Geri Dön

Evrişimli sinir ağı modellerinin betonarme yapılarda deprem hasarı sınıflandırması üzerinden karşılaştırılması: Kahramanmaraş örneği

Comparision of convolutional neural network models on earthquake damage classification in reinforced concrete structures: The case of Kahramanmaraş

  1. Tez No: 878236
  2. Yazar: RAŞİT EREN CANGÜR
  3. Danışmanlar: DOÇ. DR. TOGAN TONG
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mimarlık, Architecture
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
  12. Bilim Dalı: Mimarlık ve Tasarım Bilim Dalı
  13. Sayfa Sayısı: 103

Özet

Yıkıcı depremlerden sonra betonarme binalarda hasarları doğru ve hızlı tespit edebilmek zor ve karmaşık ortamlar doğurabilmektedir. Yıllar içinde olan depremlerde, güvenlik çalışmaları kapsamında yer alan görevli uzman kişilerin sayısı ile depremden etkilenen yapıların sayısı arasındaki farkın fazla olması sürecin yavaş ilerlemesine sebep vermektedir. Bununla birlikte, uzman kişilerin gözlem yoluyla hasarları hızlı tespit etme çabasının öznel yorum barındırma riski, hem ekonomik sonuçlara hem de can kayıplarına yol açabilmektedir. Bu sebepler, süreç içerisinde alınması gereken güvenlik kararlarının belirsizliğini artırmakta ve oluşan mağduriyeti pekiştirmektedir. Derin öğrenme yöntemlerinin mimarlık, mühendislik ve inşaat (MMİ) alanında kullanımının artmasıyla, bu durumun belirsizliği ortadan kaldırılmaya çalışılmıştır. İlgili çalışmalarda, Evrişimli Sinir Ağları modellerine, betonarme hasarlarının sınıflandırılması problemi sıklıkla verilmiştir. Bu çalışmada, literatürde yüksek eğitim başarıları sahip AlexNet ve VGG19 modellerinin deprem sonrası betonarme yapılarda oluşan hasarların sınıflandırma performansı karşılaştırılmıştır. Modellerin eğitimi için kullanılacak veriler, 06 Şubat 2023 Hatay ve Kahramanmaraş depremlerinden çekilen görüntülerden elde edilmiştir. Hasarlar, yapısal olan ve yapısal olmayan olacak şekilde iki farklı sınıfa ayrılmıştır. Modeller, k-fold çapraz doğrulama sabiti 5 alınarak eğitilmiştir. Eğitim sonucunda, AlexNet modelinin ortalama doğruluk puanı 0.9704(\%97,04), kayıp değeri ise 0.0819(\%8.19) puan ölçülmüştür. VGG19 modelinde ise ortalama doğruluk puanı 0.9096(\%90.96), kayıp değeri 0.2116(\%21.16) olarak gözlemlenmiştir. Sonuçlara baktığımızda, modellerdeki katman sayısının artması, model başarımını olumsuz etkilemiştir. Öte yandan her iki model de bu ikili sınıflandırma için yeterli başarıma ulaşmıştır. Sınıf Aktivasyon Haritaları(SAH) ile birlikte hasar sınıflandırmasında modelin sınıf atama sürecinde hasarın odaklandığı yerlerin ısı haritaları çıkarılmıştır. SAH verilerine göre AlexNet modelinin resim içerisinde hasarın olduğu bölgeye odaklanma başarısı, VGG19 modeline göre daha yüksek olduğu gözlemlenmiştir. Bununla birlikte bu çalışmada, test görsellerinin renk kanallarındaki değişim, görselin sınıf etiketini etkilediği sonucu ortaya konmuştur.

Özet (Çeviri)

After destructive earthquakes, it can be difficult and complex to accurately and quickly detect damages in reinforced concrete buildings. In earthquakes that have occurred over the years, the difference between the number of experts involved in the safety studies and the number of structures affected by the earthquake causes the process to progress slowly. In addition, the risk of subjective interpretation of the efforts of experts to quickly detect damages through observation can lead to both economic consequences and loss of life. These reasons increase the uncertainty of the security decisions to be taken during the process and reinforce the victimization. With the increasing use of deep learning methods in the field of architecture, engineering and construction (AEC), the uncertainty of this situation has been tried to be eliminated. In related studies, convolutional neural network(CNN) models are frequently applied to the problem of classification of reinforced concrete damages. In this study, the classification performance of AlexNet and VGG19 models, which have high training success in the literature, is compared. The data to be used for the training of the models were obtained from images taken from the 06 February 2023 Hatay and Kahramanmaraş earthquakes. Damages are categorized into two different classes: structural and non-structural. The models were trained with a k-fold cross-validation constant of 5. As a result of the training, the average accuracy score of the AlexNet model was 0.9704 (97.04\%) and the loss value was 0.0819 (8.19\%). In the VGG19 model, the average accuracy score was 0.9096 (90.96\%) and the loss value was 0.2116 (21.16\%). When we look at the results, the increase in the number of layers in the models has negatively affected the model performance. On the other hand, both models achieved sufficient performance for this binary classification. With class activation maps (CAM), heat maps of the locations where the damage is focused during the class assignment process of the model in damage classification were extracted. According to the CAM data, it was observed that the success of the AlexNet model in focusing on the damage region in the image was higher than the VGG19 model. In addition, in this study, it was concluded that the change in the color channels of the test images affects the class label of the image.

Benzer Tezler

  1. Betonarme yapılarda akustik emisyon yöntemiyle yapay zeka tabanlı hasar tespiti

    Artificial intelligence-based damage detection in reinforced concrete structures by acoustic emission method

    OMAIR INDERYAS

    Doktora

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiEge Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. NİNEL ALVER

  2. Prefabrike betonarme yapı elemanı üretiminde derin öğrenme yöntemleriyle iş gücü performans analizi

    Workforce performance analysis in the production of prefabricated reinforced concrete structural elements by using deep learning methods

    İREM BAYRAM ZÜMRÜT

    Doktora

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiEge Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELİM BARADAN

  3. Sinir ağlarında özelleştirilmiş değerler ile ağırlıkların başlatılması ve sınıflandırma sonuçlarına etkilerinin incelenmesi

    Initialization of weights with customized values in neural networks and investigation of their effects on classification results

    HÜSEYİN KAMER KARA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGümüşhane Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZKAN BİNGÖL

  4. Comparative analysis of deep convolutional neural network models for classification of brain tumors

    Beyin tümörlerinin sınıflandırılmasında derin evrişimli sinir ağı modellerinin karşılaştırmalı analizi.

    OZAN AKHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstinye Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ŞENOL PİŞKİN

  5. Pirinç yaprak hastalıklarının sınıflandırılmasında derin evrişimli sinir ağı modellerinin karşılaştırmalı analizi

    Comparative analysis of deep convolutional neural network models for classification of rice leaf diseases

    ERKAN VEZİROĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET COŞKUNÇAY

    DR. ÖĞR. ÜYESİ İSHAK PAÇAL