Geri Dön

Betonarme perdelerin çevrimsel sönümlenen enerji kapasitesinin makine öğrenmesi yöntemleri ile incelenmesi

Investigation of energy dissipation capacity of RCc shear walls with machine learning methods

PDF İndir

  1. Tez No: 774552
  2. Yazar: BERKAY TOPALOĞLU
  3. Danışmanlar: DOÇ. DR. ZEYNEP DEĞER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Deprem Mühendisliği, Earthquake Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Deprem Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Deprem Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 109

Özet

Teknolojinin gelişmesi ve imkanların artması ile birlikte depreme dayanıklı yapı tasarımında yeni araştırmalar önem kazanmıştır. Dayanıma göre tasarım ve yer değiştirmeye göre tasarım gibi çözüm yöntemlerine alternatif olarak kullanılabileceği düşünülen enerji esaslı yapı tasarımı yöntemi, günümüzde yoğun olarak araştırılan yeni nesil bir tasarım yöntemi olarak karşımıza çıkmaktadır. Bu tasarım yöntemi, depremin ürettiği yer hareketinin süresi, şiddeti ve bunlara bağlı olarak değişen yapısal davranışı dikkate alarak enerji girdisinin yapı içerisindeki dağılımını inceler. Tasarım yönteminin felsefesi deprem sonucunda yapıya etki eden enerji girdisinin yapıda bulunan yapısal ve yapısal olmayan mekanizmalar tarafından sönümlenmesini benimser. Yapısal taşıyıcı elemanlardan olan, sismik yüklere karşı yüksek dayanım ve rijitlik sağlayan betonarme perde duvarlar, yapının enerji sönümleme kapasitesini artırarak depremden kaynaklanan enerji girdisinin güvenle sönümlenmesini sağlar. Literatürde perde duvarların enerji kapasitesi ile ilgili yapılan çalışmalar tekrarlanan yüklerin etkisini yansıtan enerji esaslı yapı tasarımı açısından daha sınırlı olmakta ve genellikle sismik yönetmeliklerde ihmal edilmektedir. Tez çalışması kapsamında, makine öğrenmesi yöntemleri kullanılarak perde duvarların çevrimsel enerjisine önemli etkisi olan perde duvar tasarım parametreleri belirlenmiş ve bu parametrelere bağlı olarak duvarın enerji kapasitesini tahmin edebilen bağıntı elde edilmiştir. Makine öğrenmesi, doğrudan bir denklemi kullanmadan sadece verilerdeki bilgilere dayalı analitik model oluşturmayı sağlayan yapay zekanın bir alt çalışma alanıdır. Makine öğrenmesi çalışmaları için betonarme perde duvarlardan oluşan mevcut veri tabanları incelenmiş ve literatürde veri tabanlarında yer almayan güncel perde duvar çalışmaları da eklenerek enerji esaslı çalışmalar için kullanılabilecek 312 çevrimsel yüklemeli perde duvar deneylerinden oluşan yeni bir veri tabanı oluşturulmuştur. Tez çalışması kapsamında betonarme perde duvarların enerji kapasitesi hem doğrusal yöntemler hem de doğrusal olmayan makine öğrenmesi yöntemleri ile incelenmiştir. Doğrusal makine öğrenmesi yöntemleri olarak Doğrusal Regresyon (İng.= Linear Regression, LR) ve Lasso Regresyon (İng.= Lasso Regression, LASSO) kullanılırken doğrusal olmayan makine öğrenmesi yöntemleri olarak Komşu Bileşen Analizi (İng.= Neighborhood Component Analysis, NCA), Gauss Süreç Regresyonu (İng.