Development of a machine learning based framework for failure forecast and shear strength estimation of conventional RC shear walls
Geleneksel betonarme perde duvarların göçme modu ve kesme kuvveti kapasitesini tahmin eden makine öğrenmesi tabanlı bir yaklaşım geliştirilmesi
- Tez No: 730860
- Danışmanlar: DOÇ. DR. GÜLŞEN TAŞKIN KAYA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Deprem Mühendisliği, İnşaat Mühendisliği, Computer Engineering and Computer Science and Control, Earthquake Engineering, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Deprem Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Deprem Mühendisliği Bilim Dalı
- Sayfa Sayısı: 96
Özet
Perde duvarlar, betonarme binalarda oldukça yaygın olarak kullanılan yapı elemanlarından biridir. Çünkü deprem sırasında meydana gelen göreli kat ötelemelerini kontrol etmek için gerekli rijitliği sağlamak ve oluşan yanal kuvvetleri karşılamak amacıyla tasarlanırlar. İnşaat maliyetlerini azaltmak için ise deprem hareketi sırasında elastik ötesi davranış gösterecek şekilde tasarlanırlar. Bu nedenle, gevrek göçmeyi önlemek için perde duvarlar sünek davranış gösterecek şekilde modellenirler. Yapılan birçok çalışma perde duvarların davranışının duvarların geometrik ve malzeme özelliklerine göre farklılıklar gösterdiğini ifade etmektedir. Perde duvarlarda deprem esnasında tipik olarak kesme göçmesi, kesme-eğilme göçmesi ve eğilme göçmesi olmak üzere üç farklı göçme modu meydana gelir. Kesmeden göçen duvarlar gevrek davranış gösteren duvarlardır. Bu duvarlar uç bölgesindeki boyuna donatılarda akma meydana gelmeden önce kesme kapasitelerine ulaşırlar. Kesme-eğilme davranışını sergileyen geçiş duvarlarında ise boyuna donatılarda akma ve ardından kesme göçmesi meydana gelir. Sünek davranış gösteren ve eğilmeden göçen duvarlarda ise duvar kesme kapasitesine ulaşamadan boyuna donatılarda akmalar meydana gelir. Bu nedenle gevrek kırılmayı önlemek için yapısal tasarım sırasında göçme modunun doğru bir şekilde tahmin edilmesi büyük bir önem arz etmektedir. Betonarme duvarların kesme kuvveti kapasitelerinin doğru bir şekilde belirlenmesi de deprem öncesi ve sonrası performans değerlendirmeleri yaparken oldukça kritiktir. Deprem sırasında perde duvarların davranışı da duvar kapasitesini önemli ölçüde etkiler. Buna karşılık, önde gelen deprem yönetmeliklerinde verilen formüller ve araştırmacılar tarafından elde edilen ampirik denklemlere göre perde duvarlarda kesme kuvveti dayanımı hesaplanırken duvarların göçme modu dikkate alınmaz. Ayrıca, akademik çalışmalar amacıyla yapılan deney sonuçları göstermektedir ki, yönetmeliklerde verilen ve araştırmacılar tarafından elde edilen ampirik denklemler, betonarme duvarların kesme kuvveti dayanımını hesaplamada her zaman doğru sonuçlar verememektedir. Bu yüzden makine öğrenmesi uygulamaları son zamanlarda bu tarz inşaat mühendisliği problemlerinin çözümünde yaygınca kullanılmaya başlanmıştır. Veri sayısının da