ÜÇ TRAFOLARI KATI YALITKAN YÜZEYİNDEKİ DEŞARJLARIN YAPAY ZEKA ile DEĞERLENDİRLMESİ

GÜÇ TRAFOLARI KATI YALITKAN YÜZEYİNDEKİ DEŞARJLARIN YAPAY ZEKA ile DEĞERLENDİRLMESİ Fatih ATALAR1, Berika Varol MALKOÇOĞLU2, Aysel ERSOY1, Rüya ŞAMLI2, Pawel ROZGA3, Rengaraj Madavan4 1 Department of Electrical and Electronics Engineering, Istanbul University-Cerrahpaşa, 34320 İstanbul, Turkey 2 Department of Computer Engineering, Istanbul University-Cerrahpaşa, 34320 İstanbul, Turkey 3 Institute of Electrical Power Engineering, Lodz University of Technology, 90-924 Łódź, Poland 4 K.Ramakrishnan College of Technology, Trichy, Tamilnadu, India ÖZET Güç trafolarının güvenli ve verimli çalışması, içerisinde kullanılan katı yalıtkan malzemelerin elektriksel dayanımına doğrudan bağlıdır. Bu malzemelerden biri olan pressboard (mukavva) tipi yalıtkan, işletme süresi boyunca yüksek elektrik alanlara maruz kalarak zamanla bozulmalara uğramaktadır. Özellikle sivri uçlu elektrotlardan kaynaklanan düzensiz elektrik alan dağılımları, yüzeyde kısmi deşarjlara neden olmakta ve bu deşarjlar sonucunda çeşitli geometrik desenler oluşmaktadır. Bu desenler, kullanılan elektrot tipi ve yalıtkanın elektriksel strese ne kadar süre maruz kaldığı hakkında önemli ipuçları sunmaktadır. Bu çalışmada, sabit 40 kV yüksek gerilim altında üç farklı elektrot konfigürasyonu (küre-düzlem, silindirdüzlem ve çubuk-düzlem) ile test edilen toplam 13 adet pressboard örneği değerlendirilmiştir. Tam elektriksel delinmeye kadar geçen süre deneysel olarak ölçülmüş ve her bir örnek için yüzeyde oluşan desenler yüksek çözünürlüklü olarak kaydedilmiştir. Elde edilen görseller, çok modlu analiz yeteneğine sahip GPT-4o adlı büyük dil modeli ile değerlendirilmiş, modelden her bir görsel için kullanılan elektrot tipi ve maruz kalma süresi tahmini istenmiştir. Model, yalnızca örnek tabanlı yönlendirme (few-shot prompting) yöntemiyle, herhangi bir yeniden eğitim gereksinimi olmadan çalıştırılmıştır. Test edilen 10 görsel örneği üzerinde yapılan analiz sonucunda model, elektrot tipini %80 doğrulukla doğru sınıflandırmış ve süre tahminlerinde çoğunlukla ±1.5 saatlik hata payıyla başarılı öngörülerde bulunmuştur. Elde edilen bulgular, GPT-4o’nun mühendislik temelli görsel analizlerde de etkin bir şekilde kullanılabileceğini göstermekte ve güç trafolarında kestirimci bakım uygulamaları için yeni nesil yapay zeka tabanlı karar destek sistemlerinin geliştirilmesine olanak sağlamaktadır. Anahtar Kelimeler: Güç trafosu, pressboard, yapay zeka, LLM, GPT-4o GİRİŞ Elektrik enerjisinin üretimi, iletimi ve dağıtımında kullanılan ekipmanların gelişen teknolojiyle her geçen gün güncellenmesi ve geliştirilmesi kesintisiz ve sürdürülebilir enerji açısından büyük önem arz etmektedir. Bilgi ve iletişim teknolojilerinin her geliştiği yeni çağ, algılayıcırla donatılmış bir elektrik şebekesinin oluşmasına katkı sağlamaktadır [1-3]. Böylece, uzaktan izleme imkanlarıyla olası hatalar en başından tespit edilip, kesintiye yol açmadan müdahale edilmektedir. Rölelerin, sensörlerin ve scada sistemlerinin entegrasyonu ile ortaya çıkan verilerin değerlendirilmesi de enerji kalitesini sürdürülebilir hale getirmektedir. Günümüzde hemen her mobil cihazda kullanılabilen yapay zeka teknolojilerinin elektrik enerji sistemlerinde yer alan ekipmanlarda kullanılmı her geçen gün artmaktadır. Güç trafolarının elektrik