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: Yapay zeka, Artificial intelligence
- 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: Belirtilmemiş.
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 Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ AKKAYA
- İdrar kültürlerinden izole edilen coag (-) staphylococcus (s. epidrmidis ve s. saprophyticus)'ların idrar yolu enfeksiyonlarındaki yeri
The Place of coag (-) staphylococcus to the urinary tract infectron which are isolated from the urine cultures
SUMRU ÇITAK(KORMAN)
- Dondurularak saklamanın tavuk etinin bazı kalite özellikleri üzerine etkisi
Başlık çevirisi yok
Ö.EVREN ATASOY
Yüksek Lisans
Türkçe
1987
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
DR. SUMRU TÖMEK
- Çanakkale ve çevresi artiodactyla fosilleri (paleontoloji, biyostratigrafi, paleoekoloji ve paleobiyocoğrafya) (2 cilt)
Başlık çevirisi yok
VAHDET TUNA
- Uygun sulama yönteminin seçimine ekonomik faktörlerin etkisi
Effect of economical factors on the selection of irrigation methods
YASEMİN ALTINORAK
Yüksek Lisans
Türkçe
1987
ZiraatAnkara ÜniversitesiKültürteknik Ana Bilim Dalı
YRD. DOÇ. DR. OSMAN YILDIRIM