02TÜBİTAK 2209-A · Araştırma

Isı izindenmalzemeyi tanımak.

Aynı lazer darbesi altı malzemede altı farklı ısı izi bırakıyor. Bu izleri tanıyan bir model, malzemeye göre enerji seçimine dayanak olabilir.

Program: TÜBİTAK 2209-A · destekli, tamamlandı
Rolüm: Proje yürütücüsü · ML / CV
Model: DualViT-CNN + ArcFace
Yayın: Gazi Univ. J. Sci. Part A · 2026

Katkım

Proje yürütücüsüydüm; üç kişilik bir ekip ve bir danışmanla çalıştık. Makine öğrenmesi ve bilgisayarlı görü tarafı bendeydi: veri hazırlığı ve ön işleme, DualViT-CNN + ArcFace modelinin tasarımı ve eğitimi, klasik modellerle karşılaştırma ve değerlendirme. ANSYS simülasyonları ekip çalışmasıydı.

02Açıklayıcı mimariTÜBİTAK 2209-A

Ana sayfadaki çizim: girdi, raporun özgün termal görüntüsü; mimari açıklayıcı olarak yeniden çizildi.

01Problem

Aynı darbe, altı farklı iz.

Femtosaniye lazerle PCB işlerken bütün kartlara aynı enerji yoğunluğu (fluence) uygulanırsa, bir malzemede gereğinden fazla enerji harcanır, başka birinde etki yetersiz kalır. Oysa malzemeler ısıyı çok farklı taşır: ısı iletkenlikleri dört basamak kadar fark ediyor.

Çalışma, alüminyum, bakır, FR-4, grafen, PTFE ve titanyumun lazer altındaki termal tepkisini simülasyonla görüntüye dönüştürüp, malzemeyi bu görüntüden tanıyan bir model kuruyor. Malzeme bilinirse enerji ona göre seçilebilir.

İki benzer iz

FR-4 ve PTFE ısıyı neredeyse aynı derecede kötü iletir (0,29 ve 0,25 W/m·K); ikisinde de iz küçük bir noktada kalır. Modellerin en sık karıştırdığı çift de çoğunlukla bu ikisi.

Alüminyum için simülasyondan 2B termal görüntü — Raporun özgün görüntüleri (Şekil 4) ve simülasyonda kullanılan ısı iletkenlikleri (Tablo 2, logaritmik ölçek). Yüksek iletkenlikte ısı yayılıyor, düşükte noktada kalıyor.

Bakır için simülasyondan 2B termal görüntü — Raporun özgün görüntüleri (Şekil 4) ve simülasyonda kullanılan ısı iletkenlikleri (Tablo 2, logaritmik ölçek). Yüksek iletkenlikte ısı yayılıyor, düşükte noktada kalıyor.

02Veri

Simülasyondan veri setine.

Her malzeme ve kart standardı için ANSYS’te ısıl analiz, ardından modelin okuyabileceği tek tip bir görüntü.

ANSYS Workbench’te farklı kart standartları için oluşturulmuş tetrahedral ağ yapısı. — ANSYS’te kart standartları için ağ yapısı (rapor, Şekil 2).

Titanyum VME 6U kartı için kalıcı ısıl analizde toplam ısı akısı; kartın ortasında ısınan bir bölge. — ANSYS’te kart standartları için ağ yapısı (rapor, Şekil 2).

Kalıcı (steady-state) analizde kartlara 100 °C sabit yüzey sıcaklığı ve kenarlarda h = 10 W/m²K taşınım tanımlandı; geçici (transient) analizde lazer darbesi Gauss profilli bir ısı kaynağıyla modellendi ve 0–5 ms aralığı çözüldü. Bozuk, doygun ya da konumu kaymış çıktılar ayıklandı: 736 görüntü.

Görüntüleri modele hazırladım: en-boy oranını koruyarak 585 × 395 piksele sığdırma ve boşlukları sıfırla doldurma, renk haritasını ezberlemesin diye gri tona çevirme ve [0, 1] aralığına normalleştirme. Klasik modeller için her görüntüden 256 kovalı bir yoğunluk histogramı çıkardım.

Veri artırma yalnızca eğitim kümesine uygulandı: yatay yansıtma ve ±15° döndürme. Böylece set 736’dan 2.208 örneğe çıktı.

ANSYS simülasyonları ekip çalışmasıydı; görüntüleri veri setine dönüştürme ve ön işleme benimdi.

Altı panel: alüminyum VME 6U, bakır CompactPCI 6U, FR-4 PMC, grafen CompactPCI 3U, PTFE VME 3U ve titanyum PC104 kartlarında yüzey sıcaklık dağılımları; her panelin altında piksel boyutu. — Farklı kart standartlarında yüzey sıcaklık dağılımları. Boyutların farklı olması, sığdırma adımının nedeni (rapor, Şekil 5).