enerji sistemlerinin adeta kalbi olduğu bilinmektedir [4,5]. Üretimden son tüketiciye dağıtıma kadar farklı gerilim ve güç seviyelerinde çalışabilen güç trafolarının işletme ömrü boyunca sağlıklı çalışmasıyla kesintisiz enerji eldesi ancak mümkündür. Hidroelektrik, jeotermal, doğalgaz, güneş, rüzgar veya nükleer enerji santralinde üretilmiş elektrik enerjisinin ilk ve son işlem gördüğü yer güç trafolarıdır. Dolayısıyla, yalıtım sistemi güçlü olan bir trafonun bakımlarının da zamanında yapılmasıyla arıza durumu çok nadir görülmektedir [6,7]. Arıza riskini en aza indirmek için klasik yöntemlere ek olarak gelişen teknoloji ve yapay zeka entegrasyonu son yıllarda kullanılmaya başlamıştır. Stulov ve arkadaşları, güç transformatörlerinin tasarım süreçlerindeki zaman ve maliyetleri azaltma motivasyonuyla, yapay zeka (AI) tabanlı "Güç Transformatörleri Akıllı Tasarım" (PTSD) yaklaşımını sunmaktadır [8]. Yöntem olarak, optimum tasarımların sentezi için üretken tasarım (GDT) ve yapısal optimizasyon için genetik algoritmalar (GA) kullanılmıştır. Bu AI teknikleri, otomatik olarak oluşturulan eşdeğer devre (ECLib) ve alan modelleri (EMLib) ile desteklenmektedir. Sonuç olarak, bu AI yöntemlerinin hesaplama süresini kısalttığı, süreç analizini iyileştirdiği ve optimum tasarımların sentezini sağladığı belirtilmiştir. Özellikle, geliştirilen GA tabanlı optimizasyon alt sistemi kullanılarak 630-1600 kVA transformatör tasarımlarında %11'lik bir malzeme azalması elde edilmiştir. Žarković ve Stojković, güç transformatörlerinin durumunu izleme ve arıza teşhisi koymadaki zorlukları ele almaktadır. Motivasyonları, çok sayıda mevcut izleme verisine rağmen, arıza türünü ve olasılığını kesin olarak tahmin etmenin ve müdahale aciliyetine karar vermenin zorluğundan kaynaklanmaktadır. Yazarlar, bu soruna çözüm olarak, temelini Bulanık Mantık (Fuzzy Logic - FL) oluşturan bir yapay zeka (AI) metodolojisi önermektedir. Bu yaklaşım, uzman sistemler (Bulanık Kontrolörler - FC) oluşturmak için DGA, FRA, tgδ, PI, yaş ve sıcaklıklar gibi çok sayıda çevrimiçi ve çevrimdışı test parametresini birleştirir. Hem Mamdani hem de Sugeno tipi bulanık modeller incelenmiş, tek bir kontrolör ve geçmiş verileri de içeren beş ayrı kontrolörden oluşan iki farklı yapı test edilmiştir. Sırbistan iletim sisteminden alınan gerçek verilerle yapılan testler sonucunda, metodolojinin farklı arızaları tespit etmede kabul edilebilir etkinlik gösterdiği belirtilmiştir. FL kontrolörleri, müdahale aciliyetini 0 ile 1 arasında bir olasılık değeri olarak sayısal şekilde ifade etmektedir. Örneğin, durumu kritik olan 220/110 kV'luk bir transformatör için yüksek aciliyet değerleri (örn. Mamdani: 0.899, Sugeno: 0.65-0.797) elde edilirken, daha iyi durumdaki 400/110 kV'luk transformatör için düşük değerler (örn. Mamdani: 0.289, Sugeno: 0.15-0.218) hesaplanmıştır. Sonuçlar, Sağlık İndeksi (HI) gibi yerleşik yöntemlerle de uyumlu bulunmuş ve Sugeno modelinin arıza sınıflandırmasında başarılı olduğu (özellikle DGA için doğrulanmıştır) gösterilmiştir [9]. Rediansyah ve arkadaşları, güç transformatörlerinin Sağlık İndeksi (HI) belirlenmesinde karşılaşılan veri belirsizliği ve güvenilirlik sorunlarına odaklanmaktadır. Geleneksel skorlama-ağırlıklandırma (SW) yöntemlerinin doğruluğunun, eksik veya güvenilir olmayan verilere bağlı olarak düşebilmesi, çalışmanın temel motivasyonunu