Deep learning-based predictive model for cement strength in building construction
Bina inşaatında çimento mukavemeti için derin öğrenme tabanlı öngörülen model
- Tez No: 848863
- Danışmanlar: Prof. Dr. GALİP CANSEVER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 77
Özet
Bu araştırma çalışması, bina inşaatında CS'yi tahmin etmek için makine öğrenimi (ML) ve derin öğrenme (DL) modellerinin geliştirilmesini ve değerlendirilmesini sunmaktadır. Bu çalışmada kullanılan veriler Kaggle web sitesinden elde edilmiş olup, çeşitli özellikler modellere girdi olarak kabul edilmiştir. Bu çalışmada kullanılan ML modelleri Destek Vektör Makinesi (SVM), Rastgele Orman ve XGBoost'u içerirken, DL modelleri Evrişimli Sinir Ağı (CNN) ve Yapay Sinir Ağı'dır (ANN). Modellerin başarısı RMSE, R², MSE, MAE, EV ve MAPE gibi çeşitli ölçümler kullanılarak değerlendirildi. Bulgular, Random Forest ve XGBoost modellerinin doğruluk (ACC) açısından SVM modelinden daha iyi performans gösterdiğini, CNN ve ANN modellerinin ise diğer modellere göre daha düşük performansa sahip olduğunu gösterdi.
Özet (Çeviri)
This research work presents the development and evaluation of machine learning (ML) and deep learning (DL) models for predicting the CS in building construction. The data used in this study were obtained from Kaggle website, and several features were considered as inputs to the models. The ML models employed in this study include Support Vector Machine (SVM), Random Forest, and XGBoost, while the DL models are Convolutional Neural Network (CNN) and Artificial Neural Network (ANN). The achievement of the models was assessed using various measures such as RMSE, R², MSE, MAE, EV, and MAPE. The findings showed that the Random Forest and XGBoost models conducted better than the SVM model in terms of accuracy (ACC), while the CNN and ANN models had inferior performance compared to the other models.
Benzer Tezler
- Prediction of early-age mechanical properties of high strength concrete with pozzolans by using statistical methods
İstatistik yöntemler kullanılarak puzolan katkılı yüksek dayanmlı betonların erken yaş mekanik özelliklerinin tahmini
MUZAFFER UMUR DALGIÇ
Yüksek Lisans
İngilizce
2022
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Ana Bilim Dalı
PROF. DR. YILMAZ AKKAYA
- Derin öğrenmeyle postpartum depresyon tahmini
Postpartum depression prediction using deep learning
GÜRKAN CANER BİRER
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
PROF. DR. SERDAR KULA
- Measuring and evaluating the maintainability of microservices
Mikroservislerin sürdürülebilirliğinin ölçülmesi ve değerlendirilmesi
RAHİME YILMAZ
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEZA BUZLUCA
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- Derin öğrenme tabanlı model öngörülü kontrol için MILP formülasyonları
MILP formulations for deep learning based model predictive control
ZEYNEP SOYYİĞİT ÖZGEN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR YILDIRAN