Hidroelektrik santrallerde modal özelliklerin derin öğrenme esaslı analizi ve deprem kayıtlarında anomali tahmini
Deep learning-based analysis of modal properties in hydroelectric power plants and anomaly prediction in earthquake records
- Tez No: 1006687
- Danışmanlar: DR. ÖĞR. ÜYESİ EDA AVANOĞLU SICACIK
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Operasyonel modal analiz, Yapı dinamiği, Operational modal analysis, Structural dynamics
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, büyük ölçekli mühendislik yapılarının dinamik davranışlarını izlemek ve deprem erken uyarı potansiyelini artırmak amacıyla, gürültülü çevresel koşullar altında derin öğrenme, gelişmiş sinyal işleme ve topolojik veri analizini bütünleştiren bir çerçeve geliştirilmiştir. Gürsöğüt-2 Hidroelektrik Santrali (HES) baraj gövdesinden dört ve anakaya üzerinde bir adet ivmeölçerden elde edilen yüksek örneklemli ivme zaman serileri kullanılmıştır. Operasyonel Modal Analiz (OMA) kapsamında ivme verileri zaman ve frekans tanım alanında analiz edilerek doğal frekanslar, mod şekilleri ve sönüm oranları tahmin edilmiş; yapıya ait dinamik değişimler zamana bağlı olarak izlenmiştir. Tezin ilk bölümünde, ham ivme zaman serileri yerine türetilmiş özniteliklere dayalı bir yaklaşım benimsenmiş ve deprem öncesi anormalliklerin tespiti için Uzun Kısa Süreli Bellek (LSTM) tabanlı bir derin öğrenme modeli kullanılmıştır. İkinci bölümde, anakaya ve çevresel gürültü kaynaklı bileşenlerin ayrıştırılması amacıyla çift yönlü LSTM (Bidirectional Long Short Time Memory, Bi-LSTM) mimarisi uygulanmış; gürültüden arındırılmış veriler üzerinden Güç Spektral Yoğunluğu (Power Spectral Density, PSD), doğal frekanslar ve modal şekiller belirlenmiştir. Modal şekiller, Kalıcı Homoloji (Persistent Homology) ve Değişken Otoenkoder (Variational Autoencoder, VAE) tabanlı düşük boyutlu temsiller kullanılarak karşılaştırılmış; bu temsiller Kendini Düzenleyen Harita (Self Organizing Map, SOM) ve Yoğunluk Tabanlı Uzaysal Kümeleme (Density Based Spatial Clustering of Applications with Noise, DBSCAN) algoritmaları ile gruplanmıştır. Ayrıca, Maksimum Enerji Frekansı (Maximum Energy Frequency, MEF), Minimum Sönüm Frekansı (Minimum Damping Frequency, MDF) ve En Sık Gözlemlenen Frekans (Most Frequent Frequency, MFF) parametrelerine dayalı kombinasyonlar kullanılarak doğal ve çevresel titreşim bileşenleri ayrıştırılmıştır. Sonuçlar, özellikle 3–7 Hz aralığında yoğunlaşan ve düşük sönüm değerleri ile karakterize edilen modların yapıya özgü temel titreşim davranışını temsil ettiğini ve gürültülü ortamlarda dahi deprem öncesi anomalilerin erken tespit edilebildiğini göstermektedir. Bu çalışma, deprem erken uyarı, yapısal sağlık izleme ve otomatik modal analiz alanları için bütüncül ve genellenebilir bir metodolojik çerçeve sunmaktadır.
Özet (Çeviri)
In this study, an integrated framework combining deep learning, advanced signal processing, and topological data analysis is proposed to monitor the dynamic behavior of large-scale engineering structures and enhance earthquake early warning under noisy environmental conditions. High-sampling-rate acceleration data recorded from four sensors on the Gürsöğüt-2 Hydroelectric Power Plant (HPP) dam body and one sensor on the bedrock are analyzed within the scope of Operational Modal Analysis (OMA) to estimate natural frequencies, mode shapes, and damping ratios. In the first stage, a feature-based approach is adopted, and pre-earthquake anomalies are detected using a Long Short-Term Memory (LSTM) model. In the second stage, a Bidirectional Long Short-Term Memory (Bi-LSTM) architecture is employed to separate bedrock-induced and environmental noise components, enabling identification of Power Spectral Density (PSD), natural frequencies, and modal shapes. Modal comparisons are performed using low-dimensional representations obtained via Persistent Homology and Variational Autoencoder (VAE), clustered using Self-Organizing Map (SOM) and Density-Based Spatial Clustering of Applications with Noise (DBSCAN). Additionally, Maximum Energy Frequency (MEF), Minimum Damping Frequency (MDF), and Most Frequent Frequency (MFF) parameters are used to distinguish structural and environmental vibration components. The framework integrates data-driven learning with physics-informed modal interpretation, allowing anomaly detection and structural characterization within a unified architecture. The combination of topological feature extraction and density-based clustering enhances robustness against noise and non-stationary environmental effects. Results indicate that modes concentrated in the 3-7 Hz range with low damping ratios and consistent mode shapes represent structure-specific dynamic behavior, and pre-earthquake anomalies can be detected under noisy conditions. Overall, the framework provides a generalizable approach for earthquake early warning, structural health monitoring, and automated modal analysis.
Benzer Tezler
- Yanal su alma yapılı dolu gövdeli bağlamalarda ayırma duvarının sürüntü maddesine etkisi
Einfluss der trennwaendezur verhütung der seitlichen wasserentnahmen der fasten wehranglagen
TÜLAY ÖZBEK
- Doğu Anadolu hidroelektrik santrallarında verimlilik ölçülmesi
The measurement productive effiency in the hydroelectric plants of Eastern Anatolian region
SİBKAT KAÇTIOĞLU
- Türkiye'de kamu iktisadi teşebbüsleri gelişimi-hukuki yapısı özelleştirme çalışmaları
Başlık çevirisi yok
MİNE ÖZAYDINLIK
- Çambaşı (Trabzon-Çaykara) barajı ve Uzungöl hidroelektrik santral yerlerinin mühendislik jeolojisi açısından incelenmesi
Başlık çevirisi yok
FİKRİ BULUT