oluşturmaktadır. Yazarlar, bu sorunu çözmek için, yüksek doğrulukla transformatör sağlık durumunu belirleyebilen ve aynı zamanda veri belirsizliğini yönetebilen yapay zeka (AI) tabanlı bir HI yaklaşımı önermektedirler. Yöntem olarak, 504 adet 150 kV transformatörden toplanan yağ kalitesi, çözünmüş gaz analizi (DGA) ve kağıt durumu verileri kullanılarak yedi farklı AI algoritması (kNN, SVM, RF, Naïve Bayes, ANN, AdaBoost, Decision Tree) araştırılmıştır. Bu AI modellerinin performansı, geleneksel SW yöntemi referans alınarak karşılaştırılmıştır. Sonuçlar, Rastgele Orman (Random Forest - RF) modelinin, transformatör HI kategorisini tahmin etmede %97.3'lük bir doğrulukla en iyi performansı sergilediğini göstermiştir. Veri belirsizliğiyle başa çıkmak için, eksik verilerin ortalama/en sık değerle doldurulduğu bir ön işleme adımıyla (RFwP) RF modeli geliştirilmiştir. Bu RFwP yaklaşımının, düşük veri kesinlik seviyelerinde bile (%70'in üzerinde kesinlik seviyesinde %90'ın üzerinde doğruluk, en kötü durumda %10'un altında kesinlikte bile %50'nin üzerinde doğruluk) HI sınıflandırma doğruluğunu kabul edilebilir seviyelerde (%95'in üzerinde) tutabildiği ve belirsizlik durumlarında hem temel RF hem de SW yöntemlerinden belirgin şekilde daha iyi performans gösterdiği bulunmuştur [10]. Son yıllardaki literatür çalışmalarından da açıkça görüleceği üzere, güç trafolarının yapısal analizi ve işletme sağlığı için yapay zeka modellerinin kullanımı yaygınlaşmıştır. Bu çalışmada, laboratuvar ortamında kurulan yüksek gerlim test düzeneği ile güç trafolarında bulunan katı yalıtım malzemesi sabit gerilim ile küre-düzlem, silindir-düzlem ve çubuk-düzlem elektrot konfigüsaryonu ile deneysel olarak test edilmiştir. Pressboard yüzeyinde oluşan desenler yapay zeka ile LLM modeliyle değerlendirilmiş ve deneysel sonuçlarla tahminler karşılaştırılmıştır. MATERYAL ve YÖNTEM Bu çalışmada, dielektrik özellikleri bilinen pressboard (mukavva) malzemesinin yüksek gerilim testlerinde, farklı elektrot çiftleri ile oluşan delinme desenleri analiz edilmiştir. Yüsek gerilim test düzeneği (Şekil 1) daha önceki çalışamızda kullanılan modelin aynısıdır [11]. Buna göre 150 mm × 170 mm boyutlarında, fiber yoğunluğu 1.2 g/cm3 bağıl dielektrik sabiti εr = 4.1 olan 3 mm kalınlığındaki pressboardlar kullanılmıştır. Analiz sürecinde, delinme desenlerinden yola çıkarak kullanılan elektrot çiftini ve malzemenin elektrik alana ne kadar süre maruz kaldığını tahmin etmek amacıyla görsel tanıma yeteneğine sahip bir Büyük Dil Modeli (Large Language Model – LLM) modeli kullanılmıştır. Şekil 1. Test Kazanı ve Elektrot Sistemleri (a: Küresel, b: Çubuk, c: Silindir) Deneylerde üç farklı elektrot geometrisi kullanılmıştır: • Küre-düzlem: 62,5 mm çapında küre, 9 mm çapında ve 140 mm uzunluğunda pirinç sapla desteklenmiştir. • Çubuk-düzlem: 9 mm çapında, 140 mm uzunluğunda çubuk elektrot. • Silindir-düzlem: 9 mm çapında, 150 mm uzunluğunda silindir elektrot. Bu elektrotlar, yalıtkan malzeme üzerine yüksek gerilim uygulanarak delinmeye neden olmuştur. Her biri farklı yoğunluk ve şekilde delinme izleri bırakmaktadır. Deneyler sabit 40 Kv yüksek gerilim altında 3 farklı elektrot düzeninde yapılmıştır (Şekil 2). 