A machine learning approach to seismic risk assessment of reinforced concrete structures
Betonarme yapıların sismik risk değerlendirmesinde makine öğrenimi yaklaşımı
- Tez No: 830665
- Danışmanlar: PROF. DR. MUSTAFA TALAT BİRGÖNÜL, PROF. DR. RİFAT SÖNMEZ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 147
Özet
Bu araştırma, ileri düzey makine öğrenimi tekniklerinden yararlanarak az katlı betonarme (RC) binaların sismik risk değerlendirmesine yeni bir yaklaşım sunmayı amaçlamaktadır.“Riskli Yapıların Tespit Edilmesine İlişkin Esaslar”(RTYEİE) yönetmeliğine göre değerlendirilen 4699 betonarme binadan oluşan titizlikle derlenmiş bir veri setini kullanan çalışma, bu yapıların sismik risk durumunu tahmin etmek için bir dizi makine öğrenimi algoritması uygulamaktadır. Veri seti, 13 ayrı bağımsız değişken ve bir bağımlı değişken olan“Sismik Risk Durumu”nu içermektedir. Veriler, temizleme, normalleştirme, özellik seçimi, mühendislik ve sınıf dengesizliğini gidermek için Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) uygulamasını içeren kapsamlı bir ön işleme aşamasından geçmiştir. Dokuz makine öğrenimi algoritması - Karar Ağacı, Destek Vektör Makinesi, Rastgele Orman, Lojistik Regresyon, K-En Yakın Komşular, Naif Bayes, XGBoost, Yapay Sinir Ağı ve LightGBM - kesinlik, hatırlama, F1 skoru ve Alıcı İşletim Karakteristik eğrisi altındaki alan (AUC-ROC) gibi temel ölçütler kullanılarak değerlendirilmiştir. Hiperparametre ayarlama ve çapraz doğrulamanın ardından, oluşturulan XGBoost ve NaifBayes modellerinin farklı puanlama metriklerine göre en etkili algoritmalar olduğu belirlenmiştir. Ayrıca, bu çalışma sismik risk tahmini için en etkili bina özelliklerini de tanımlamaktadır. Araştırma, sismik risk değerlendirme metodolojilerine önemli bir katkı sunmakta ve makine öğreniminin bu alandaki potansiyelini vurgulamaktadır.
Özet (Çeviri)
This research aims to bring a novel approach to seismic risk assessment of low-rise reinforced concrete (RC) buildings by leveraging advanced machine learning techniques. Utilizing a meticulously compiled 4699 RC building dataset, evaluated according to the“Guidelines for the Assessment of Risky Buildings”(GARB) code, the study deploys a range of machine learning algorithms to predict the seismic risk status of these structures. The dataset comprises 13 independent variables and one dependent variable, the“Risk Status.”The data underwent extensive preprocessing, including cleaning, normalization, feature selection, engineering, and applying the Synthetic Minority Over-sampling Technique (SMOTE) to address the class unbalance. Nine machine learning algorithms - Decision Tree, Support Vector Machine, Random Forest, Logistic Regression, K-Nearest Neighbors, Naive Bayes, XGBoost, Artificial Neural Network, and LightGBM - were evaluated using essential metrics such as precision, recall, F1-score, and the area under the Receiver Operating Characteristic curve (AUC-ROC). Following hyperparameter tuning and cross-validation, the XGBoost and NaiveBayes models emerged as the most effective algorithms according to different scoring metrics. Furthermore, this work identifies the most influential building characteristics for seismic risk prediction. The research represents a significant contribution to seismic risk assessment methodologies, highlighting the potential of machine learning in this field.
Benzer Tezler
- Bingöl ilindeki konut türü yapılar için hızlı değerlendirme yöntemlerinin yapay sinir ağları kullanılarak karşılaştırılması
Comparison of rapid evaluation methods for residential buildings in Bingöl province by using artificial neural networks
SADIK VAROLGÜNEŞ
Doktora
Türkçe
2023
İnşaat MühendisliğiDicle Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULHALİM KARAŞİN
- Development of a GIS-based approach for the risks sourced from natural hazards on the natural gas pipelines in Türkiye
Türkiye'de doğal gaz boru hatları üzerindeki doğal tehlikelerden kaynaklanan risklerin değerlendirilmesi için CBS tabanlı bir yaklaşım geliştirilmesi
ERDİNÇ ÖRSAN ÜNAL
Doktora
İngilizce
2024
Jeodezi ve FotogrametriHacettepe ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. SULTAN KOCAMAN GÖKÇEOĞLU
- Application of various machine learning approaches to estimate liquefaction risk
Çeşitli özdevimli öğrenme tekniklerinin sıvılaşma riskinin tahmin edilmesinde uygulanması
AMIN SHOARI NEJAD
Yüksek Lisans
İngilizce
2017
İnşaat MühendisliğiBoğaziçi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. FAZLI EROL GÜLER
PROF. DR. MELTEM SEBA ÖZTURAN
- Prediction of pore pressure and deviatoric stress generation for liquefiable soils under cyclic loading using machine learning
Sıvılaşabilen zeminlerde dinamik yükleme durumunda boşluk suyu basıncı ve deviatorik gerilme değişiminin makine öğrenmesi yöntemleriyle tahmin edilmesi
ÖMER TUĞŞAD BİRİNCİ
Yüksek Lisans
İngilizce
2024
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET BARIŞ CAN ÜLKER
- An unsupervised learning approach to seismic waveform classification via representation learning
Gösterim öğrenme yoluyla seismik dalga formu sınıflandırması için denetimsiz öğrenme yaklaşımı
ONUR EFE
Yüksek Lisans
İngilizce
2023
Fizik ve Fizik MühendisliğiBoğaziçi ÜniversitesiFizik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ARKADAŞ İNAN ÖZAKIN