Data-driven modeling of ultimate load capacity of closed- and open-ended piles using machine learning
Kapalı ve açık uçlu kazıkların nihai taşıma kapasitelerinin makine öğrenmesi kullanılarak veriye dayalı modellenmesi
- Tez No: 682715
- Danışmanlar: DOÇ. DR. MEHMET BARIŞ CAN ÜLKER
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Zemin Mekaniği ve Geoteknik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 139
Özet
Kazıklı temeller, yapı ağırlıklarının meydana getireceği gerilmeleri zeminin daha sağlam tabakalarına transfer etmek amacıyla yapılan, üstyapı ve altyapı inşaat projelerinde sıklıkla kullanılan bir zemin iyileştirmesi yöntemidir. Projelerin tasarım sürecinde, inşa edilecek kazıkların taşıma kapasiteleri analitik yöntemler ve numerik yaklaşımlar kullanılarak hesaplanır. Projede karşılaşılabilecek zemin kaynaklı sorunların tespit edilebilmesi ve önlenebilmesi için, tasarlanan kazığın istenilen kriterlere uygun olarak inşa edilip edilmediğini yerinde denetlemek gerekir. Kazık yükleme deneyleri ile kazıkların taşıma kapasiteleri kontrol edilebilir. Şehirleşmenin gelişmesiyle ortaya çıkan daha dar alanlara daha büyük yapılar inşa etme talebi, kazıklı temellere duyulan ihtiyacı her geçen gün arttırmaktadır. Bu nedenle, gelecekte büyük inşaat projelerinde daha fazla kazık yükleme deneyi yapılacağı öngörülmektedir. Statik kazık yükleme deneyi, kazıkların eksenel yük taşıma kapasitesini yerinde belirlemek amacıyla uygulanan güvenilir bir yöntemdir. Öte yandan, nihai taşıma kapasitesini belirlemek için kazığın göçme yüküne kadar yüklenmesi gerekmekte ve bu durum, deney sonucunda kazığın tekrar kullanılamamasına sebep olmaktadır. Ayrıca, bir deney kazığını göçme yüküne kadar yükleyebilmek için çoğu zaman reaksiyon kazıkları inşa edilir. Bu da deneyin maliyetini arttıran önemli bir unsurdur. Bu nedenlerle, bir proje kapsamında inşa edilen her kazık için yükleme deneyi yapılamamaktadır. Bazı spesifik projeler için yapılması zorunlu olan statik yükleme deneyi sayıları yönetmeliklerde belirtilmiştir. Üstlenici şirketler, deney sonucunda oluşacak maliyetlerden kaçınmak amacıyla yönetmeliklerde belirtilen minimum sayıda kazık yükleme deneyi uygulamaktadır. Bu nedenle kazık yükleme deneyi yapılamayan kazıkların taşıma kapasitelerinin doğru tahmin edilmesi gerekmektedir. Kazıkların nihai taşıma kapasitesini tahmin etmek için birçok ampirik yaklaşım geliştirilmiştir. Fakat bu yaklaşımlar tasarımda kullanılmak üzere geliştirildiği için, güvenli tarafta kalmak amacıyla taşıma kapasitelerini olduğundan daha yüksek tahmin etmektedir. Son zamanlarda kazıkların taşıma kapasitesi veri temelli yaklaşımlarla tahmin edilmeye çalışılmasına karşın, yeterince doğru tahmin eden bir yöntem henüz geliştirilememiştir. Bu çalışmada kazıkların eksenel taşıma kapasiteleri, bir yapay zeka yaklaşımı olan makine öğrenmesi yöntemleri ile tahmin edilmiştir. İlk olarak yayınlanmış kaynaklardan kazık yükleme deneyi verileri toplanarak geniş bir veri tabanı oluşturulmuştur. Daha sonra toplanan örnekler yük transfer mekanizması göz önüne alınarak açık-uçlu kazıklar ve kapalı-uçlu kazıklar olmak üzere iki farklı