= Gaussian Process Regression, GPR) ve Yüksek Boyutlu Model Gösterimi (YBMG) kullanılmıştır. Bahsi geçen yöntemlerden LR, LASSO ve YBMG tahmin modelinin iç işleyişini incelememize fırsat veren açık kutu makine öğrenmesi olarak adlandırılan yöntemler olurken, NCA ve GPR ise tahmin modelinin iç işleyişini incelemeye fırsat vermeden sonucu veren kapalı kutu makine öğrenmesi olarak adlandırılan yöntemler grubuna dahildir. Kapalı kutu yöntemler ile elde edilen tahmin modelleri ile açık kutu yöntemler ile elde edilen tahmin modelleri karşılaştırılarak en iyi tahmin modeli elde edilmesi sağlanmıştır. Normalize edilmiş kümülatif sönümlenen enerjiyi (NKSE) tahmin etmek için perde duvarın enerji kapasitesi ile ilgili olduğu düşünülen on sekiz perde duvar tasarım parametresinden en etkili tasarım parametreleri (öznitelikler) öznitelik seçim analizleriyle belirlenmiştir. Ayrıca, YBMG'ye dayalı tahmin modeline tasarım parametrelerinin çarpılması ve bölünmesinden oluşan yeni öznitelikler eklendiğinde daha etkili tahmin modelleri olabileceği analizlerle gösterilmiştir. Yapılan analizler sonucunda istatistiksel metriklerle yapılan değerlendirmelere göre GPR ve YBMG yöntemlerinin tahmin modeli oluşturmada en etkili iki yöntem olduğuna karar verilmiştir. Öznitelikler, makine öğrenmesi yöntemlerinin verdiği öznitelik ağırlıklarına göre sıralanması ve sıralı geriye doğru eleme yapılması sonucunda, GPR yönteminde dokuz öznitelik ve YBMG yönteminde ise on iki öznitelik tahmin modeli oluşturmada etkili olduğu bulunmuştur. GPR yöntemi için seçilen dokuz etkili öznitelik lw, tw, fc', ρl, ρbl, P/Agfc', b0, s/db ve hw/lw olup, YBMG yöntemi için seçilen on iki öznitelik ise hw, tw, fc', fyl, fybl, P/Agfc', b0, hw/lw, b0xdbxfyblxρbl, lwxtwxfytxρt, Agxfytxρt ve tw/lw'dir. Literatür taramasına göre, NKSE'yi tahmin etmek için belirlenen etkili özniteliklerin fiziksel olarak anlamlı ve tutarlı olduğu da gösterilmiştir. Bu tezde, Box-Cox ve log dönüşümü gibi veri ön işleme teknikleri sonuçların kalitesini iyileştirdiği için, veri dönüştürme tekniklerinin sonuçları dikkate alınarak çıktıya log dönüşümü uygulanmıştır. Makine öğrenimi yöntemlerine dayalı tahmin modeli denemeleri, etkili öznitelikler ve NKSE üzerinde log dönüşümü uygulayarak gerçekleştirilmiştir. Tahmin doğruluğu 1.00'e en yakın olan en iyi tahmin modelini seçmek için GPR yöntemindeki dokuz etkili öznitelik kullanılarak on bin deneme yapılmıştır. GPR'ye dayalı en iyi tahmin modelinin R2 değeri 0.93 olarak elde edilmiştir. Test setindeki ortalama tahmin doğruluğu 0.99 ve standart sapma 0.20'dir. YBMG'ye dayalı on iki etkili öznitelik kullanılarak oluşturulmuş bir tahmin modelinin en iyisini seçmek için benzer şekilde on bin deneme yapılmıştır. YBMG'ye dayalı en iyi tahmin modelinin R2 değeri 0.93, test setindeki ortalama tahmin doğruluğu 1.01 ve standart sapması 0.26 olarak bulunmuştur. GPR yöntemi kullanılarak daha yüksek doğruluk elde edilebilse de açık kutu makine öğrenmesi yöntemi olan YBMG yöntemi ile bir bağıntı elde edilebilmektedir. Bu nedenle YBMG yöntemi ile elde edilen en iyi tahmin modelinden, ve vektörlerinin çarpımının bir formu olarak analitik bir bağıntı elde edilmiş ve literatüre sunulmuştur. Bu çalışma sonucunda ortaya çıkan perdelerin sönümlenen enerji kapasitesini veren analitik bağıntı, perde duvarların sismik sönümlenen enerji kapasitesi üzerinde en etkili duvar tasarım parametrelerini tanımlayarak perde duvar tasarım sürecinde daha yüksek sönümlenen enerji kapasitesi elde etmek için farklı duvar tasarım konfigürasyonlarını karşılaştırabilmeyi mümkün kılmaktadır. Hasar açısından bakılırsa, bu çalışmanın bulguları mevcut binalarda yapısal hasar için bir indeks görevi görecek ve enerji bazlı hasar değerlendirmesi hakkında bilgi sağlayacaktır.

