda küp ve silindir formdaki beton test örneklerinin ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 297 297 basınç dayanımı değerlerini iki farklı dayanım sınıfı için incelemiş ve bu boyutlar arasında geçiş katsayıları önermişlerdir. Dehestani vd. (2014) farklı karışım oranına sahip küp ve silindir numuneler üzerinde gerçekleştirdikleri deneyler sonucunda uzunluk/çap oranı azaldıkça numune boyutunun etkisinin daha büyük bir faktör haline geldiğini, uzunluk/çap oranı 2.0 veya yanal boyutu 100 mm olan numuneler için elde edilen sonuçların beton karışım oranından bağımsız olduğu sonucuna varmışlardır. Numunelerin kesit şeklinin basınç dayanımı üzerinde çok az etkisi olduğunu ortaya koymuşlar ve numune geometrisine dayalı basınç dayanımını tahmin etmek için korelasyon analizleri yaparak tahmin modelleri önermişlerdir. Sudin ve Ramli (2014) çalışmalarında numune boyutu ve şeklinin betonun eksenel basınç dayanımı üzerindeki etkisini incelemişler, hazırladıkları küp, prizma ve silindir gibi kare ve dairesel kesitlere sahip çeşitli boyut ve şekillerde numuneler üzerinde yaptıkları deneylerle betonun 7 ve 28 günlük basınç dayanımı davranışlarını incelemişlerdir. Nalon vd. (2017) numunelerin şekli ve boyutunun betonun basınç dayanımı üzerindeki etkisinin karşılaştırmalı analizlerini sundukları bir çalışma yapmışlardır. Kübik numunelerin basınç dayanımı 10x20 cm'lik silindirlerin basınç dayanımından daha yüksek, 5x10 cm'lik silindirlerin basınç dayanımından ise daha düşük olduğunu belirlemişlerdir. Li vd. (2018) çeşitli uzunluk/çap oranlarına sahip 50 mm boyutunda küpler ve 50 mm çapında silindirler üzerinde deneyler gerçekleştirmişler ve farklı şekil ve boyutlardaki numunelerden elde edilen betonun statik ve dinamik basınç dayanımlarını ilişkilendiren ampirik bağıntılar önermişlerdir. Numune şekli ve boyutunun statik ve dinamik testler altında elde edilen basınç dayanımı değerleri üzerindeki etkilerini açıkça göstermişlerdir. Mardani-Aghabaglou vd. (2021) numune boyutu ve şeklinin betonun dayanımı üzerindeki etkisini değerlendirmek için 10×10×10 cm ve 15×15×15 cm kübik ve 10×20 cm ile 15×30 cm boyutlarında silindirik numuneler üzerinde basınç dayanımı deneyleri gerçekleştirmişler ve numunelerin boyutundaki azalmanın daha yüksek mukavemetle sonuçlandığını görmüşlerdir. Rincon vd. (2022) küp ve silindir beton numuneler üzerinde yaptıkları deneyler sonucunda küp numunelerden elde edilen basınç dayanımı değerlerinin silindirik numunelerden elde edilen basınç dayanımı değerlerine göre %35 ile %50 oranında daha yüksek olduğunu görmüşlerdir. Judd vd. (2023) küp numuneler, silindir numuneler üzerinde ASTM C109'a göre basınç dayanımı deneyleri gerçekleştirmişler ve betonun basınç dayanımının numune boyutuna güçlü bir şekilde bağlı olduğunu görmüşlerdir. Bing ve Yuan (2023) yaptıkları çalışma ile farklı şekil ve boyuta sahip test numuneleri arasındaki basınç dayanımını hesaplayabilmek için eşitlikler önermişlerdir. De La Rosa ve Ruiz (2025) silindirik ve kübik beton numunelerin basınç dayanımı arasındaki ilişkiyi, numune şekli, boyutu, beton tipi ve döküm yönünün etkisine odaklanarak araştırmışlardır. Yapılan önceki çalışmalardan elde edilen deneysel verileri analiz ederek, silindir ve küp arasındaki dönüşüm faktörünü hesaplamak için beton numunelerin boyut ve geometrik etkilerini hesaba katan yenilikçi bir Kırılma Mekaniği tabanlı bir model önermişlerdir. Bu çalışma kapsamında, beton numuneleri üzerinde gerçekleştirilmiş deneysel araştırmalardan elde edilen veriler kullanılarak, silindirik ve kübik numuneler arasında TBD dönüşümünü sağlayabilecek bir model önerilmiştir. Söz konusu modelin gelecekte kayaç numuneleri üzerinde yapılacak deneylerle daha fazla doğrulanması ve geliştirilmesi hedeflenmektedir. Böylece, homojen beton örneklerine kıyasla daha heterojen yapıya sahip kayaçlar için daha güvenilir tahmin modellerinin geliştirilmesi mümkün olacaktır. ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 298 298 Literatürde önerilen dönüşüm katsayıları genellikle sabit oranlara dayanmaktadır. Ancak bu katsayılar, farklı numune geometrilerine sahip malzemelerdeki dayanım farklarını her zaman yeterli doğrulukla temsil edememektedir. Bu nedenle, bu çalışmada silindirik ve kübik numuneler arasında tek eksenli basınç dayanımı geçişini daha güvenilir şekilde tahmin edebilmek amacıyla makine öğrenmesi (ML) temelli regresyon modelleri uygulanmıştır. Böylece hem doğrusal hem de doğrusal olmayan ilişkiler modellenebilmiş; farklı algoritmaların başarı düzeyleri karşılaştırmalı olarak değerlendirilmiştir. Bu yaklaşım, sadece beton numuneleri için değil, gelecekte kayaçlar gibi heterojen ve zorlayıcı mühendislik malzemeleri için de dönüşüm modelleri geliştirmeye olanak tanıyacak niteliktedir. 2. YÖNTEM Tek eksenli basınç dayanımının (TBD) belirlenmesi için önerilen standartlarda iki tip numune geometrisi yer almaktadır (Şekil 1). Her bir standardın kabul ettiği numune L/D (boy/çap) oranı ve geometrisi, ölçülen basınç dayanımı değerlerinde %5–%20 arasında değişen sistematik sapmalara yol açabilmektedir (Dirige ve Archibald, 2006; Al-Rkaby ve Alafandi, 2015). Bu nedenle, çalışma kapsamında literatürde iki farklı geometriye sahip beton numuneler üzerinde belirlenen basınç dayanımları esas alınarak dönüşüm modelleri önerilmiştir. Şekil 1. TBD belirlenmesi için önerilen numune geometrileri. 2.1. Doğal taşların tek eksenli basınç dayanımı tayini için kullanılan metotlar Kayaçların tek eksenli basınç dayanımı testlerinde en sık başvurulan metotlar ve bu metotlarda kullanılan numune adet ve ebatlarını özetleyen bilgiler Tablo 1’de verilmiştir. Farklı numune geometrilerinin tek eksenli basınç dayanımı sonuçları üzerindeki sistematik etkilerinin belirlenmesi ve bu etkileri optimize edecek dönüştürme faktörlerinin geliştirilmesi bu çalışmanın ana odak noktasını oluşturmaktadır. Literatürde en yaygın olarak başvurulan standartların her biri, test numunelerinin şekli, boyutları ve adet gereksinimleri açısından farklılıklar göstermektedir (ASTM C170/C170M, 2019; EN 1926:2006; ISRM, 2007; GB/T 9966.1-2020; ASTM D7012, 2019). Tablo 1 ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 299 299 Kayaçların tek eksenli basınç dayanımı tayini için kullanılan standartlar Standart Adı Numune Şekli Numune Ebatları Adet ASTM C170/C170M Küp veya silindir Çap/yan ≥ 50 mm; yükseklik = çap (0,9 – 1,1:1) ≥ 5 (numune) TS EN 1926:2006 Küp 50 ± 5 mm veya 70 ± 5 mm kenar uzunluğu ≥ 10 (numune) ISRM Suggested Method (1977/2007) Silindir Çap ≈ 50 mm; L/D = 2,5 – 3:1 ≥ 5 (numune) GB/T 9966.1-2020 Küp 50 × 50 × 50 mm ≥ 5 (numune) ASTM D7012 Silindir Çap ≥ 47 mm; L/D = 2,0 – 2,5 ≥ 5 (numune) 2.2. Betonların tek eksenli basınç dayanımı tayini için kullanılan standartlar Betonların tek eksenli basınç dayanımı testlerinde en sık başvurulan metotlar ve bu metotlarda kullanılan numune adet ve ebatlarını özetleyen bilgiler Tablo 2’de verilmiştir. Numune geometrisi (özellikle yükseklik/çap oranı ve şekil) ile sonlu yüzey koşulları (örneğin makine düz yatak yüzeyi etkileşimi), betonun tek eksenli basınç dayanımı ölçümlerinde %10–%20 arasında sistematik sapmalara yol açtığı literatürde yaygın biçimde raporlanmıştır (Walz, 1957; De Larrard vd., 1994; Riedel ve Leutbecher, 2017; Talaat vd., 2021). Ayrıca beton için farklı geometriler arasındaki dayanım farklarını düzeltmek üzere 0,80–0,90 aralığında dönüştürme faktörleri önerilmiştir (Reddy vd., 2019). Tablo 2 