13 adet pressboard elektriksel tam delinmeye uğrayana kadar teste tabi tutulmuştur. Testler sonucunda 13 adet pressboard yüzeyinde elektriksel deşarjlara bağlı kısmi deşarj ve tam deşarj desenleri oluşmuştur. Yüzeydeki bu desenler yapay zeka modelimiz için görsel olarak kullanılmıştır. Bu görsellerdeki izlere sebep olan elektrot tipi ve delinmeye kadar geçen süre bilgisi deneysel gözlemlerle elde edilmiştir. Şekil 2. Elektriksel Test Devresi Kullanılan Tahmin Modeli: GPT-4o Mevcut görsel sayısının, klasik makine öğrenmesi veya derin öğrenme modellerini eğitmek için yetersiz olması sebebiyle, bu çalışmada bir LLM modeli tercih edilmiştir. LLM’ler, büyük veri kümeleri üzerinde önceden eğitilmiş, metin ve diğer veri formatlarını tanıyabilen, özetleyebilen, çevirebilen ve yeni içerikler üretebilen derin öğrenme tabanlı yapay zeka modelleridir. Bu modellerin temelinde, uzun metin bağlamlarını anlamada ve dil üretiminde yüksek başarı sağlayan transformer mimarisi yer alır [12]. Bu çalışmada, çok modlu (multimodal) yapısı sayesinde metin, görsel ve ses gibi farklı veri türlerini aynı anda işleyebilen GPT’nin 4o versiyonu kullanılmıştır. GPT-4o, OpenAI tarafından geliştirilen ve görsel verileri yorumlayabilme yeteneği sayesinde yalnızca doğal dil işleme görevleriyle sınırlı kalmayıp, aynı zamanda görsel analiz yapabilme kapasitesine de sahip yeni nesil bir GPT modelidir [13]. Seçilen GPT-4o modeline elektrotlara maruz kalmış katı yalıtım malzemelerine ait görseller verilerek, elektrot tipi ve maruz kalma süresinin tahminlemesi yapılmıştır. Fakat bu tahminleme sırasında klasik görüntü işleme modellerindeki gibi GPT-4o modeli eğitim verisiyle yeniden eğitilmemiştir. Bunun yerine, belirli göreve özgü yönlendirme (prompting) yapılarak yeniden işlevlendirilmiştir. Bu görev için prompting yöntemlerinden biri olan örnek tabanlı bir yaklaşım benimsenmiştir. Bu yaklaşım, few-shot learning olarak bilinmektedir. Few-shot learning, LLM’lerin birkaç örnek üzerinden genelleme yapmasını sağlayan bir tekniktir. Model daha önce bu spesifik görevi öğrenmemiş olsa da, kullanıcı tarafından verilen birkaç örnekle (örneğin 3 referans görsel) bu görevi anlar ve benzer örnekler üzerinde çıkarım yapabilir. GPT-4o gibi modeller bu yöntemde, önceden eğitilmiş bilgi ile sağlanan örnekleri birleştirerek görev bağlamını kendi başına kavrar. Böylece özel bir eğitim veya ince ayar (fine-tuning) sürecine gerek kalmadan istenen yapı kurulabilir. Bu tahminleme süreci için aşağıdaki adımlar izlenmiştir: • İlk olarak, sistem yönlendirmesi amacıyla her biri farklı bir elektrot çiftini (silindir-düzlem, çubukdüzlem, küre-düzlem) temsil eden üç adet referans görsel seçilmiştir. Seçimde, delinme merkezinin şekli, iz yayılımı, renk yoğunluğu gibi görsel nitelikler göz önünde bulundurulmuştur. • GPT-4o modeli sistem promptları ve few-shotlar ile yönlendirilerek modelin tahmin etmesi istenen sınıflar ve özellikleri seçilen referans görseller aracılığı ile tanımlanmıştır. Her referans görsel için, kullanılan elektrot tipi ve delinene kadar geçen süre bilgisi açıkça belirtilmiştir. Bu sayede model, görsellerde aranan desen ve özellikleri tanımlayabilmiş ve test örneklerine uygulanabilir hale getirilmiştir. • Toplamda 10 farklı test görseli modele sunulmuş ve her biri için aşağıdaki iki temel bilgi modelden tahmin etmesi istenmiştir: 1. Hangi elektrot çiftinin kullanıldığı (silindir-düzlem, çubuk-düzlem, küre-düzlem) 2. Yaklaşık olarak maruz kaldığı süre (saat veya dakika cinsinden) Sonuçlar Tablo 1’de sunulmuş ve her bir