veri tabanında incelenmiş ve analiz edilmiştir. Kapalı uçlu kazık veri tabanında, kapalı uçlu çelik çakma kazıklar, prekast betonarme kazıklar ve forekazıklardan oluşan toplam 219 adet kazık yükleme deneyi verisi bulunmaktadır. Kazıklar farklı geometrilerde ve farklı özelliklerdeki zemin tabakalarına gömülü haldedir. Açık uçlu kazık veri tabanında ise tamamı kohezyonsuz zeminlere gömülü olan 60 adet açık uçlu dairesel geometrili çelik çakma kazık bulunmaktadır. Makine öğrenmesi algoritmalarını eğitmek amacıyla, kazıkların geometrik özellikleri ve gömülü oldukları zemin koşulları, girdi özelliği olarak belirlenmiştir. Zemin özelliklerini yansıtmak amacıyla koni penetrasyon deneyinden (CPT) elde edilen koni uç direnci (qc) ve çeper sürtünmesi (fs) parametreleri kullanılmıştır. Bu nedenle veri tabanlarındaki tüm örnekler, kazıkların geometrik özelliklerini ve CPT deneyi sonuçlarını içermektedir. Kazık yükleme deneyi sonuçları yorumlanarak elde edilen nihai eksenel taşıma kapasitesi (Qu) parametresi, modellerde kullanılacak tek çıktı değişkenidir. Kapalı uçlu kazık veri tabanında makine öğrenmesi modellerinin eğitiminde kullanılacak girdi özellikleri, kazık boyu (L), kazık en-kesit alanı (A), kazık ucunda ölçülen koni ucu direnci (qc,end), kazık boyunca ölçülen ortalama koni ucu direnci (qc,ave) ve kazık boyunca ölçülen ortalama çeper sürtünmesi (fs,ave) parametrelerinden oluşmaktadır. Zemin özelliklerini yansıtmak amacıyla kullanılan CPT parametreleri, deney sonucunda elde edilen koni uç direncinin ve çeper sürtünmesinin derinlikle değişimi grafikleri analiz edilerek belirlenmiştir. Kazık ucundaki qc (qc,end) parametresi, Eslami ve Fellenius (1997) tarafından önerilen etki bölgesine göre hesaplanmıştır. Kazıkların nihai taşıma kapasitesi, statik yükleme deneyi sonucunda elde edilen yük-deplasman eğrisi yorumlanarak belirlenmiş ve çıktı değişkeni olarak kullanılmıştır. Açık uçlu kazık veri tabanında girdi özellikleri, kazık boyu (L), kazık çapı (D), kademeli dolma oranı (IFR), deney kurulum süresi ve kazık boyunca ölçülen ortalama koni ucu direnci (qc,ave) parametrelerinden oluşmaktadır. Açık uçlu kazık veri tabanındaki kazıklar, kapalı uçlu kazıklardan farklı olarak, çekme yüklemesine maruz bırakılmıştır. Bu nedenle açık uçlu kazıkların analizinde kullanılacak çıktı değişkeni kazığın çekme yükü altındaki taşıma kapasitesi, diğer bir değişle çeper kapasitesi (Qs) parametresi olarak belirlenmiştir. Girdi ve çıktı değişkenleri belirlendikten sonra makine öğrenmesi yöntemlerini eğitmek amacıyla, bir analizde kullanılacak girdi özellikleri matrisi ve çıktı değişkeni vektörü hazırlanmıştır. Analizler sırasında aşırı uyum sorununu engellemek amacıyla k-katlamalı çapraz doğrulama ilkesi uygulanmıştır. Bu ilkeye göre analiz sırasında kullanılacak olan veri seti, veri sayısı yaklaşık olarak aynı olacak şekilde k sayıda alt kümeye ayrılır. Bu kümelerden rastgele 4 tanesi yöntemi eğitmek için kullanılırken, kalan alt küme oluşan modelin performansını test etmek amacıyla kullanılır. Bu işlemin k sayıda tekrar edilmesi sonucunda her alt küme, diğer 4 küme tarafından eğitilen makine öğrenmesi