Özet (Çeviri)

With the development of technology and facility, new research has become crucial in the design of earthquake-resistant structures. The energy-based design method, used as an alternative to solution methods such as design method according to strength and design method according to displacement, is a new generation design method that is intensive research today. This design method examines the distribution of input energy to the structure by the earthquake and the structural behavior that changes accordingly based on the duration and intensity of the ground motion produced. In this method, the input energy is dissipated by the structural and non-structural mechanisms in the building. Reinforced concrete shear walls, which are structural members and provide high strength and rigidity during earthquake, increase the energy dissipation capacity of the building and ensure that the input energy caused by the earthquake is safely dissipating. The research on the energy capacity of shear walls in the literature is more limited in terms of energy-based structure design that take into account the effect of repeated loads and are generally neglected in seismic codes. Within the scope of this thesis, the energy dissipating capacity of the reinforced concrete shear walls has been investigated by utilizing machine learning methods, namely: Linear Regression (LR), Lasso Regression (LASSO), Neighborhood Component Analysis (NCA), Gaussian Process Regression (GPR) and High Dimensional Modelling Representation (HDMR). Shear wall design parameters that affect the energy capacity in the literature have been examined and these parameters have been aimed to determine the most influential ones by feature selection methods. The powerful correlation between the selected most influential parameters based on feature selection methods and the energy capacity of the shear wall has been obtained with GPR and HDMR methods. Machine learning is a sub-study of artificial intelligence that allows the building of analytical models based only on information in data without using a direct equation. Existing databases including reinforced concrete shear walls have been examined to investigate the energy capacity of the shear wall utilizing machine learning methods. As a result of the investigations, a comprehensive database has been compiled to include 312 shear wall experiments subjected to cyclic loading for machine learning applications. In addition, this database will be able to be used for new research on the energy of shear walls. In this thesis, the energy capacity of reinforced concrete shear walls has been investigated by utilizing linear and nonlinear machine learning methods. While Linear Regression and Lasso Regression have been used as linear machine learning methods, Neighbor Component Analysis, Gaussian Process Regression, and High Dimensional Model Representation have been used as nonlinear machine learning methods. Among these methods, LR, LASSO, and HDMR are methods called white-box machine learning that allow us to examine the inner workings of the prediction model, while NCA and GPR are methods called black-box machine learning, which give the result without allowing examining the inner workings of the predictive model. The predictive models have been obtained by utilizing white-box methods and black-box methods and compared then the method which gives the best predictive model has been selected. GPR gave the best results for the black box, while HDMR for the white box gave the best results. Within the scope of the thesis, the energy dissipation of the shear wall has been calculated as the sum of areas enclosed by the load–displacement curve for each cycle except for the observed collapse cycle. It is noted that shear wall experiments have various loading protocols such as two repeating cycles, three repeating cycles, etc. Therefore, energy dissipation of the shear wall (cumulative dissipated energy) has been normalized to eliminate the energy differences that may occur due to the different loading protocols of the specimens in the database and to make the energy capacities comparable. The normalized cumulative dissipated energy (NCDE) is calculated as the cumulative dissipated energy divided by the sum of maximum absolute drift ratios including positive and negative side on each cycle. The most influential design parameters (features) out of eighteen shear wall design parameters thought to be related to the energy capacity of the shear wall on prediction of NCDE has been determined by feature selection analysis. Moreover, it has been shown by the analyzes that it can be more effective predictive models when new features consisting of the multiplication and dividing of the design parameters add to predictive model based on HDMR. As a result of the analyzes, it has been decided that the GPR and HDMR methods are the two most effective methods in creating a predictive model, according to evulating with statistical metrics. As a result of ordering the features depending on the feature weights given by the machine learning methods and ranking the features by sequential backward elimination, it has been selected nine influential features in the GPR method and twelve influential features in the HDMR method for creating the best predictive model. While the nine influential features selected for GPR method are lw, tw, fc', ρl, ρbl, P/Agfc', b0, s/db and hw/lw, the twelve features selected for HDMR method are hw, tw, fc', fyl, fybl, P/Agfc', b0, hw/lw, b0xdbxfyblxρbl, lwxtwxfytxρt, Agxfytxρt and tw/lw. According to the literature review, the influential features determined to estimate the NCDE be physically significant and were consistent with the experimental evidence. In this thesis, log transformation has been applied to output taking into account data transformation techniques' results because data pre-processing techniques such as Box-Cox and log transformation have improved the quality of the results. The predictive model trials based on machine learning methods has been conducted influential features and applying log transformation on NCDE. To select the best prediction model with the prediction accuracy closest to 1.00, ten thousand trials have been made using the nine influential features in the GPR method . The R2 value of the best predictive model based on GPR is obtained as 0.93. The average prediction accuracy in the test set is 0.99 and the standard deviation is 0.20. Similarly, 10000 trials have been made to select the best of a created predictive model using twelve influential features based on HDMR. The R2 value of the best predictive model based on HDMR is 0.93, the average prediction accuracy in the test set is 1.01 and the standard deviation is 0.26. The test sets that have been selected for best predictive models have been classified into three different types (i.e., failure types, cross-section types, and wall heights). The prediction accuracy of the best predictive models based on GPR and HDMR has been examined depending on each classification. The test data has been classified into three failure types, namely: shear, shear-flexure, and flexure failure based on the reported failure modes. According to wall cross-section type it has been classified as rectangular and non-rectangular (i.e., barbell-shaped, T shaped). According to the wall height, the test set has been classified as walls shorter than 1.5 meters, longer than 2.5 meters, and between 1.5 meters and 2.5 meters. It has been observed that the GPR method has shown higher performance compared to the HDMR method and the R2 values ranged from approximately 0.85~0.95 for classification of the failure type, shear wall section type, and shear wall height in the test set. According to the evaluations, it has been seen that the performances of the best prediction models based on GPR and HDMR have high and close to each other. Since the GPR method is a black-box method, it can be possible to obtain results using MATLAB, Python, etc. software programs. Although higher accuracy can be obtained using the GPR method, an formula can be obtain with the HDMR method, which is an white-box machine learning method. For this reason, an analytical function as a form of the product of the and vectors has been obtained from the predictive model obtained by the HDMR method and presented to the literature. The findings of this thesis are expected to solve some unknown aspects in terms of energy-based building design. The analytical function based on the most influential shear wall design parameters gives information on the energy-dissipating capacity of the shear walls. Moreover, this analytical function makes it possible to compare different wall design configurations to obtain high energy dissipation capacity in the shear wall design process. In terms of damage, the findings of this study serve as an index for structural damage in existing buildings and will provide information on energy-based damage assessment.

