Development of a seismic damage prediction model by using machine learning classification algorithms with an artificial dataset
Makine öğrenmesi siniflandirma algoritmalari ile yapay veri seti kullanilarak deprem hasari tahmin modeli geliştirilmesi
- Tez No: 848768
- 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: Deprem Mühendisliği Bilim Dalı
- Sayfa Sayısı: 126
Özet
Olası bir depremin binalarda meydana getirebileceği potansiyel hasarı belirlenmesi ve riskli yapıların güçlendirilmesi veya yeniden inşa edilmesi gibi önlemlerin alınması, sosyal ve finansal kayıpları en aza indirmek açısından kritik bir öneme sahiptir. Yapıların deprem performansının değerlendirilmesi kapsamlı ve zaman alıcı bir süreçtir. Ancak, geleneksel yapısal performans analizleri yerine iyi eğitilmiş makine öğrenmesi tahmin modellerinin kullanılması, hesaplama süresini önemli ölçüde azaltabilir. Bu tez, az ve orta katlı sünek olmayan yapıları ifade etmesi için iki boyutlu betonarme çerçeve sistemlerinden oluşan bir veri seti ve sınıflandırma tabanlı maki-ne öğrenmesi algoritmaları kullanarak bir hasar tahmin modeli geliştirmeye odaklanmaktadır. Veri setini oluşturan yapısal özellikler, Marmara bölgesindeki bina stok özellikleri hakkında kapsamlı bir literatür taramasından elde edilmiştir. Doğrusal olmayan dinamik analizler, gerçek deprem kayıtları kullanılarak OpenSeesPy programı ile yapılmış-tır. Katlar arası göreli en yüksek yer değiştirme oranı, binaların hasar durumunu sınıflandırmak için mühendislik talep parametresi olarak kullanılmıştır. Altı farklı yer hareketi şiddet ölçütü ve dört makine öğrenmesi sınıflandırma algoritması (k-Nearest Neighbors, Support Vector Machine, Decision Tree, and Random Forest olmak üzere) kullanılarak yirmi dört farklı model oluşturulmuştur. Modellerin performansı, performans metrikleri ve karışıklık matrisi karşılaştırılarak belirlenmiştir. Sonuç olarak, yirmi dört model arasında, pik yer hızını içeren veri seti ve Random Forest sınıflandırma algoritması kullanılan model, %92 oranında tahmin doğruluğu ile en etkili performansı sergilemektedir.
Özet (Çeviri)
Assessing the potential damage to buildings due to a possible earthquake in a region and taking measures, such as strengthening or reconstruction of vulnerable structures, is critically important to minimize social and economic losses that are likely to occur. Evaluating the seismic performance of structures is a comprehensive and time-consuming process. However, using well-trained machine learning prediction models instead of traditional structural performance analyses can significantly reduce computation time. This thesis focuses on developing a damage prediction model using classification-based machine learning algorithms, utilizing a two-dimensional reinforced concrete frame system dataset that represents low to mid-rise, non-ductile buildings. The structural features forming the dataset are obtained from a comprehensive literature review on building stock characteristics in the Marmara region. Nonlinear time-history analyses are conducted using actual earthquake records with the OpenSeesPy framework. The maximum inter-story drift ratio is used as an engineering demand parameter to classify the damage state of buildings. Reliable machine learning models are developed with a balanced dataset. Twenty-four models are created using six variant ground motion intensity measures and four classification algorithms: k-Nearest Neighbors, Support Vector Machine, Decision Tree, and Random Forest. The best-performing model is determined by comparing performance metrics and the confusion matrix. In conclusion, the model developed with a dataset incorporating peak ground velocity and utilizing the Random Forest classification algorithm demonstrates the most effective performance with 92% prediction accuracy.
Benzer Tezler
- Betonarme perdelerin çevrimsel sönümlenen enerji kapasitesinin makine öğrenmesi yöntemleri ile incelenmesi
Investigation of energy dissipation capacity of RCc shear walls with machine learning methods
BERKAY TOPALOĞLU
Yüksek Lisans
Türkçe
2022
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP DEĞER
- Estimation of in-situ concrete strength using drilling resistance method and machine learning
Sertleşmiş betonun basınç dayanımının delme direnci yöntemi ve yapay öğrenme yöntemleri ile tahmini
SERKAN KARATOSUN
Yüksek Lisans
İngilizce
2021
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. OĞUZ GÜNEŞ
- Development of peak ground acceleration (PGA) based pre-code reinforced concrete frame building fragilities for istanbul
Deprem yönetmeliklerine uygun tasarlanmamış orta katlı betonarme çerçeve binaların en büyük yer ivmesine bağlı kırılganlık ilişkilerinin elde edilmesi
İPEK DOLAĞAN
Yüksek Lisans
İngilizce
2019
Deprem MühendisliğiBoğaziçi ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
PROF. DR. DEDE SİNAN AKKAR
- Betonarme kolonların deprem performansının tekstil donatılı / donatısız cam lifli püskürtme harçla iyileştirilmesi
Improvement of seismic performance of reinforced concrete columns using glass fiber reinforced sprayed mortar with / without textile reinforcement
ALİ OSMAN ATEŞ
Doktora
Türkçe
2022
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER İLKİ