modelini test etmek amacıyla kullanılır. Bu sayede her alt küme hem modeli eğitmek hem de test etmek amacıyla kullanılmış olur. Oluşturulan iki farklı veri tabanında, lineer ve nonlineer yöntemleri içeren 9 farklı makine öğrenmesi yöntemi eğitilmiş ve her biri için makine öğrenmesi modelleri oluşturulmuştur. Kazıkların taşıma kapasiteleri her analizde hem eğitilen makine öğrenmesi modeli ile hem de klasik yöntemler ile tahmin edilmiştir. Kapalı uçlu kazık veri tabanında Schmertmann, DeRuiter ve LCPC yöntemleri, açık uçlu veri tabanında ise UWA, NGI ve Fugro yöntemleri klasik yöntemler olarak göz önüne alınmıştır. Modellerin ve klasik yöntemlerin tahmin performansı determinasyon katsayısı (R2) ve bağıl hata (RE) istatistiksel parametreleri cinsinden hesaplanmıştır. Yöntemlerin genel performansı, k sayıdaki analizde elde edilen istatistiksel parametrelerin aritmetik ortalaması alınarak belirlenmiştir. Kapalı uçlu kazık veri tabanında 120 adet kazık hem koni uç direnci (qc) hem de çeper sürtünmesi (fs) parametrelerine sahipken, geri kalan 99 adet kazıkta yalnızca koni uç direnci parametresine ulaşılmıştır. Bu nedenle ilk olarak her iki parametreye de sahip olan 120 kazık analiz edilmiştir. Bu analizde hem lineer hem nonlineer makine öğrenmesi yöntemleri, klasik yöntemlerden daha doğru tahminler üretmiştir. RVR yöntemi 0.84 R2 ve 0.29 RE oranları ile eksenel taşıma kapasitesini en doğru tahmin eden yöntem olarak öne çıkmaktadır. Daha sonraki analizde aynı veri setinden fs parametresi çıkarılarak fs parametresinin genel tahmin performansı üzerindeki etkisi araştırılmıştır. Bu analizde fs parametresini çıkarmanın nonlineer yöntemlerin tahmin performanslarını az da olsa arttırdığı görülmüştür. RVR yönteminin R2 değeri 0.84'ten 0.87'ye çıkmıştır. RVR yönteminin yanı sıra GPR ve VHGPR yöntemlerinin performanslarında da artış görülmüştür. Bu bulgular göz önünde bulundurularak veri setine yalnızca qc parametresine sahip 99 adet kazık daha eklenmiş ve veri sayısı toplamda 219'a çıkarılmıştır. Oluşturulan en geniş veri seti ile yapılan analizler sonucunda RVR yönteminin performansında düşüş görülürken RF yönteminin performansının arttığı ve tüm klasik yöntemlerin üzerine çıktığı görülmüştür. Açık uçlu kazık veri tabanında ilk olarak, toplanan tüm veriler aynı veri seti içerisinde analiz edilmiştir. Analizde RVR yöntemi 0.96'lık en yüksek R2 değeri ile öne çıksa da, diğer makine öğrenmesi yöntemlerinin tahmin performanslarının, klasik yöntemlerin altında kaldığı görülmüştür. Bu durumun sebebinin veriler arasındaki uyumsuzluk olduğu tespit edilmiş ve uç değerler veri setinden uzaklaştırılmıştır. 49 veri ile yapılan analizlerde GPR ve VHGPR yöntemleri, hem yüksek R2 hem de düşük RE değerleri ile öne çıkmıştır. İki farklı veri tabanında yapılan analizler sonucunda RVR yönteminin kapalı uçlu kazıklarda, VHGPR yönteminin de açık uçlu kazıklarda diğer yöntemlerden daha doğru tahminler ürettiği gözlenmiştir. RF yöntemi her iki veri tabanında da tatmin edici doğrulukta tahminler üretmiştir. Bu yüzden, kazıkların taşıma kapasitesini tahmin etmek için kullanılmaya uygun bir yöntem olduğu söylenebilir.