Grafen – VME 6U kartının özgün termal görüntüsü. — Grafen – VME 6U görüntüsü ve iki döndürme örneği (rapor, Şekil 8’in rapora gömülü üç paneli).

Aynı görüntünün döndürülmüş hâli. — Grafen – VME 6U görüntüsü ve iki döndürme örneği (rapor, Şekil 8’in rapora gömülü üç paneli).

03Model

İki bakış, tek imza.

Yerel doku için bir CNN, görüntünün bütünü için bir Vision Transformer; ikisini birleştiren bir çapraz dikkat katmanı.

03DualViT-CNN + ArcFaceYeniden çizildi

Girdi224 × 224 termal görüntü

CNN · ResNet-18Yerel doku → sorgu (Q)

ViTKüresel bağlam → anahtar, değer (K, V)

Çapraz dikkatQ ile K, V eşleşir

Ortalama havuzlamaTek temsil vektörü

ArcFaceAçısal pay

Altı malzemeAl · Cu · FR-4 · Grafen · PTFE · Ti

Rapordaki mimari tanımından (Bölüm 2.4, Tablo 9) yeniden çizilmiş açıklayıcı şema.

CNN dalı (ImageNet ön eğitimli ResNet-18) lazerin bıraktığı yerel sıcaklık geçişlerini ve küçük dokuları yakalıyor. ViT dalı, görüntünün uzak bölgeleri arasındaki ilişkiyi öğreniyor: ısının yüzeye nasıl yayıldığını.

Çapraz dikkat füzyonunda CNN belirteçleri sorgu (query), ViT belirteçleri anahtar ve değer (key, value) oluyor. Böylece yerel bir sıcak noktanın anlamı, bütün yüzeydeki dağılımla birlikte okunuyor. Sınıflandırmada ArcFace, sınıflar arasına açısal bir pay koyarak FR-4 ve PTFE gibi birbirine yakın malzemeleri ayırmayı kolaylaştırıyor.

Raporun ablasyon özetine göre en büyük düşüş çapraz dikkat katmanı kaldırıldığında görüldü; ArcFace yerine Softmax kullanmak da benzer malzemelerde karışmayı artırdı. Bu özet tekrarlı koşu kayıtlarına dayanmıyor.

03Neden ArcFace?Açıklayıcı

Softmax

ArcFace

Açıklayıcı çizim: ArcFace, her sınıfın yönüne açısal bir pay ekleyerek benzer sınıfları birbirinden uzaklaştırır.

04Sonuçlar

Hata nerede yapılıyor?

Altı model, iki veri kurulumu. Hibrit model ikisinde de en yüksek doğruluğa ulaştı; hataları iki kurulumda da aynı iki çiftte toplandı: PTFE ile FR-4, alüminyum ile titanyum.

04Model karşılaştırmasıDoğruluk · F1

Orijinal veri · 148 test görüntüsü
Model	Doğruluk	F1 (makro)
kNN	%75,00	%74,84
Karar ağacı	%84,46	%84,65
Bagging	%89,19	%89,23
Rastgele orman	%89,19	%89,26
Gradient boosting	%91,22	%91,12
DualViT-CNN + ArcFace	%95,95	%95,94

Artırılmış veri · 736 görüntü
Model	Doğruluk	F1 (makro)
kNN	%94,70	%94,74
Karar ağacı	%97,15	%97,17
Bagging	%98,37	%98,36
Rastgele orman	%98,64	%98,63
Gradient boosting	%97,83	%97,82
DualViT-CNN + ArcFace	%99,18	%99,17

Raporun Tablo 10 ve 11’i. Klasik modeller 256 kovalı yoğunluk histogramıyla, hibrit model görüntünün kendisiyle çalıştı. Hibrit modelin satırları yayımlanan makalenin özetiyle aynı.

04Karışıklık matrisiDualViT-CNN + ArcFace

Orijinal veri · 148 test görüntüsü · Satırlar gerçek sınıf, sütunlar tahmin
	Al	Cu	FR-4	Grf	PTFE	Ti
Al	20	0	0	0	0	2
Cu	0	25	0	0	0	0
FR-4	0	0	25	0	1	0
Grf	0	0	0	25	0	0
PTFE	0	0	3	0	22	0
Ti	0	0	0	0	0	25

Artırılmış veri · 736 görüntü · Satırlar gerçek sınıf, sütunlar tahmin
	Al	Cu	FR-4	Grf	PTFE	Ti
Al	105	0	0	0	0	3
Cu	0	125	0	0	0	0
FR-4	0	0	126	0	0	0
Grf	0	0	0	125	0	0
PTFE	0	0	3	0	123	0
Ti	0	0	0	0	0	126

Raporun Şekil 19 ve 20’sinden aktarıldı. Köşegen doğru tahminler; renkli hücreler hatalar.

