Effective spam detection systems are essential in online social media networks (OSNs) and cybersecurity, and they directly influence the quality of decision-making pertaining to security. With today’s digital communications, unsolicited spam degrades user experiences and threatens platform security. Machine learning-based spam detection systems offer an automated defense. Despite their effectiveness, such methods are frequently hindered by the “black box” problem, an interpretability deficiency that constrains their deployment in security applications, which, in order to comprehend the rationale of classification processes, is crucial for efficient threat evaluation and response strategies. However, their effectiveness hinges on selecting an optimal feature subset. To address these issues, we propose a lightweight, explainable spam detection model that integrates a nature-inspired optimizer. The approach employs clean data with data preprocessing and feature selection using a swarm-based, nature-inspired meta-heuristic Rüppell’s Fox Optimization (RFO) algorithm. To the best of our knowledge, this is the first time the algorithm has been adapted to the field of cybersecurity. The resulting minimal feature set is used to train a supervised classifier that achieves high detection rates and accuracy with respect to spam accounts. For the interpretation of model predictions, Shapley values are computed and illustrated through swarm and summary charts. The proposed system was empirically assessed using two datasets, achieving accuracies of 99.10%, 98.77%, 96.57%, and 92.24% on Dataset 1 using RFO with DT, KNN, AdaBoost, and LR and 98.94%, 98.67%, 95.04%, and 94.52% on Dataset 2, respectively. The results validate the efficacy of the suggested approach, providing an accurate and understandable model for spam account identification. This study represents notable progress in the field, offering a thorough and dependable resolution for spam account detection issues.

Malzeme biliminde işlem-mikroyapı ve mekanik özellikler arasındaki çok iyi bir ilişki bulunmaktadır. Çeliklerin oda sıcaklığındaki mekanik özellikleri doğrudan mikroyapıda bulunan ferrit, sementit ve perlit hacim oranlarına ve tane boyutlarına bağlıdır. Bu çalışmada, AISI 1040 çeliğinin mikroyapı görüntülerinden yapay zekâ ile oda sıcaklığındaki çekme özelliklerinin tahmini gerçekleştirilmiştir. AISI 1040 çeliğinden ASTM-E8/E8M standardına uygun olarak hazırlanan çekme numuneleri oda sıcaklığında çekme testine tabii tutulmuştur. Sonraki adımda aynı çekme numunelerinin deforme olmamış bölgelerinden metalografik numune hazırlanıp mikroyapı resimleri elde edilmiş, ferrit ve perlit hacim oranları görüntü analizi yazılımıyla hesaplanmıştır. Bu veriler ile özgün bir veri seti oluşturulmuştur. Evrişimsel Sinir Ağı kullanılarak, mikroyapı resimlerinden akma, çekme ve kopma gerilimi değerleri tahmin edilmiştir. Gerçekleştirilen deneyler sonucunda mikroyapı resimlerinden AISI 1040 çeliğinin mekanik özelliklerinin başarılı bir şekilde tahmininin gerçekleştirilebileceği ortaya konulmuştur (MSE=4,36, RMSE=2,08, MAE=1,66, R2=0,99).