Özet (Çeviri)
Static load test is the most reliable method for determining the in-situ axial load capacity of piles. However, it is a fairly expensive and time-consuming method requiring operator specialization. The pile should be loaded until failure in order to determine the ultimate bearing capacity, which proves to be cost-ineffective. Despite its reliability, pile load testing is not always applicable for all the piles to be installed at a site. Hence, there exist numerous analytical and empirical methods developed to estimate axial bearing capacity of piles. However, most of those methods suffer from accuracy and/or generality. In this study, a data-driven approach is developed to predict the axial bearing capacity of piles using Machine Learning (ML). First, a comprehensive pile load test database including 219 closed-ended piles (CEP) and 60 open-ended piles (OEP) are collected from the literature. The open-ended and closed-ended piles are evaluated separately for the ML analyses due to their load-transfer mechanisms. Apart from load-settlement response, the database contains the necessary information about the pile and local soil conditions obtained from site investigations. Then the input features and output variables are determined and prepared for training the ML algorithms. To represent the local soil conditions, cone tip resistance (qc) and sleeve friction resistance (fs) parameters obtained from the cone penetration test (CPT) results are used as input features. The reason is, the measurements made during CPT are directly correlated with a pile exposed to a static load test. Other input features are determined related to pile geometry. The output variable of closed-ended piles is the ultimate bearing capacity, whereas shaft capacity is determined as the output variable for the open-ended pile analyses because the open-ended piles are typically exposed to tensile loads. Once input-output pairs are specified, nine different ML methods including linear and non-linear methods are trained. In the CEP database, 120 samples have both qc and fs information, while the remaining 99 samples have only qc. Because of this inconsistency in the data, nine ML methods are trained with the 120 samples that have qc and fs. Four of those methods are trained again with the same database without the fs. Results of such analyses show that removing the fs feature increase the accuracy of ML predictions. Depending upon this, these four ML methods are trained with all samples in the CEP database without the fs feature. The predictive performance of ML methods is compared with a number of empirical methods in each step. According to the results, the nonlinear ML methods make more accurate predictions than the linear methods and the empirical methods. In particular, the Relevance Vector Regression (RVR) and the Random Forests (RF) methods stand out with their predictive capacities among all. In the OEP database, nine ML methods are trained with all samples in the first step. However, the outlier samples spoil the training algorithms of ML by underestimating the output variable. Therefore, the analysis is repeated with 49 data by removing the outliers. The results indicate that the Relevance Vector Regression (RVR) and the Variational Heteroscedastic Gaussian Process Regression (VHGPR) methods make more accurate predictions than the classical methods of the UWA, the NGI and the Fugro methods. The RF method also shows relatively good performance yielding satisfactory accuracy in the analyses of both CEP and OEP databases.
Benzer Tezler
- Kazıkların eksenel ve yatay yük taşıma kapasiteleri
The bearing capacity of piles under axial and lateral loading
NİLAY DURLANIK
- Kazık yükleme deneyinin sonlu elemanlar yöntemiyle modellenmesi hakkında bir inceleme
A Study about modelling of pile load test by finite element method
SERKAN CENGİZ
Yüksek Lisans
Türkçe
2002
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiGeoteknik Ana Bilim Dalı
DOÇ. DR. TUĞRUL ÖZKAN
- Deprem yükleri altında yığma duvarların dayanımı ve takviyesi
Başlık çevirisi yok
A.TUĞRUL BOZDOĞANGİL
Yüksek Lisans
Türkçe
1998
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiYapı Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN BODUROĞLU
- Force control of robotic manipulators in cooperation
İşbirlikçi robot manipülatörlerin kuvvet kontrolü
MATEUSZ SZCZESIAK
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEKİ YAĞIZ BAYRAKTAROĞLU
- H&-robust optimal kontrol tekniğinin kullanılması ile T 700 turbo motorunun güç türbini hızının kontrolü
Power turbine speed control of the GE-T700 turbo engine using the H -robust optimal control technique
CÜNEYT YILMAZ