Entropy Hunter: Qwen3-8B ile Endüstriyel Ekserji Analizi İçin Fine-Tuning

Büyük dil modelleri genel görevlerde etkileyici sonuçlar üretiyor. Peki 8 milyar parametrelik bir model, endüstriyel termodinamik ekipmanların ekserji analizini yapabilir mi? Tüketiciye yönelik bir GPU'da, startup bütçesiyle?

Entropy Hunter bu soruyu yanıtlamak için geliştirildi. Qwen3-8B üzerine LoRA fine-tuning ile endüstriyel ekipmanların ekserji analizine özelleştirilmiş bir domain-specific LLM'dir. v0.4'te %92.7 benchmark skoru (Grade A-) ile $216 toplam maliyet ile üretildi.

Ekserji Analizi Nedir?

Ekserji, bir sistemin çevresiyle dengede olmadığı ölçüde sahip olduğu "kullanılabilir enerji" miktarıdır. Enerji korunurken ekserji korunmaz — her gerçek süreçte tersinmezlikler nedeniyle ekserji yıkılır.

Endüstriyel tesislerde ekserji analizi, hangi ekipmanın ne kadar kayba neden olduğunu, bu kaybın ne kadarının önlenebilir olduğunu ve iyileştirme potansiyelinin nerede yoğunlaştığını ortaya koyar. Geleneksel enerji analizi "ne kadar enerji var?" sorusunu yanıtlarken, ekserji analizi "bu enerjinin ne kadarı gerçekten kullanılabilir?" sorusunu yanıtlar.

Versiyon Evrimi

Base Qwen3-8B'den v0.4'e giden yol düz bir çizgi değildi. Her versiyon farklı bir stratejiyi test etti ve en kritik ders v0.3 başarısızlığından geldi.

v0.1 (200 örnek) ile başlangıç fine-tuning uygulandığında, model ekserji terminolojisini öğrenmeye başladı ancak hesaplama tutarlılığı düşüktü. v0.2 (600 örnek) veri setini genişleterek skoru %78'e çıkardı.

v0.3 bir deney olarak JSON output formatını kaldırdı — model serbest metin formatında yanıt vermeye zorlandı. Sonuç dramatikti: skor %52.4'e düştü. Bu başarısızlık, JSON formatının sadece çıktı yapısı olmadığını — modelin adım adım muhakeme yapması için bir iskele (scaffold) görevi gördüğünü ortaya koydu. Her JSON alanı, modeli belirli bir hesaplama adımını tamamlamaya zorluyordu.

v0.4 bu içgörüyle tam pipeline'ı uyguladı: JSON scaffold korundu, kalite kontrol pipeline'ı eklendi ve 1235 doğrulanmış örnekle eğitildi. Sonuç: %92.7, Grade A-.

Eğitim Hattı

Pipeline 5 aşamadan oluşuyor:

1. Taksonomi: 7 ekipman tipi, 48 alt tip ve 6 analiz ailesi sistematik olarak tanımlandı. Bu taksonomi, eğitim verisinin endüstriyel senaryoları kapsamlı şekilde temsil etmesini sağladı.

2. Veri Üretimi: Claude Opus 4.6 ile 1500 yapılandırılmış Q&A örneği üretildi. Her örnek, gerçek endüstriyel koşulları simüle eden sıcaklık, basınç ve akış hızı değerleri içeriyordu.

3. Kalite Kontrol: 8 termodinamik doğrulama kontrolü uygulandı. Enerji dengesi, kütle korunumu, entropi üretimi ve diğer fiziksel kısıtlamalar her örnekte kontrol edildi.

4. LoRA Fine-Tuning: Doğrulanmış 1235 örnek ile Qwen3-8B üzerine LoRA adaptörleri eğitildi. Rank 64, alpha 128, tek tüketici GPU'da (24GB VRAM) 4-bit quantization.

5. Değerlendirme: 6 analiz ailesi üzerinde otomatik benchmark. CoolProp referans değerleri ile ±%2 toleransla karşılaştırma.

Ekipman ve Analiz Kapsamı

Entropy Hunter, 7 temel endüstriyel ekipman tipini kapsar: türbin, kompresör, pompa, ısı eşanjörü, kazan, karışım odası ve lüle/difüzör. Bu ekipmanlar toplam 48 alt tipe ayrılır — buhar türbini, santrifüj kompresör, plakalı ısı eşanjörü gibi gerçek endüstriyel konfigürasyonları yansıtır.

6 analiz ailesi, ekserji analizinin farklı yönlerini kapsar:

• ED (Ekserji Yıkımı): Tersinmezlik kaynaklı ekserji kaybı
• EE (Ekserjetik Verim): Bileşenin ekserji kullanım etkinliği
• AV (Kaçınılabilir): İyileştirme potansiyeli olan ekserji yıkımı payı
• UN (Kaçınılamaz): Teknolojik sınırlar dahilindeki minimum yıkım
• EI (İyileştirme Potansiyeli): Van Gool iyileştirme potansiyeli hesabı
• EGM (Entropi Üretimi Minimizasyonu): Bejan'ın EGM yöntemiyle optimizasyon

Benchmark Sonuçları

6 analiz ailesinde v0.4 performansı:

AV ve UN ailelerinde %100 skor — modelin kaçınılabilir/kaçınılamaz ekserji yıkımı ayrıştırmasını tamamen öğrendiğini gösteriyor. Bu aileler, net formül çerçeveleri sunuyor ve JSON scaffold ile birleştiğinde model tutarlı sonuçlar üretiyor.

