Geri Dön

Application of various machine learning approaches to estimate liquefaction risk

Çeşitli özdevimli öğrenme tekniklerinin sıvılaşma riskinin tahmin edilmesinde uygulanması

  1. Tez No: 474377
  2. Yazar: AMIN SHOARI NEJAD
  3. Danışmanlar: PROF. DR. FAZLI EROL GÜLER, PROF. DR. MELTEM SEBA ÖZTURAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. 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

  1. 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

    İngilizce

    2021

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. AYŞE GÜL TANIK

  2. Yeni makine öğrenmesi metotları ve ilaç tasarımına uygulamaları

    New machine learning algorithms and applications to drug design

    MEHMET FATİH AMASYALI

    Doktora

    Türkçe

    Türkçe

    2008

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    PROF. DR. OKAN ERSOY

    PROF. DR. OYA KALIPSIZ

  3. 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

    İngilizce

    2023

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAMİD TORPİ

  4. 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

    Türkçe

    2020

    Gemi Mühendisliğiİstanbul Teknik Üniversitesi

    Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SERDAR AYTEKİN KÖROĞLU