Orijinal veride 148 görüntüden 6’sı yanlış: 3 PTFE görüntüsü FR-4, 1 FR-4 görüntüsü PTFE, 2 alüminyum görüntüsü titanyum sanıldı.

Artırılmış kurulumda 736 görüntüden 6’sı yanlış: 3 PTFE görüntüsü FR-4, 3 alüminyum görüntüsü titanyum sanıldı.

İki kurulumun değerlendirme kümeleri farklı (148 ve 736 görüntü). Artırılmış sonuç, orijinal sonucun doğrudan bir iyileşmesi olarak okunmamalı; aynı simülasyondan türeyen görüntüler birbirine benzer.

Raporun özgün matrisleri

Her modelin iki veri kurulumundaki karışıklık matrisi. Büyütmek için birine dokunun.

kNN
Orijinal Artırılmış
Karar ağacı
Orijinal Artırılmış
Rastgele orman
Orijinal Artırılmış
Bagging
Orijinal Artırılmış
Gradient boosting
Orijinal Artırılmış
DualViT-CNN + ArcFace
Orijinal Artırılmış

05Enerji

Doğru malzeme, gereken enerji.

Sabit yaklaşım her kartı bakırın yüksek eşiğine göre işliyor. Malzeme bilinirse, düşük eşikli kartlara daha az enerji yetiyor.

Sabit referans fluence 0,40 J/cm². Model tabanlı seçimde, sınıflandırmanın bulduğu malzemeye göre ayarlanan ortalama fluence orijinal kurulumda ≈0,209, artırılmış kurulumda ≈0,211 J/cm². Bu, teorik olarak yaklaşık %47 daha az enerji demek.

En riskli hata PTFE’nin FR-4 sanılması: yetersiz enerji uygulanabilir. Rapor bunun için basit bir geri bildirim önerir: FR-4 tahmininden sonra yüzeyde etki görülmezse aynı noktaya 0,30 J/cm²’lik tek bir düzeltme darbesi. Tahmini tasarruf %47,2’den %46,9’a iner.

05Fluence karşılaştırmasıRapor, Şekil 21

Sabit referans

0,400

Model · orijinal

0,209

Model · artırılmış

0,211

≈ %47 teorik tasarruf

Rapordaki değerler (Bölüm 2.5, Şekil 21) yeniden çizildi.

Kart yüzey alanı arttıkça geçiş başına enerji tasarrufu doğrusal artıyor: PC/104’ten VME/CompactPCI 6U’ya yaklaşık 16 J’den 70 J’ye. — Rapordaki özgün grafik: tasarruf kart alanıyla büyüyor; VME 6U gibi geniş kartlarda geçiş başına yaklaşık 70 J (teorik).

Tasarruf simülasyona dayalı teorik bir tahmindir; fiziksel lazer deneyi ya da ölçülmüş enerji tüketimi yoktur. Yayın da yaklaşımı ön karar desteği olarak tanımlar.

06Yayın

Projeden makaleye.

01
TÜBİTAK 2209-A
Proje desteklendi ve tamamlandı (8 Nisan 2025 – 3 Ocak 2026). Yürütücüsü bendim.
02
Yayın
Çalışma, Gazi University Journal of Science Part A’da makale olarak yayımlandı (2026).
03
Model
DualViT-CNN + ArcFace: orijinal veride %95,95 doğruluk ve %95,94 F1.
04
Kapsam
Simülasyona dayalı sınıflandırma ve teorik enerji tahmini; fiziksel doğrulama sonraki adım.

Makale

Özel Y., Vall M. M., Yıldırım M. A., Balcı H. Ş., Balcı F., Ilgın H. A. AI-Assisted Thermal Response Classification of PCB Materials for Energy-Efficient Femtosecond Laser Processing: A Simulation-Based Study. Gazi University Journal of Science Part A: Engineering and Innovation, 13, 1–19 (2026).

Ekip: üç kişi ve bir danışman. Makalenin altı yazarı var; yazar sırası resmî kayıttaki gibidir.

Akademik kayıt (AVESİS)Sonraki: Arama-kurtarma sistemi Araştırma bölümüne dön

Raporun özgün matrisleri

TÜBİTAK 2209-A

Yayın

Model

Kapsam

Bir sonraki sistemibirlikte kuralım.