ED (%96.2) ve EE (%94.5) — ekserji yıkımı hesabı ve verim değerlendirmesi yüksek doğrulukla yapılıyor. Bu kategoriler, standart termodinamik formüllerin doğrudan uygulanmasını gerektiriyor.

EI (%93.5) — Van Gool iyileştirme potansiyeli, verim ve ekserji yıkımı değerlerini birleştiren bir metrik. Model bu çok adımlı hesaplamayı iyi yönetiyor.

EGM (%72.0) — en zayıf alan. Entropi üretimi minimizasyonu, diğer kategorilerden farklı olarak soyut optimizasyon muhakemesi gerektiriyor. Model burada tutarlı ancak doğruluk düşük — 8B modelin kapasitesinin sınırı muhtemelen burada.

Base Qwen3-8B ile karşılaştırıldığında ortalama +54.7 puanlık iyileşme, v0.2 ile karşılaştırıldığında +14.7 puanlık artış.

Kalite Kontrol

Veri kalitesi, model kalitesinin temelidir. 1500 üretilen örnekten 8 termodinamik doğrulama kontrolünden geçen 1235 tanesi eğitimde kullanıldı (%82.3 geçerlilik oranı).

8 kontrol:

1. Enerji Dengesi (ΔE = Q − W) — birinci yasa tutarlılığı
2. Kütle Korunumu (Σṁᵢₙ = Σṁₒᵤₜ) — giriş-çıkış kütle akışı dengesi
3. Entropi Üretimi (Ṡgen ≥ 0) — ikinci yasa ihlali kontrolü
4. Ekserji Dengesi (Ėd ≥ 0) — negatif ekserji yıkımı kontrolü
5. Sıcaklık Aralığı (T > 0 K) — fiziksel olarak anlamlı sıcaklıklar
6. Basınç Pozitifliği (P > 0) — fiziksel olarak anlamlı basınçlar
7. Verim Sınırları (0 ≤ η ≤ 1) — fiziksel olarak mümkün verim değerleri
8. İkinci Yasa Uyumu (COP ≤ COPCarnot) — Carnot sınırı aşılmaması

Başarısız olan 265 örnek (%17.7) genellikle enerji dengesi ve entropi üretimi kontrollerinde takılıyordu — Opus 4.6'nın bile karmaşık çok adımlı termodinamik hesaplamalarda ara sıra tutarsız sonuçlar ürettiğini gösteriyor.

Temel Bulgular

Bilinen Sınırlamalar

Entropy Hunter v0.4'ün bilinen sınırlamaları:

• Sayısal JSON çıktısı bağımlılığı: Model, yapılandırılmış JSON olmadan düşük performans gösteriyor. Serbest metin formatında ekserji analizi yapamıyor — bu bir 8B model sınırlaması.
• Aritmetik varyans: Aynı soru farklı çalıştırmalarda ±%2-3 farklı sayısal sonuçlar üretebiliyor. Deterministik sonuçlar için T=0.0 kullanılmalı, ancak bu çeşitliliği azaltıyor.
• EGM zayıflığı: Entropi üretimi minimizasyonu %72 ile en zayıf alan. Soyut optimizasyon muhakemesi 8B model kapasitesinin sınırında.
• Buhar tablosu yaklaşımı: Model CoolProp veya REFPROP gibi hassas veritabanları yerine eğitim verisinden öğrendiği yaklaşık değerler kullanıyor. ±%2 tolerans dahilinde doğru, ancak mühendislik tasarımı için CoolProp referansı tercih edilmeli.

Metodoloji

• Temel model: Qwen3-8B (Qwen/Qwen3-8B)
• Fine-tuning yöntemi: LoRA (Low-Rank Adaptation)
• LoRA konfigürasyonu: rank=64, alpha=128, dropout=0.05
• Kuantizasyon: 4-bit (QLoRA, bitsandbytes)
• Donanım: Tek tüketici GPU, 24GB VRAM
• Eğitim süresi: ~4 saat
• Eğitim verisi: 1235 doğrulanmış örnek (1500 üretimden)
• Veri üretimi: Claude Opus 4.6 API
• Referans kütüphanesi: CoolProp 7.2.0
• Tolerans: ±%2 (endüstriyel mühendislik standardı)
• Toplam maliyet: $216 (veri üretimi ~$180, fine-tuning ~$28, değerlendirme ~$8)
• Thinking mode: Kapalı (fine-tuned versiyonda daha iyi performans)
• Temperature: 0.7 (optimal denge)
• Benchmark: 6 analiz ailesi (ED, EE, AV, UN, EI, EGM)

Kaynaklar

• Model: HuggingFace — olivenet/entropy-hunter-v0.4
• Kaynak kod: GitHub — olivenet-iot/entropy-hunter
• CoolProp: coolprop.org
• Qwen3-8B: HuggingFace — Qwen/Qwen3-8B
• LoRA: HuggingFace PEFT