Betonun tek eksenli basınç dayanımı tayini için kullanılan standartlar Standart Adı Numune Şekli Numune Ebatları Adet ASTM C39/C39M Silindir 150 × 300 mm (6″×12″) veya 100 × 200 mm (4″×8″) 3 (numune) TS EN 12390-3 Küp 150 × 150 × 150 mm ≥ 3 (numune) JIS A 1108 Silindir 100 × 200 mm ≥ 3 (numune) IS 516 (1959; Rev. 2004) Küp 150 × 150 × 150 mm ≥ 3 (numune) CSA A23.2-9C / A23.2-14C Silindir 150 × 300 mm veya 100 × 200 mm ≥ 3 (numune) 3. MATERYAL VE METOT Bu çalışma kapsamında literatürde hem kübik hem de silindirik beton numuneleri üzerinde basınç dayanımı testleri gerçekleştirilmiş deneysel araştırmalardan elde edilen ham veriler literatürdeki çalışmalardan derlenmiştir (Tablo 3). Kübik ve silindirik beton numunelerden elde edilen basınç dayanımı değerleri arasındaki ilişkileri geliştirmek için basit regresyon analizleri yapılmıştır. Tablo 3 ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 300 300 Çalışmada kullanılan verilerin derlendiği çalışmalar Referans Veri adedi ×2 Elwell ve Fu, 1995 13 Che et al., 2011 4 Dehestani vd., 2014 3 Sudin ve Ramli, 2014 2 Wu et al. 2015 8 Kusumawardaningsih vd., 2015 3 Akter vd., 2017 9 Chung et al. 2018 6 Reddy vd. 2019 16 Judd vd., 2023 12 Bing ve Yuan, 2023 15 Pachideh vd., 2024 16 De La Rosa ve Ruiz, 2025 23 Li vd., 2025 40 4. BULGULAR Çalışma kapsamında toplamda her iki numune şekli için 2×170 adet veri analiz edilmiştir. Yapılan analizler sonucunda elde edilen TBD değerleri Şekil 2-3’te verilmiştir. TBD değerlerinin kübik numuneler kullanılarak belirlenen TBD değerlerinin daha yüksek olduğu Şekil 2’de açıkça görülmektedir. Şekil 3’e bakıldığında Şekil 2’ye benzer bir tablonun olduğu, iki farklı numune geometrisinden elde edilen TBD değerlerii arasında ortalama %21’lik (%4- %40) bir fark oluştuğu, Sudin ve Ramli (2014) ile Wu vd. (2015) yaptıkları çalışmalarda iki farklı numune geometrisi için elde edilen değerlerin ihmal edilecek düzeyde birbirine yakın olduğu, sadece Kusumawardaningsih vd. (2015) yaptıkları çalışmada silindirik numunelerden elde ettikleri TBD değerlerinin kübik numunelerden elde ettikleri değerlerden %4 oranında daha yüksek olduğu görülmektedir. ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 301 301 Şekil 2. Tüm veriler için ortalama TBD. Şekil 3. Referanslar için ortalama TBD. Bu çalışmada, kübik numunelerden elde edilen tek eksenli basınç dayanımı (TBD) değerlerinden silindirik numunelere ait TBD değerlerini tahmin edebilmek amacıyla çeşitli regresyon algoritmaları uygulanmıştır. Regresyon modellerinin başarım düzeylerini değerlendirmek üzere 5 katlı çapraz doğrulama yöntemi kullanılmış ve her bir model için belirleme katsayısı (R²), Ortalama Mutlak Hata (MAE), Ortalama Mutlak Yüzde Hata (MAPE) ve Kök Ortalama Kare Hata (RMSE) hesaplanmıştır. Her bir regresyon algoritması, genişletilmiş hiperparametre aralıklarında GridSearchCV yöntemiyle optimize edilmiş ve elde edilen en iyi parametre kombinasyonları doğrultusunda başarı metrikleri raporlanmıştır. Değerlendirmeye alınan modeller arasında doğrusal regresyon yaklaşımlarının yanı sıra, ağaç tabanlı yöntemler, ansambl modeller, çekirdek tabanlı algoritmalar ve dayanıklı regresyon teknikleri yer almıştır. Modellerin her biri için elde edilen en iyi sonuçlar ve karşılık gelen hiperparametre kombinasyonları Tablo 4’te sunulmaktadır. 