Geri Dön

Earthquake risk assessment using artifical intelligence

Yapay zekâ kullanilarak deprem risk değerlendirmesi

PDF İndir

  1. Tez No: 1010326
  2. Yazar: BILAL EIN LAROUZI
  3. Danışmanlar: Prof. Dr. YASİN FAHJAN
  4. Tez Türü: Doktora
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapı Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Depremler, insan yaşamı ve sosyo-ekonomik sistemler için ciddi tehditler oluşturan, en öngörülemez ve yıkıcı doğal afetler arasında yer almaktadır. Depremlerin kendileri önlenemese de, bu çalışma hızlı ve güvenilir deprem sonrası hasar tespitiyle desteklenen etkili afet yönetiminin, can kayıplarını önemli ölçüde azaltabileceğini ve sosyal ile ekonomik kayıpları sınırlayabileceğini ortaya koymaktadır. Zamanında gerçekleştirilen hasar tahmini; acil müdahale faaliyetlerinin başlatılması, bina incelemelerinin önceliklendirilmesi ve kaynakların etkin biçimde tahsis edilmesi açısından kritik öneme sahiptir. Bu bağlamda, makine öğrenmesi; büyük ve karmaşık veri kümelerini işleme yeteneği ile sismik, yapısal ve coğrafi değişkenler arasındaki doğrusal olmayan ve birbirine bağlı ilişkileri yakalayabilmesi sayesinde son on yılda giderek daha fazla ilgi görmektedir. Bu tez, gerçek saha incelemelerine dayalı ve gözlenen gerçek hasar durumlarını ile yapısal davranışı yansıtan veriler kullanılarak geliştirilmiş bir deprem sonrası bina hasar tahminine yönelik makine öğrenmesi tabanlı bir çerçevenin geliştirilmesini ve doğrulanmasını sunmaktadır. Saha verileri, REDAS yazılımı kullanılarak senaryo temelli analizler yoluyla üretilen yer hareketi parametreleri ile entegre edilmiş ve her bina konumu için tutarlı sismik talep tahminleri elde edilmiştir. Ayrıca, açık kaynaklı veritabanlarından elde edilen coğrafi özellikler de veri setini zenginleştirmek amacıyla çalışmaya dahil edilmiştir. Önerilen çerçeve, Türkiye'de meydana gelen iki büyük deprem olayı üzerinden değerlendirilmiştir: 2020 İzmir depremi ve 2023 Kahramanmaras deprem dizisi. İzmir depremi, geliştirilen modellerin performansını değerlendirmek için iyi belgelenmiş bir gerçek dünya referansı sunmaktadır. Deprem sonrası saha incelemelerinden elde edilen yapısal özellikler ve hasar durumları, sismik ve coğrafi verilerle birleştirilerek birden fazla makine öğrenmesi algoritmasının eğitilmesi ve test edilmesi için kullanılmıştır. Özellik seçiminin etkisini incelemek amacıyla iki farklı veri seti yapılandırması ele alınmıştır. Elde edilen sonuçlar, bina yaşının girdi parametresi olarak eklenmesinin model performansını önemli ölçüde artırdığını açıkça göstermektedir. Bina yaşının dahil edildiği modellerde doğruluk oranı yaklaşık %90'a ulaşırken, bu parametrenin dışlandığı modellerde doğruluk yaklaşık %80 seviyesinde kalmıştır. Karışıklık matrisi analizleri, bina yaşını içeren modellerin ağır hasarlı binaları doğru biçimde tanımlamada çok daha başarılı olduğunu ortaya koymakta ve bu parametrenin yapısal kırılganlığın temsilindeki kritik rolünü vurgulamaktadır. Kahramanmaras deprem dizisi, geniş bir bölgeyi ve farklı yapı türlerini etkileyen son derece şiddetli bir sismik olayı temsil etmektedir. Bu çalışmada oluşturulan veri seti, yığma ve betonarme binaları kapsamakta ve bina, ilçe ve şehir ölçeklerinde ikili sınıflandırma, üç sınıflı (trafik ışığı) ve dört sınıflı hasar sınıflandırma yaklaşımları kullanılarak değerlendirilmiştir. İkili sınıflandırma görece yüksek doğruluk değerleri sunsa da, güvenli olmayan binaların önemli bir kısmının güvenli olarak sınıflandırılması nedeniyle uygulamada ciddi riskler barındırmaktadır. Dört sınıflı hasar sınıflandırması daha ayrıntılı bilgi sağlamasına rağmen, komşu hasar seviyeleri arasındaki yüksek karışma nedeniyle güvenilirliğini kaybetmektedir. Buna karşılık, üç sınıflı trafik ışığı sınıflandırması, güvenli ve güvensiz binalar arasındaki düşük karışma oranı ile en dengeli ve güvenilir performansı sunmaktadır. İncelenen algoritmalar arasında, bu sınıflandırma şeması için en tutarlı ve sağlam sonuçları Bagging sınıflandırıcısının sağladığı görülmüştür. İlçe ve şehir ölçeklerinde yapılan değerlendirmelerde, önerilen modellerin gözlenen hasar dağılımlarını başarıyla yeniden üretebildiği ve büyük ölçekli hasar tahmini ile bölgesel karar verme süreçlerini destekleyebilecek kapasitede olduğu doğrulanmıştır. Sonuç olarak, bu tez gerçek gözlem verilerine dayalı, pratik ve farklı bölgelere uyarlanabilir bir makine öğrenmesi tabanlı deprem sonrası hasar tahmin çerçevesi sunmaktadır. Bulgular, üç sınıflı trafik ışığı hasar sınıflandırmasının doğruluk, açıklık ve operasyonel kullanılabilirlik açısından en uygun yaklaşım olduğunu göstermektedir. Önerilen yöntem, afet yönetimi çalışmalarını destekleyebilecek ve deprem riski yüksek bölgelerde can ve mal kayıplarının azaltılmasına katkı sağlayabilecek gerçekçi ve ölçeklenebilir bir çözüm sunmaktadır.