artmasıyla doğrusal ve doğrusal olmayan makine öğrenmesi modelleri güçlü birer alternatif haline gelmişlerdir. Literatürde de halihazırda, betonarme perde duvarların göçme modlarını ve kesme mukavemetini tahmin etmek için geliştirilmiş bazı makine öğrenmesi modelleri bulunmaktadır. Özellikle de doğrusal olmayan oldukça kompleks bir yapıya sahip olan makine öğrenmesi modelleri çoğu zaman doğrusal modeller ve mevcut yöntemlerden daha iyi performans göstermektedir. Ancak bu modellerin de güvenilirliğinin kontrolünü sağlayan karar verme mekanizmalarının yorumlanabilirliği oldukça kısıtlıdır. Bu problemi çözebilmek için araştırmacılar bazı model yorumlama yöntemleri geliştirmişlerdir. Ancak betonarme perde duvarların göçme modu ve kesme kuvveti dayanımını tahmin etmesi için geliştirilen bu kompleks modellerin çoğunun karar verme mekanizmaları, mühendisliğe uygunluk açısından değerlendirilmemiştir. Ayrıca, betonarme perde duvarların kesme mukavemetini tahmin etmek için geliştirilen bu modeller tahminlerini yaparken göçme modunu hesaba katmamaktadırlar. Bu tezde, geleneksel betonarme perde duvarların göçme modunu tahmin eden ve bu tahmin edilen göçme moduna bağlı olarak kesme kuvveti dayanımını hesaplayan makine öğrenmesi tabanlı entegre bir yaklaşım oluşturulmuştur. Bunu yapabilmek için, perde duvar tasarım özellikleri girdi olarak atanırken, sırasıyla ilgili sınıflandırma ve regresyon problemleri için göçme modu ve kesme kuvveti dayanımı çıktılar olarak belirlenmiştir. Akademik çalışmalardan elde edilen 470 adet perde duvar deney verileri ile bir veri tabanı oluşturulmuş ve bu veriler, sırasıyla tahmine dayalı modeller geliştirmek ve model performanslarını değerlendirmek için eğitim ve test setlerine (sırasıyla %80 ve %20) rastgele bölünmüştür. Makine öğrenmesi modelleri oluşturulurken yaygın olarak kullanılan Ridge Doğrusal Regresyon, Lojistik Regresyon, Çok Katmanlı Perceptron, Destek Vektör Makinaları, Rastgele Ormanlar, XGBoost, LightGBM ve CatBoost algoritmaları kullanılmıştır. Performans ölçümleri ise (ör. R2, RMSE), tutarlılığı kontrol edebilmek amacıyla rastgele eğitim test ayrımı yüz kere yapılarak değerlendirilmiştir. Bu çalışmada yapılan analiz sonuçları önerilen CatBoost tabanlı modellerin hem göçme modu tahmini hem de kesme kuvveti dayanımı tahmini için %90'ın üzerinde genel doğruluk elde etmeyi başardığını göstermektedir. Bu da önerilen modellerin tüm yönetmelikler ve araştırmacılar tarafından geliştirilen ampirik denklemlerden daha iyi bir performans ortaya koyduğunu göstermektedir. Ayrıca, önerilen CatBoost modellerinin karar verme mekanizmasının mühendislik açısından tutarlı olup olmadığı da SHapley Additive ExPlanations algoritması ile değerlendirilmiştir. Elde edilen veriler önerilen yaklaşımın, geleneksel betonarme perde duvarların pratik ve doğru bir şekilde göçme modu tahmini ve kesme kuvveti dayanımı tahmini için deprem mühendisleri için kullanışlı bir araç olduğuna inanılmaktadır.
