Hızlı yapısal risk değerlendirme için bir görüntü işleme uygulaması
An image processing application for rapid structural risk assessment
- Tez No: 1006978
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN EROL
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekanik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Depremler, yapı mühendisliği açısından ciddi riskler barındıran doğal afetler arasında yer almakta; özellikle taşıyıcı sistem yetersizlikleri bulunan yapılarda ağır yapısal hasarlara ve ciddi can kayıplarına neden olabilmektedir. Bu nedenle, yapı stokunun mevcut durumunun deprem öncesinde sistematik ve hızlı bir biçimde değerlendirilmesi, afet yönetimi ve risk azaltma stratejileri açısından büyük önem taşımaktadır. Bu tez çalışmasında, bina cephe görsellerinden yapısal risk göstergelerinin otomatik olarak sınıflandırılmasına yönelik evrişimli sinir ağı (Convolutional Neural Network- CNN) tabanlı bir model geliştirilmiştir. Çalışma, görüntü işleme ve derin öğrenme tekniklerini bir araya getirerek sahada uzman gerektirmeyen, hızlı ve ölçeklenebilir bir karar destek mekanizması sunmayı amaçlamaktadır. Modelin eğitimi için, Türkiye'de meydana gelen büyük çaplı bir depremin ardından çeşitli illerden toplanan geniş çaplı görsel veri seti kullanılmış; bu görseller mühendislik temelli etiketleme kriterlerine göre belirli yapısal özellikler üzerinden sınıflandırılmıştır. Görüntüler, çeşitli ön işleme adımlarına tabi tutulmuş ve her bir sınıf için ayrı modeller eğitilerek yapay zekâ temelli sınıflandırma yapılmıştır. Çalışma, görsel veriler aracılığıyla yapı stokunun değerlendirilmesine yönelik yeni bir yaklaşım sunmakta ve özellikle hızlı risk değerlendirme açısından geleneksel yöntemlere önemli bir alternatif teşkil etmektedir. Geliştirilen sistemin, afet öncesi müdahale planlaması, kentsel dönüşüm önceliklendirmesi ve yapı güvenliği analizleri gibi pek çok alanda kullanılabilir potansiyele sahip olduğu değerlendirilmektedir.
Özet (Çeviri)
Earthquakes are among the most critical natural disasters in terms of structural engineering, posing significant risks, particularly in buildings with insufficient load-bearing systems. Therefore, the systematic and rapid assessment of the existing building stock before a seismic event is of great importance for effective disaster management and risk reduction strategies. In this thesis, a convolutional neural network (CNN)-based model has been developed to automatically classify structural risk indicators from building façade images. By integrating image processing and deep learning techniques, the study aims to provide a fast, scalable, and expert-independent decision support mechanism. For model training, a large-scale visual dataset was compiled from various provinces in Turkey following a major earthquake event. These images were labeled based on engineering-based classification criteria that reflect key structural characteristics. After undergoing a series of preprocessing steps, individual CNN models were trained for each classification category to perform AI- based recognition. This study introduces a novel approach for assessing the condition of building stock using visual data and presents a significant alternative to traditional methods, particularly for rapid seismic risk assessment. The developed system is considered to have high potential for use in pre-disaster intervention planning, prioritization of urban transformation, and structural safety evaluations.
Benzer Tezler
- Detection of cancerous brain cells with machine learning
Makine öğrenimi ile kanserli beyin hücrelerinin tespiti
UYGAR CANKAT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TANER DANIŞMAN
- Enhancing disaster management through deep learning: Building damage assessment using satellite imagery
Derin öğrenme ile afet yönetiminin geliştirilmesi: Uydu görüntüleri kullanılarak bina hasar tespiti
MOHAMMADREZA MOHAMMADIAHANI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiAfet ve Acil Durum Yönetimi Ana Bilim Dalı (disiplinlerarası)
PROF. DR. DİDEM SALOĞLU DERTLİ
- Betonarme binaların hızlı görsel değerlendirme yöntemleriyle değerlendirilmesinde kullanılan yapısal kusurların birleşik etkilerini dikkate alan olumsuzluk puanlarının enerji tabanlı yaklaşım kullanılarak belirlenmesi
Determination of vulnerability scores with energy based method which consider the combined effects of structural deficiencies used in the scope of rapid visual screening of reinforced concrete buildings
NURBANU DEMİRBAŞ
Doktora
Türkçe
2024
Deprem MühendisliğiFırat Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜMEYRA ŞAHİN
DOÇ. DR. CENGİZHAN DURUCAN
- Betonarme yapılarda bölgesel risk önceliklerini belirlemek için akıllı bir yaklaşım
An intelligent approach to determine the regional risk priorities in reinforced-concrete structures
ESRA OĞLAĞO
Yüksek Lisans
Türkçe
2026
İnşaat MühendisliğiBitlis Eren Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ERCAN IŞIK
DOÇ. DR. MEHMET AKİF BÜLBÜL
- Betonarme binaların farklı hızlı değerlendirme yöntemleri ile değerlendirilmesi
Determination of regional risk priorities of reinforced concrete structures with artifical neural networks
MERT HAMAMCIOĞLU
Yüksek Lisans
Türkçe
2025
İnşaat MühendisliğiBitlis Eren Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ERCAN IŞIK