tahmin, gerçek verilerle karşılaştırılarak değerlendirilmiştir. Tablo 1. Test Edilmiş Veriler ve Karşılaştırmalı Sonuçlar Görsel Deney Sonucu GPT-4o Tahmini 1 Silindir-düzlem 10 saat Küre-düzlem 18 saat 2 Küre-düzlem 22 saat Küre-düzlem 24 saat 3 Silindir-düzlem 1,5 saat Silindir-düzlem 1 saat 4 Küre-düzlem 12 saat Küre-düzlem 15 saat 5 Küre-düzlem 10 saat Küre-düzlem 15 saat 6 Küre-düzlem 17.5 saat Küre-düzlem 17 saat 7 Çubuk-düzlem 30 dk Çubuk-düzlem 25-30 dk 8 Silindir-düzlem 3.6 saat Silindir-düzlem 3 saat 9 Çubuk-düzlem 1.8 saat Çubuk-düzlem 45 dk 10 Küre-düzlem 12.5 saat Silindir-düzlem 4 saat Toplam 10 test görseli üzerinden yapılan değerlendirmede, model elektrot tipini %80 doğrulukla doğru tahmin edebilmiştir. Özellikle Küre-Düzlem ve Çubuk-Düzlem elektrot çiftleri için yapılan tahminlerde yüksek isabet oranı gözlenmiştir. Örneğin, Görsel 2, 4, 5 ve 6'da kullanılan Küre-Düzlem tipi eksiksiz tahmin edilmiş, ayrıca Çubuk-Düzlem kullanılan Görsel 7 de doğru olarak tahmin edilmiştir. Bu sonuçlar, modelin görsel desenler üzerinden fiziksel sistemleri ayırt edebilme becerisini ortaya koymaktadır. Buna karşın, yalnızca Görsel 1 ve 10’da elektrot tipi hatalı sınıflandırılmıştır. Görsel 1’de Silindir-Düzlem yerine Küre-Düzlem, Görsel 10’da ise Küre-Düzlem yerine Silindir-Düzlem tahmin edilmiştir. Bu hatalar muhtemelen bazı desenlerin birbirine morfolojik olarak benzemesinden kaynaklanmaktadır. Süre tahminlerinde ise modelin genel olarak makul bir aralıkta kaldığı, ancak daha fazla varyasyon gösterdiği gözlenmiştir. Doğru elektrot tipinin tahmin edildiği örneklerde süre tahmini hatası genellikle ±1.5 saat içinde kalmakta, örneğin Görsel 3’te 1.5 saatlik deneysel süreye karşılık modelin 1 saatlik tahmini oldukça isabetlidir. Ancak bazı örneklerde, özellikle Görsel 9’da (1.8 saat yerine 45 dakika) ve Görsel 10’da (12.5 saat yerine 4 saat) modelin ciddi sapmalar gösterdiği görülmektedir. Bu durum, modelin süreye bağlı görsel özellikleri tanıma kapasitesinin daha sınırlı olduğunu ve zaman tahmininde bağlamsal belirsizlikler taşıdığını göstermektedir. Yine de modelin, yeniden eğitilmeden yalnızca yönlendirme (prompting) ile bu denli başarılı tahminler yapabilmesi, görsel analiz tabanlı arıza teşhis uygulamaları için umut verici bir temel sunmaktadır. SONUÇ Bu çalışma, güç trafolarında kullanılan katı yalıtkan malzemelerin elektriksel delinme süreçlerinde oluşan yüzey desenlerinden faydalanarak, kullanılan elektrot tipini ve delinmeye kadar geçen süreyi tahmin etmeyi amaçlamıştır. Görsel analiz temelli bu yaklaşımda, çok modlu yapay zeka modeli GPT-4o’nun yönlendirme (prompting) yeteneklerinden yararlanılmış, klasik eğitim süreçleri olmaksızın yalnızca birkaç örnek üzerinden genelleme yapması sağlanmıştır. Toplam 10 test örneği üzerinde yapılan analizde, model elektrot tipini %80 doğrulukla doğru tahmin etmiş; süre tahminlerinde ise çoğunlukla ±1.5 saatlik hata aralığında kalmıştır. Bu sonuçlar, modelin görsel desenlere dayalı sınıflandırma ve regresyon görevlerinde başarılı performans sergilediğini ve bu tür görevler için LLM temelli yapay zeka modellerinin etkin şekilde kullanılabileceğini göstermektedir. Modelin eğitim gerektirmeden, yalnızca birkaç örnekle görev odaklı şekilde yönlendirilebilmesi, veri miktarının kısıtlı olduğu mühendislik uygulamalarında önemli bir avantaj sunmaktadır. Çalışmanın enerji