Tarihi kemer köprülerin dinamik davranışının parametrik modelleme ve makine öğrenmesi yöntemleriyle tahmini
Prediction of the dynamic behavior of historical arch bridges using parametric modeling and machine learning methods
- Tez No: 1023621
- Danışmanlar: DOÇ. DR. PINAR USTA EVCİ
- Tez Türü: Doktora
- Konular: Deprem Mühendisliği, Earthquake Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Isparta Uygulamalı Bilimler Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, tarihi yığma kemer köprülerin dinamik davranışının hızlı ve güvenilir bir şekilde belirlenmesine yönelik parametrik ve veri temelli bir yaklaşım önerilmiştir. Çalışma kapsamında farklı geometrik özellikler, malzeme parametreleri ve sismik talep büyüklükleri sistematik olarak değiştirilerek geniş kapsamlı bir parametrik sonlu eleman analiz veri tabanı oluşturulmuştur. Oluşturulan veri seti kullanılarak köprülerin birinci ve ikinci doğal frekansları, tepe yer değiştirmesi ve karakteristik gerilme bileşenleri makine öğrenmesi yöntemleri ile tahmin edilmiştir. Çalışmada destek vektör regresyonu, Random Forest, XGBoost, LightGBM ve çok katmanlı algılayıcı gibi farklı makine öğrenmesi algoritmaları uygulanmış ve modellerin performansları çeşitli istatistiksel ölçütler kullanılarak karşılaştırılmıştır. Elde edilen sonuçlar, özellikle ağaç tabanlı algoritmaların ve destek vektör regresyonunun dinamik davranış tahminlerinde yüksek doğruluk sağladığını göstermiştir. Ayrıca parametrik veri seti kullanılarak sembolik regresyon yöntemi ile köprü davranışını temsil eden kapalı form denklemler elde edilmiş, bu denklemler literatürdeki gerçek köprü verileri üzerinde test edilmiş ve mevcut ampirik frekans formüllerine kıyasla daha yüksek doğruluk sağladığı görülmüştür. Çalışmanın bir diğer önemli çıktısı, geliştirilen makine öğrenmesi modelleri ve sembolik regresyon denklemlerini kullanarak tarihi kemer köprülerin frekans, yer değiştirme ve gerilme taleplerini hızlı biçimde tahmin edebilen bir masaüstü yazılım aracının geliştirilmesidir. Yazılım aynı zamanda Eurocode 8-3, FEMA 356 ve TBDY-2018 esaslarına dayalı yer değiştirme ve gerilme kontrollü performans değerlendirmelerini otomatik olarak gerçekleştirebilmektedir. Elde edilen sonuçlar, makine öğrenmesi ve sembolik regresyon tabanlı yaklaşımların tarihi yığma kemer köprülerin sismik davranışının hızlı ve güvenilir biçimde değerlendirilmesinde etkili bir araç olduğunu göstermektedir.
Özet (Çeviri)
In this dissertation, a parametric and data-driven approach is proposed for the rapid and reliable determination of the dynamic behavior of historical masonry arch bridges. Within the scope of the study, an extensive parametric finite element analysis database was generated by systematically varying geometric properties, material parameters, and seismic demand levels. Using the generated dataset, the first and second natural frequencies, peak displacement, and characteristic stress components of the bridges were predicted by machine learning methods. In the study, different machine learning algorithms, including support vector regression, Random Forest, XGBoost, LightGBM, and multilayer perceptron, were applied, and their performances were compared using various statistical metrics. The results showed that especially tree-based algorithms and support vector regression provided high accuracy in predicting dynamic behavior. In addition, closed-form equations representing bridge behavior were obtained using symbolic regression based on the parametric dataset; these equations were tested on real bridge data from the literature and were found to provide higher accuracy than existing empirical frequency formulas. Another important outcome of the study is the development of a desktop software tool that can rapidly predict the frequency, displacement, and stress demands of historical arch bridges using the developed machine learning models and symbolic regression equations. The software can also automatically perform displacement- and stress-controlled performance assessments based on Eurocode 8-3, FEMA 356, and TBDY-2018 provisions. The obtained results show that machine learning- and symbolic regression-based approaches are effective tools for the rapid and reliable assessment of the seismic behavior of historical masonry arch bridges.
Benzer Tezler
- Performance of historical bridge subjected to theblast loads
Patlama yüklerıne maruz kalan tarıhı köprününperformansı
AMIN BAGHERZADEH AZAR
Doktora
İngilizce
2025
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ SARI
- Bursa Ulu Cami yazıları
The Calligraphies of Ulu Cami in Bursa
CEMALETTİN ÖNALAN
Yüksek Lisans
Türkçe
1988
Sanat TarihiGazi ÜniversitesiSanat Tarihi Ana Bilim Dalı
DOÇ. DR. REFET YİNANÇ
- Cam ve plastik seraların sonbahar domates üretimi yönünden karşılaştırılması
Başlık çevirisi yok
ERGUN DURAN
- İbrahim Hakkı Erzurumi'nin Tertib-i ulum isimli eserindeki eğitimle ilgili görüşleri
Başlık çevirisi yok
ÖMER ÖZYILMAZ
Yüksek Lisans
Türkçe
1986
Eğitim ve ÖğretimUludağ ÜniversitesiDin Kültürü ve Ahlak Bilgisi Eğitimi Ana Bilim Dalı
YRD. DOÇ. DR. HALİS AYHAN