Özet (Çeviri)
Shear walls are one of the most commonly used structural members in reinforced concrete buildings because they are designed to resist lateral forces and provide stiffness to control inter-storey drifts that occur during strong ground motions. Shear walls are designed to show ductile behavior to avoid brittle failures. Designing shear walls to remain elastic during strong seismic activity, would make the construction very costly. Experiments indicate that the behavior of shear walls during earthquake show differences based on wall characteristics. Shear walls typically exhibit three different failure modes during earthquakes which are shear-dominant, shear-flexure interaction and flexure-dominant. Shear-dominant walls are brittle walls. They reach their shear capacity before longitudinal boundary reinforcement yields. Transition walls which exhibit shear-flexure interaction, yield in flexure followed by shear failure. Flexure-controlled walls which show ductile behavior, yield in flexure before reaching the shear capacity. Determination of failure mode during structural design is crucial for avoiding brittle failure. Accurate estimation of the actual strength of Reinforced Concrete (RC) walls is also critical to accomplishing reliable pre- and post-earthquake performance assessments. The behavior of the shear walls during an earthquake also affects their strength considerably. However, equations provided by modern codes and empirical equations, developed by researchers, do not take into account the failure mode of RC walls in determining the shear strength, which is a great shortcoming. Furthermore, such prediction methods do not always give reliable results as reported in the published studies when calculating the shear strength of RC walls. Machine learning (ML) applications are nowadays widely used by researchers to solve such civil engineering problems. With the increase in the amount of data in the literature, both linear and nonlinear ML models have become a strong alternative to existing ones. Moreover, in literature, there are already some developed ML models to predict failure modes and shear strength of RC shear walls. Especially the complex nonlinear models perform very well in most cases than linear models. However, they lack of interpretability which is crucial for the model to be reliable. Luckily, this problem can be tackled using some black-box explaining methods to reveal the decision-making mechanism of ML models. Most ML models developed to predict the shear strength and failure mode of RC shear walls have not been assessed from an engineering perspective. Also, the existing ML models established to predict the shear strength of RC shear walls do not take into account the failure mode. This thesis aims to provide a ML-based framework focusing on conventional RC shear walls. An integrated approach is proposed to provide a realistic failure forecast of shear walls as well as an accurate estimation of shear strength depending on the expected failure modes. To achieve this, shear wall design properties are assigned as inputs whereas failure mode and shear strength were designated as outputs for the corresponding classification and regression problems, respectively. Widely-used machine learning methods, namely: Ridge Linear Regression, Logistic Regression, Multi-layer Perceptron, Support Vector Machine, Random Forest, XGBoost, LightGBM, and CatBoost are employed using a database consisting of 470 shear walls. The data is randomly split to train and test sets (80% and 20%, respectively) to develop the predictive models and to evaluate model performances. Performance metrics (e.g. R2, RMSE) are evaluated over a hundred random splits to ensure robustness. The analysis results in this thesis indicate that the proposed CatBoost-based models achieve overall accuracies above 90% for both failure prediction and shear strength estimation, outperforming all developed equations and ML models in the literature. Additionally, the decision-making mechanism of the proposed CatBoost models are evaluated from engineering point of view with the method used for explaining ML models called, SHapley Additive exPlanations, to ensure that the proposed models are consistent with physical interpretability of the failure prediction and shear strength estimation of conventional RC shear walls. The proposed framework is believed to be a promising tool for earthquake engineers.
Benzer Tezler
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Yazılım tanımlı ağlar ve nesnelerin interneti temelli akıllı şebekelerde anomali tespiti
Anomaly detection in smart grids based on software-defined networks and the internet of things
HİLAL YILDIZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSA BALTA
- Development of a modular pulmonary resuscitation device for chronic and acute respiratory support
Kronik ve akut solunum desteği için modüler pulmoner resüsitasyon cihazının geliştirilmesi
MUNAM ARSHAD
Doktora
İngilizce
2023
BiyofizikKoç ÜniversitesiBiyomedikal Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. İSMAİL LAZOĞLU
- Endüstri 4.0 çerçevesinde kestirimci imalat teknolojileri
Predictive manufacturing technologies in industry 4.0 framework
KADİR TOLGA BAYER
Yüksek Lisans
Türkçe
2019
Makine Mühendisliğiİstanbul Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGUT GÜLMEZ
- Sürdürülebilirlik temelli firma değeri tahmin modelinin geliştirilmesinde makine öğrenmesi tabanlı yaklaşım: OECD ülkeleri bankacılık sektörü uygulaması
Sustainability-based firm value prediction model development using machine learning approaches: Evidence from the banking sector in OECD countries
EVRİM HACIOĞLU KAZAK