Application of various machine learning approaches to estimate liquefaction risk
Çeşitli özdevimli öğrenme tekniklerinin sıvılaşma riskinin tahmin edilmesinde uygulanması
- Tez No: 474377
- Danışmanlar: PROF. DR. FAZLI EROL GÜLER, PROF. DR. MELTEM SEBA ÖZTURAN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 76
Özet
Yapılan çalışmada, özdevimli öğrenme de yaygın olarak kullanılan dört yaklaşım modelinin (quadratic discriminant analysis, artificial neural networks, random forest ve support vector machine), sıvılaşma riski ve toprak sismik özeliğini modellemek adına uygulanabilirliği incelenmektedir. Bu sıralar bilgisayımsal hızın gelişmesi ile birlikte, bu tür yaklaşımlar mühendislere, hızlı ve ekonomik sonuçlar ve bir çok durumda yapı ile ilgili yapılan aşırı varsayımların ihtiyacını azaltarak, kolay çozüm olanağı sağlar. Özdevimli öğrenme teknikleri verileri kullanarak bilgi çıkarımı yapabilir. Bu tez için, 415 vaka geçmişi veritabanı olarak kullanılmıştır. Üç adet toprak parametresi (derinlik kritik tabaka, σv, VS1) ve iki sesmik parametre (Mw, PGA) model girdisi olarak ve toprağın sıvılaşma potansiyeli çıktı olarak dikkate alınmıştır. Deney sonunda belirtilen modeller, toprağın sıvılaşıp sıvılaşmayacağını mantıklı bir şekilde tahmin etmiştir, ancak random forest, diğer metotlardan daha iyi olduğunu ve modelleme olarak daha doğru sonuç verdiğini göstermiştir. Son olarak random forest performansı, diğer basitleştirilmiş (geleneksel) yaklaşımların performansı ile karşılaştırılmış ve bu şekilde toprağın sıvılaşmasının mümkün olup olmadığı değerlendirilmiştir.
Özet (Çeviri)
In this thesis, the possibility of using quadratic discriminant analysis (QDA), artificial neural networks (ANN), random forest and support vector machine (SVM), which are four famous machine learning approaches, to model the complex relationship between liquefaction risk and soil seismic features has been investigated. Nowadays with the development of computational speed, such approaches can give engineers faster and economical results and in many cases there is no need to take extreme assumptions about the structure of a problem in order to simplify and make it solvable. Machine learning techniques use data to extract information. For this thesis, a liquefaction database with 415 case histories has been used. Three soil parameters (depth to critical layer, σv, VS1) and two seismic parameters (Mw, PGA) are considered as the models inputs and the liquefaction potential of soil is the output. It has been shown that all of the mentioned models can reasonably predict whether a soil is liquefiable or not, however, random forest outperformed the other methods and showed the most accuracy amongst the models. Finally random forest performance has been compared to the performance of the simplified approach, which is a traditional solution, to assess whether a soil is liquefiable or not.
Benzer Tezler
- Evaluating performance of different remote sensing techniques and various interpolation approaches for soil salinity assessment
Toprak tuzluluğu değerlendirmesi için farklı uzaktan algılama teknikleri ve çeşitli interpolasyon yaklaşımlarının performansının değerlendirilmesi
TAHA GORJI
Doktora
İngilizce
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. AYŞE GÜL TANIK
- Yeni makine öğrenmesi metotları ve ilaç tasarımına uygulamaları
New machine learning algorithms and applications to drug design
MEHMET FATİH AMASYALI
Doktora
Türkçe
2008
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Bölümü
PROF. DR. OKAN ERSOY
PROF. DR. OYA KALIPSIZ
- Ground penetrating radar antenna design to detect buried object and signal processing with deep learning networks by usingnumerical electromagnetic methods
Gömülü hedef tespit etmek için yere nüfuz eden radar anten tasarımı ve sayısal elektromanyetik yöntemler kullanarak derin öğrenme ağları ile sinyal işleme
REYHAN YURT
Doktora
İngilizce
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMİD TORPİ
- Gemi yapılarında gerilme yığılması öngörülerinin kaba ağ yapısı ve makine öğrenmesi ile gerçekleştirilmesi
The forecasting of stress concentration in ship buildings by using rough mesh structure and machine learning method
BURÇİN ATEŞ
Yüksek Lisans
Türkçe
2020
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERDAR AYTEKİN KÖROĞLU
- Leaf area index and above ground biomass estimation fromunmanned aerial vehicle and terrestrial lidar data usingmachine learning approaches
Başlık çevirisi yok
GÖZDE COŞKUN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolWageningen UniversiteitDR. BENJAMİN BREDE
DR. HARM BARTHOLOMEUS