"""Proje 3 — Kiriş sehimi için vekil model.

Basit mesnetli, düzgün yayılı yüklü bir kirişin orta açıklık sehimini δ = 5qL⁴/(384EI)
formülünden hesaplayıp 1.600 örneklik sentetik bir veri kümesi üretiyor, bu veriyle bir
Extra Trees vekil modeli eğitiyor ve yaklaşım hatasını ayrılmış test verisinde ölçüyoruz.
Açıklık 2–6 m, yayılı yük 500–2.500 N/m, atalet momenti 4×10⁻⁵–12×10⁻⁵ m⁴, E = 210 GPa sabit.
Bu değerler bir projeden alınmamıştır; kod bir sonlu eleman analizi yapmaz.

Çalıştır:  python kiris_vekil_model.py
Gerekenler: numpy, scikit-learn, matplotlib  (Python 3.12+)
Çıktılar:  terminale sayılar, aynı klasöre bir PNG grafiği (kiris_vekil_model.png)
"""
from pathlib import Path

import numpy as np
import matplotlib
matplotlib.use("Agg")  # pencere açmadan dosyaya çiz
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.ensemble import ExtraTreesRegressor
from sklearn.compose import TransformedTargetRegressor
from sklearn.metrics import mean_absolute_error, mean_squared_error

# --- Grafik stili (kurs genelinde aynı) ---
RENK = ["#2a78d6", "#eb6834", "#1baf7a", "#eda100", "#e87ba4", "#008300", "#6250d6", "#e34948"]
MUREKKEP, IKINCIL, SOLUK = "#0b0b0b", "#52514e", "#898781"
plt.rcParams.update({
    "figure.facecolor": "white", "axes.facecolor": "white", "savefig.facecolor": "white",
    "axes.edgecolor": "#c3c2b7", "axes.labelcolor": IKINCIL, "axes.titlecolor": MUREKKEP,
    "axes.titlesize": 11, "axes.titleweight": "bold", "axes.labelsize": 10,
    "xtick.color": IKINCIL, "ytick.color": IKINCIL, "font.size": 10,
    "axes.grid": True, "grid.color": "#e1e0d9", "grid.linewidth": 0.6,
    "axes.spines.top": False, "axes.spines.right": False,
    "axes.prop_cycle": plt.cycler(color=RENK), "lines.linewidth": 2, "legend.frameon": False,
})
KLASOR = Path(__file__).resolve().parent

# %% 1. Veri: analitik çözümden üretilen kirişler
rng = np.random.default_rng(42)
n = 1600
L = rng.uniform(2, 6, n)          # m, açıklık
q = rng.uniform(500, 2500, n)     # N/m, düzgün yayılı yük
E = 210e9                         # Pa, sabit elastisite modülü
I = rng.uniform(4e-5, 12e-5, n)   # m⁴, atalet momenti
X = np.column_stack([L, q, I])
y = 1000 * 5 * q * L**4 / (384 * E * I)  # orta açıklık sehimi, mm (formül metre verir)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=42)
print("=== 1. Veri ===")
print(f"Örnek: {n} (eğitim {len(X_train)}, test {len(X_test)}); "
      f"sehim aralığı {y.min():.4f}–{y.max():.4f} mm")

# %% 2. Vekil model: logaritmik hedefle Extra Trees (ayar araması yok)
model = TransformedTargetRegressor(
    regressor=ExtraTreesRegressor(n_estimators=160, random_state=42, n_jobs=1),
    func=np.log, inverse_func=np.exp)          # hedef pozitif: log üzerinde öğren, exp ile geri çevir
model.fit(X_train, y_train)
prediction = model.predict(X_test)

# %% 3. Analitik çözümle karşılaştırma (test verisi)
print("\n=== 2. Test ===")
print(f"Ortalama referansı MAE: {mean_absolute_error(y_test, np.full_like(y_test, y_train.mean())):.4f} mm")
print(f"Model MAE: {mean_absolute_error(y_test, prediction):.4f} mm")
print(f"Model RMSE: {np.sqrt(mean_squared_error(y_test, prediction)):.4f} mm")
print(f"En büyük mutlak hata: {np.max(np.abs(y_test-prediction)):.4f} mm")
bagil = 100 * (prediction - y_test) / y_test           # bağıl hata (%)
print(f"Bağıl hata: ortalama mutlak %{np.mean(np.abs(bagil)):.1f}, en büyük %{np.max(np.abs(bagil)):.1f} "
      f"(sehimi {y_test[np.argmax(np.abs(bagil))]:.4f} mm olan kirişte)")
assert np.isfinite(prediction).all() and (prediction > 0).all()

# %% 4. Grafik
fig, ax = plt.subplots(1, 2, figsize=(10, 4.2), layout="constrained")
ax[0].scatter(y_test, prediction, s=14, color=RENK[0], alpha=.6, label="Test kirişi")
limit = max(y_test.max(), prediction.max())
ax[0].plot([0, limit], [0, limit], color=MUREKKEP, ls="--", lw=1.2, label="Kusursuz eşleşme")
ax[0].set(xlabel="Analitik sehim (mm)", ylabel="Model tahmini (mm)", title="Kiriş sehimi, ayrılan test verisi")
ax[0].legend(loc="upper left")
ax[1].scatter(y_test, bagil, s=14, color=RENK[0], alpha=.6)
ax[1].axhline(0, color=MUREKKEP, lw=1)
ax[1].set_xscale("log")
ax[1].set(xlabel="Analitik sehim (mm, log ölçek)", ylabel="Bağıl hata (%)",
          title="Bağıl hata ve sehim büyüklüğü")
fig.savefig(KLASOR / "kiris_vekil_model.png", dpi=160)
plt.close(fig)
print("\nGrafik kaydedildi: kiris_vekil_model.png")