sistemleri bakımından önemi, görsel izler üzerinden ekipman sağlığına dair kararların hızlı, doğru ve maliyet etkin şekilde alınabilmesini sağlamasında yatmaktadır. Endüstriyel olarak değerlendirildiğinde, bu yaklaşım sahada elde edilen delinme izlerinin dijitalleştirilerek analiz edilmesi yoluyla, trafolarda meydana gelen yalıtım hasarlarının tipini ve şiddetini önceden belirleyebilme olanağı sunmaktadır. Böylece bakım planlamaları optimize edilerek arıza riskleri azaltılabilir ve sistem güvenilirliği artırılabilir. Gelecek çalışmalar kapsamında, modelin tahmin doğruluğunu artırmak için daha geniş çaplı bir görsel veri seti oluşturulması, süre tahmini için zaman serisi analizleriyle desteklenen hibrit yapay zeka modellerinin kullanılması ve özellikle saha verileri ile sistemin doğrulanması planlanmaktadır. Ayrıca, farklı LLM ve görüntü işleme modelleriyle karşılaştırmalı performans analizleri gerçekleştirilerek, en uygun algoritma mimarisi belirlenebilir. Uzun vadede, bu yapının gerçek zamanlı arıza teşhisi ve öngörücü bakım sistemlerine entegre edilmesiyle, güç sistemleri ekipmanlarının dijital ikizine katkı sunması hedeflenmektedir. Kaynakça [1] Horowitz, Stanley H., Arun G. Phadke, and Charles F. Henville. Power system relaying. John Wiley & Sons, 2022. [2] Gryzlov, A. A., and M. A. Grigor’Ev. "Improving the reliability of relay-protection and automatic systems of electric-power stations and substations." Russian Electrical Engineering 89 (2018): 245-248. [3] Zhang, Yi, Marija D. Ilić, and Ozan K. Tonguz. "Mitigating blackouts via smart relays: A machine learning approach." Proceedings of the IEEE 99.1 (2010): 94-118. [4] Meira, Matias, et al. "Power transformers monitoring based on electrical measurements: state of the art." IET Generation, Transmission & Distribution 12.12 (2018): 2805-2815. [5] Short, Thomas Allen. Electric power distribution equipment and systems. CRC press, 2018. [6] Mopari, Shrikant S., et al. "Health assessment of converter transformer pressboard insulation based on FDS and digital image processing." Measurement: Sensors 29 (2023): 100873. [7] Atalar, Fatih, N. Özben Önhon, and Mukden Uğur. "Investigation of the effect of layered structure on partial discharges in transformer pressboard insulator." Electrical Engineering 105.6 (2023): 3459-3467. [8] Stulov, Alexey, Andrey Tikhonov, and Irina Snitko. "Fundamentals of artificial intelligence in power transformers smart design." 2020 International Ural Conference on Electrical Power Engineering (UralCon). IEEE, 2020. [9] Žarković, Mileta, and Zlatan Stojković. "Analysis of artificial intelligence expert systems for power transformer condition monitoring and diagnostics." Electric Power Systems Research 149 (2017): 125-136. [10] Rediansyah, Dhanu, Rahman Azis Prasojo, and A. Abu-Siada. "Artificial intelligence-based power transformer health index for handling data uncertainty." IEEE Access 9 (2021): 150637-150648. [11] Atalar, Fatih, et al. "Statistical analysis of induced magnetic fields on oil-impregnated insulation pressboards." Electrical Engineering 102.4 (2020): 2095-2107. [12] Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., ... & Polosukhin, I. (2017). Attention is all you need. Advances in neural information processing systems, 30. [13] OpenAI, “GPT-4o System Card”, https://openai.com/index/gpt-4o-system-card/ [23/04/2025]