92 78 70 75 80 85 90 95 Kübik Silindirik TBD, MPa 0 50 100 150 200 250 TBD, MPa Kübik Silindirik ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 302 302 Tablo 4 Modellerin 5 katlı çapraz doğrulama sonuçlarına göre başarı metrikleri Model Best Params R2 (5-fold CV) MAE (5-fold CV) MAPE (5-fold CV) RMSE (5-fold CV) Huber Regressor {'model__epsilon' : 1.25, 'model__max_iter' : 50} 0.98400931061 92892 4.96720332946 5774 9.66032382207 248 8.0572230613 54936 SVR {'model__C': 5, 'model__epsilon': 0.01, 'model__gamma': 'scale', 'model__kernel': 'linear'} 0.98395393990 94377 4.95253788124 1082 9.59342740391 487 8.0701663128 22094 Elastic Net {'model__alpha': 0.01, 'model__l1_ratio': 0.9, 'model__max_iter' : 1000} 0.98380435897 62886 5.20468892009 0105 10.3741570960 95308 8.1362696558 9234 Lasso {'model__alpha': 0.1, 'model__max_iter' : 1000} 0.98380429729 52795 5.20517012744 53235 10.39714112455 0458 8.1363295638 09243 Ridge {'model__alpha': 0.1, 'model__solver': 'auto'} 0.98380403577 20832 5.20408859042 7477 10.3472629677 05223 8.1363430667 95543 Bayesian Ridge {'model__alpha_1 ': 1e-07, 'model__lambda_ 1': 1e-05} 0.98380306427 11081 5.20306103910 4695 10.3055345419 42885 8.1366384042 36626 Linear Regression {} 0.98380258177 57478 5.20296949784 8181 10.2974141045 88807 8.1367485662 39559 KNN {'model__n_neigh bors': 7, 'model__p': 1, 'model__weights': 'distance'} 0.98368987789 38391 5.06471776844 7889 11.81615334462 9706 8.0983874536 88495 Extra Trees {'model__max_de pth': 5, 'model__min_sam ples_split': 2, 'model__n_estima tors': 200} 0.98344360538 74278 5.90214313953 7905 15.3003530912 76964 8.3049742004 42626 Random {'model__max_de pth': 10, 0.98241485735 5.52418335784 12.2865944243 8.3995311336 ARCENG INTERNATIONAL JOURNAL OF ARCHITECTURE AND ENGINEERING ISSN 2822-6895 Year 5 (2025) Vol:5 Issue: 2 Issued in December 2025 www.e-arceng.com 303 303 Forest 'model__min_sam ples_leaf': 2, 'model__min_sam ples_split': 2, 'model__n_estima tors': 100} 49237 3135 66205 51061 Gradient Boosting {'model__learnin g_rate': 0.1, 'model__max_dep th': 3, 'model__n_estima tors': 100} 0.97896756575 74343 5.31967676715 71354 12.62872117761 3786 8.8496701446 74871 Decision Tree {'model__max_de pth': None, 'model__min_sam ples_leaf': 2, 'model__min_sam ples_split': 2} 0.97782717733 25491 5.99254901960 7843 13.5662006408 96037 9.3223738579 68874 Gaussian Process {'model__alpha': 0.01, 'model__kernel': RationalQuadratic (alpha=1, length_scale=1)} 0.97510982612 16523 6.56541271252 1109 25.5125183992 29652 10.468359843 849399 Ada Boost {'model__learnin g_rate': 0.01, 'model__n_estima tors': 100} 0.97509471546 72351 7.39509186968 8909 20.2858582403 0182 10.305130894 078875 R²: Belirleme katsayısı, MAE: Ortalama mutlak hata, MAPE: Ortalama mutlak yüzde hata, RMSE: Kök ortalama kare hata 4. SONUÇ, TARTIŞMA VE ÖNERİLER Bu çalışmada uygulanan regresyon modelleri karşılaştırıldığında, elde edilen yüksek R² değerleri tüm modellerin veri seti üzerinde başarılı bir tahmin performansı sergilediğini ortaya koymaktadır. Özellikle Huber Regressor modelinin %98,4 R² ile en yüksek başarıya ulaşması, bu algoritmanın hem doğrusal yapıyı iyi modellemesi hem de uç değerlere karşı dayanıklı olmasıyla açıklanabilir. Literatürde de Huber tipi dayanıklı regresyonların, homojen yapılı ama lokal sapmalar içerebilecek mühendislik verilerinde etkili olduğu vurgulanmaktadır (Jiang et al., 2021). Support Vector Regression (SVR) modeli de benzer bir başarı göstererek ikinci sırada yer almıştır. SVR'nin kernel tabanlı yapısı, doğrusal olmayan ilişki olasılıklarını da hesaba kattığı için yüksek genelleme kapasitesine sahiptir (Smola & Schölkopf, 2004). Bununla birlikte, Lasso, Ridge ve ElasticNet gibi doğrusal modellerin de %98’in üzerinde R² değerlerine ulaşması, küp ve silindir dayanımı arasındaki ilişkinin büyük oranda doğrusal olduğunu desteklemektedir. Bu durum, veri setinde karmaşık ve doğrusal olmayan yapıların sınırlı olduğunu ve doğrusal modellerin bu bağlamda yeterli performans gösterebildiğini ortaya koymaktadır. Ansambl yöntemlerinden Random Forest, Gradient Boosting ve AdaBoost gibi modeller, her