Geri Dön

A machine learning approach to seismic risk assessment of reinforced concrete structures

Betonarme yapıların sismik risk değerlendirmesinde makine öğrenimi yaklaşımı

PDF İndir

  1. Tez No: 830665
  2. Yazar: MUHAMMED TUNAHAN BEYHAN
  3. Danışmanlar: PROF. DR. MUSTAFA TALAT BİRGÖNÜL, PROF. DR. RİFAT SÖNMEZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    986584

    Betonarme binalarda hızlı risk tespiti yöntemlerinin etkinliğinin makine öğrenme yöntemleri kullanılarak artırılması

    Increasing tne effectiveness of rapid risk detection methods in reinforced concrete buildings by using machine learning methods

    RABİA NUR SAĞLAM

    Doktora

    Türkçe

    Türkçe

    2025

    İnşaat MühendisliğiFırat Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. KÜRŞAT ESAT ALYAMAÇ

    DOÇ. DR. MUSTAFA ULAŞ

  2. Tez No

    952133

    Betonarme binalarda hızlı risk analizinin makine öğrenme teknikleri ile geliştirilmesi

    Improvement of rapid risk analysis in reinforced concrete buildings with machine learning techniques

    MUHAMMED VEYSİ GÜLER

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK

  3. Tez No

    1006436

    Betonarme yapılarda bölgesel risk önceliklerini belirlemek için akıllı bir yaklaşım

    An intelligent approach to determine the regional risk priorities in reinforced-concrete structures

    ESRA OĞLAĞO

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    İnşaat MühendisliğiBitlis Eren Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ERCAN IŞIK

    DOÇ. DR. MEHMET AKİF BÜLBÜL

  4. Tez No

    793876

    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

    Türkçe

    2023

    İnşaat MühendisliğiDicle Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDULHALİM KARAŞİN

  5. Tez No

    949336

    Deprem sonrası betonarme kolonlarda boyuna donatı burkulmasının makine öğrenmesi ile tespiti

    Detection of longitudinal reinforcement buckling in reinforced concrete columns post-earthquake by machine learning

    BAHADIR GÜLEŞMEN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER TUĞRUL TURAN

Geri Dön