Benzer Tezler

  1. Tez No

    858278

    Experimental and numerical investigation of diagonally reinforced coupling beams in terms of behavior, performance, and strengthening techniques

    Diyagonal donatılı betonarme bağ kirişlerinin davranış, performans ve güçlendirme teknikleri bakımından deneysel ve sayısal olarak incelenmesi

    NAMIK ESER

    Doktora

    İngilizce

    İngilizce

    2024

    Deprem Mühendisliğiİstanbul Teknik Üniversitesi

    Deprem Mühendisliği Ana Bilim Dalı

    PROF. DR. İHSAN ENGİN BAL

  2. Tez No

    603811

    Modeling of reinforcing bar buckling in structural walls

    Perdelerde donatı burkulmasının modellenmesi

    SURA SABAH SALIH SALIH

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    İnşaat MühendisliğiBoğaziçi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KUTAY ORAKÇAL

  3. Tez No

    774332

    Betonarme perdelerin çevrimsel davranışında kesme-eğilme etkileşiminin modellenmesi

    Modeling of shear-flexure interaction in cyclic behavior of reinforced concrete shear walls

    UTKU GÜLER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    İnşaat MühendisliğiDokuz Eylül Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SADIK CAN GİRGİN

  4. Tez No

    692215

    Finite element modeling of nonrectangular reinforced concrete structural walls

    Dikdörtgen kesitli olmayan betonarme perde duvarların sonlu elemanlar yöntemiyle modellenmesi

    NİHAN BİLGİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    İnşaat MühendisliğiBoğaziçi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. KUTAY ORAKÇAL

  5. Tez No

    904604

    Deprem yükleri altındaki betonarme perdelerin doğrusal olmayan sonlu elemanlar yöntemi ile incelenmesi

    Investigation of reinforced concrete shear walls under earthquake loads by nonlinear finite element method

    HASAN YILMAZ

    Doktora

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiOndokuz Mayıs Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VAROL KOÇ

Geri Dön