Özet (Çeviri)

Earthquakes are considered one of the most unpredictable and destructive natural disasters, posing real threats to human life and socio-economic systems. While earthquakes themselves cannot be prevented, this study confirms that effective disaster management—supported by rapid and reliable post-earthquake damage assessment— can significantly reduce casualties and limit social and economic losses. Timely damage estimation is essential for guiding emergency response, prioritizing inspections, and allocating resources efficiently. In this context, machine learning has gained increasing attention over the past decade because of its strong ability to process large and complex datasets and to capture nonlinear relationships among seismic, structural, and geospatial factors. This thesis develops and validates a machine learning–based framework for postearthquake building damage estimation using real field inspection data that reflects actual observed damage and structural behavior. The field data are integrated with scenario-based ground-motion parameters generated using REDAS software, providing consistent seismic demand estimates at building locations. In addition, geospatial features extracted from open-source databases are incorporated to enrich the dataset. The proposed framework is evaluated through two major earthquake case studies in Turkiye: the 2020 Izmir earthquake and the 2023 Kahramanmaras earthquake sequence. The Izmir earthquake serves as a well-documented benchmark for model evaluation. Post-earthquake inspection data were combined with seismic and geospatial information to train and test multiple machine learning algorithms. Two dataset configurations were examined to assess the influence of feature selection. The results clearly demonstrate that including building age as an input parameter significantly improves model performance, increasing prediction accuracy to nearly 90% compared to approximately 80% when this feature is excluded. Confusion matrix analysis shows that models incorporating building age are far more effective at identifying severely damaged buildings, emphasizing the critical role of this parameter in representing structural vulnerability. The Kahramanmaras earthquake sequence represents an extreme seismic event affecting a wide region and diverse building stock. The corresponding dataset includes both masonry and reinforced concrete buildings and is evaluated using binary, threeclass (traffic-light), and four-class damage classification schemes at building, district, and city scales. While binary classification achieves relatively high accuracy, it results in an unacceptably high rate of unsafe buildings being misclassified as safe, limiting its practical use. The four-class scheme provides more detailed damage information but suffers from substantial confusion between adjacent damage levels. In contrast, the three-class traffic-light classification demonstrates the most reliable and balanced performance, with low confusion between safe and unsafe buildings. Among the tested algorithms, the Bagging classifier shows the most robust and consistent results for this classification scheme. At district and city scales, the proposed models successfully reproduce observed damage distributions, confirming their suitability for large-scale damage assessment and regional decision-making. Overall, this thesis presents a practical and transferable machine learning framework for rapid post-earthquake damage estimation based on real observed data. The findings indicate that the three-class traffic-light damage classification offers the best balance between accuracy, clarity, and operational relevance for emergency response. The proposed approach provides a realistic and scalable solution that can support disaster management efforts and contribute to reducing human and economic losses in earthquake-prone regions.

Benzer Tezler

  1. Tez No

    894482

    Betonarme yapıların bölgesel risk önceliklerinin hibrit bir yapay zeka modeli ile sınıflandırılması

    Classification of regional risk priorities of reinforced concrete structures with a hybrid artificial intelligence model

    ÖZGE YAYLA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiBitlis Eren Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ERCAN IŞIK

    DR. ÖĞR. ÜYESİ MEHMET AKİF BÜLBÜL

  2. Tez No

    946291

    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

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Afet ve Acil Durum Yönetimi Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. DİDEM SALOĞLU DERTLİ

  3. Tez No

    793876

    Bingöl ilindeki konut türü yapılar için hızlı değerlendirme yöntemlerinin yapay sinir ağları kullanılarak karşılaştırılması

    Comparison of rapid evaluation methods for residential buildings in Bingöl province by using artificial neural networks

    SADIK VAROLGÜNEŞ

    Doktora

    Türkçe

    Türkçe

    2023

    İnşaat MühendisliğiDicle Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULHALİM KARAŞİN

  4. Tez No

    764304

    Derin öğrenme sınıflandırıcıları kullanarak bina cephe görüntülerinin hızlı görsel tarama analizi

    Fast visual analysis of building facade images using deep learning classifier for rapid visual screening

    FUAT YALINIZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Mekatronik MühendisliğiKto Karatay Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AMIR YAVARIABDI

    PROF. DR. MUSA HAKAN ARSLAN

  5. Tez No

    975740

    Deep learning classification of column scraping photographs used in structural health assessment within the scope of transformation of areas under disaster risk plan

    Afet risk altındaki alanların dönüşümü planı kapsamında yapısal sağlık değerlendirmesinde kullanılan kolon kazıma fotoğraflarının derin öğrenme ile sınıflandırılması

    CAN DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    İnşaat MühendisliğiÇankaya Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEDA SELÇUK

Geri Dön