The use of machine learning algorithms to derive fragility curves for mid-rise reinforced concrete buildings
Orta katlı betonarme binalar için kırılganlık eğrilerinin makine öğrenmesi algoritmaları ile türetilmesi
- Tez No: 847324
- Danışmanlar: DOÇ. DR. UFUK HANCILAR
- Tez Türü: Yüksek Lisans
- Konular: Deprem Mühendisliği, Earthquake Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Kandilli Rasathanesi ve Deprem Araştırma Enstitüsü
- Ana Bilim Dalı: Deprem Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 231
Özet
Bir depremin meydana gelmesi, mutlaka bir sismik risk olduğunu göstermez. Riskin varlığı; bir konumda deprem tehlikesinin var olması, o deprem tehlikesine maruz kalacak bir varlığın olması ve o varlığın deprem tehlikesi altında hasar görebilme durumunu içermesine bağlıdır. Mevcut binaların riskini değerlendirmek, son derece zaman alıcı ve binaya özgü bir görevdir. Bununla birlikte, bir portföy veya bir grup bina incelenirken her bir yapının riskini belirlemek karmaşık olabilir. Binalar için kırılganlık eğrileri geliştirmek, potansiyel hasarı belirlemek için olası ve daha anlaşılabilir bir yöntem sağlar. Makine öğrenimi algoritmaları, potansiyel yapısal hasarı tahmin etmek için yeni yaklaşımlardan biridir. İyi eğitilmiş makine öğrenimi algoritmaları, işlemlerin hızlandırılmasını, hesaplama maliyetinin düşürülmesini ve güvenilir kırılganlık eğrileri üretilmesini sağlar. Bu tez, Random Forest, Stokastik Gradient Boosting, Naïve Bayes, Decision Tree, K-Nearest Neighbor olmak üzere beş farklı makine öğrenimi algoritması ile maksimum katlar arası öteleme oranı aralıklarının olasılığını tahmin ederek Marmara bölgesinde bulunan jenerik bina envanteri için kırılganlık eğrileri geliştirmeye odaklanmaktadır. Yapay olarak oluşturulan orta katlı betonarme binaların yapısal özellikleri, Marmara bölgesi için yapılmış literatür araştırmaları dikkate alınarak belirlenmiştir. Makine öğrenmesi için veriler, OpenSeesPy paketi ile 2 boyutlu çerçeve sistemleri tasarlanarak ve bu tasarlanan modeller zaman tanım alanında doğrusal olmayan analiz edilerek toplanmıştır. Makine öğrenimi algoritmaları, farklı yer hareketi şiddet parametreleri ve binaların özellikleri dikkate alınarak eğitilmiştir. Makine öğrenmesi algoritmaları ile üretilen kırılganlık fonksiyonları maksimum olabilirlik tahmini ile log-normal dağılıma oturtturulmuş kırılganlık fonksiyonları ile karşılaştırılarak değerlendirilmiştir.
Özet (Çeviri)
The occurrence of an earthquake does not necessarily indicate that there is a seismic risk. The existence of risk depends on having three components, which are hazards, exposures, and fragility together. Assessing the risk of existing buildings is a building-specific task that may be tremendously time-consuming and computationally burdensome. However, determining the risk of each structure can be complicated when investigating a portfolio or a group of buildings. Developing fragility curves for buildings provides a possible and more undemanding method to estimate damage likelihood. Machine learning algorithms are one of the novel approaches that are implemented for estimating potential structural damage. Well-trained machine learning algorithms provide to speed up processing, cut down the cost of computation, and produce reliable fragility curves. This thesis focuses on developing fragility curves for generic building inventory spread over the Marmara region by predicting the probability of maximum inter-story drift ratio intervals via five various machine learning algorithms, which are Random Forest, Stochastic Gradient Boosting, Naïve Bayes, Decision Tree, K-Nearest Neighbors. Information on the characteristics of pre-dominant building typologies in the Marmara region available in the literature is utilized for creating an artificial inventory dataset of mid-rise RC buildings. The data for the machine learning was gathered by designing and analyzing 2-D frame systems under non-linear time history analysis with OpenSeesPy. The machine learning algorithms are trained considering different intensity measures and buildings' characteristics. Machine learning algorithms are evaluated when generating fragility functions by comparing those produced by fitting log-normal distribution with the maximum likelihood estimation method.
Benzer Tezler
- Uçuş mürettabatı için arıza teşhis uzman sistemi
Fault diagnosis expert system for flight crew
SEDEF ÖZÇELİK
Yüksek Lisans
Türkçe
2002
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiUzay Mühendisliği Ana Bilim Dalı
PROF. DR. ALPASLAN FIĞLALI
- Adaptive inverse optimal controller design for non-affine nonlinear systems using machine learning techniques
makine öğrenmesi teknikleri kullanarak doğrusal ve afin olmayan sistemler için adaptif ters optimal kontrolör tasarımı
MUHAMMET EMRE SANCI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. GÜLAY ÖKE GÜNEL
- Digital biomarker discovery for non-invasive health monitoring with acoustic and vibration signals
Akustik ve titreşim sinyalleri ile non-ınvazif sağlık izleme için dijital biyomarker keşfi
BEREN SEMİZ GÜRSOY
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiGeorgia Institute of TechnologyElektronik-Bilgisayar Ana Bilim Dalı
PROF. ÖMER TOLGA İNAN
- Beton dolgulu çelik tüplü dairesel kesitli kolonların eksenel yük taşıma kapasitesinin tahmini
Prediction of axial load carrying capacity of concrete-filled steel tube circular section columns
FATİH ÇIBUK
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiYıldız Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEMA ALACALI
- Crop classification with polarimetric synthetic aperture radar images: Comparative analysis
Polarimetrik sentetik açıklıklı radar görüntüleri ile ürün deseni sınıflandırması: Karşılaştırmalı analiz
MUSTAFA ÜSTÜNER
Doktora
İngilizce
2020
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
PROF. DR. FÜSUN BALIK ŞANLI
DOÇ. DR. GÖKHAN BİLGİN