Prediction of pore pressure and deviatoric stress generation for liquefiable soils under cyclic loading using machine learning
Sıvılaşabilen zeminlerde dinamik yükleme durumunda boşluk suyu basıncı ve deviatorik gerilme değişiminin makine öğrenmesi yöntemleriyle tahmin edilmesi
- Tez No: 878652
- Danışmanlar: PROF. DR. MEHMET BARIŞ CAN ÜLKER
- Tez Türü: Yüksek Lisans
- Konular: Deprem Mühendisliği, İnşaat Mühendisliği, Earthquake Engineering, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Zemin Mekaniği ve Geoteknik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 153
Özet
Depremlerde yaşanan can kayıpları ve yapısal hasarların çeşitli sebepleri vardır. Yapısal sebeplerin yanısıra, zemin koşulları ile ilgili sebepler de önemli bir yer tutmaktadır. Deprem kaynaklı zemin sıvılaşması zemin kaynaklı problemlerin başında gelmektedir. Sıvılaşma, genel olarak suya doygun ve gevşek kaba daneli zeminlerin dinamik yükleme sonucunda efektif gerilmesinin azalarak sıfırlanması ve sonucunda zeminin mukavemet özelliğini de kaybetmesidir. 1964 yılında yaşanan Niigata ve Alaska Depremleri'nin ardından farkındalığın arttığı zemin sıvılaşması, yapı temellerinde toptan göçmelere sebep olabilmesi itibariyle araştırmacılar tarafından deneysel ve teorik olarak yoğun biçimde çalışılmıştır. Sıvılaşma bir miktar ince dane içeren düşük plastisiteli zeminlerde de gerçekleşebilse de, bu çalışmada yalnızca temiz kumlar dikkate alınmıştır. Sıvılaşabilen zeminlerin dinamik yükleme sonucu davranışlarını modellemek için literatürde pek çok sayıda teorik bünyesel zemin modeli geliştirilmiştir. Çoğunlukla klasik plastisite teorisine dayanan ve birçok ön kabulun yapıldığı bu teorik bünyesel zemin modelleri ile yapılarda dinamik yükleme sonucu zeminden kaynaklı oluşabilecek hasarların önlenmesi amaçlanmıştır. Ancak, teorik bünye modelleri genel zemin dinamik davranışını kabul edilebilir doğruluk seviyesinde ve makul sayıda ve ölçülebilir zemin parametreleriyle tahmin etmekte zorlanmaktadır. Daha başarılı teorik bünye modelleri ise, oldukça fazla sayıda zemin parametresi içermeleri ve daha karmaşık teorik altyapıları nedeniyle, problem çözümlerinde tercih edilmemektedirler. Mühendisler genellikle hızlı, basit ve yeterli doğrulukta çözümler sunan modelleri karmaşık modellere tercih etmektedir. Bu tercih ise, yaklaşımlarda hataya, tehlikeli sonuçlara sebep olabilecek basitleştirmelere veya çok yüksek güvenlik katsayıları kullanılarak ekonomik olmayan çözümlere sebep olabilmektedir. Bu bağlamda, yapılan analizin (örn. Sonlu Elemanlar Yöntemi ile) doğruluğu büyük oranda kullanılan bünyesel modele bağlı olmaktadır. Tüm bu sebeplerle yeni teknolojilerin kullanıldığı, doğruluk ve verimlilik dengesinin gözetildiği yeni nesil bünye modelleri geliştirmek bir ihtiyaç haline gelmiştir. Bu tez çalışmasında, çeşitli makine öğrenmesi yöntemleri kullanarak sıvılaşabilen suya doygun temiz kum zeminlerin dinamik davranışları modellenerek“akıllı bünye modeli”geliştirmenin ilk adımı atılmıştır. Makine öğrenmesi modellerinde çok sayıda, nitelikli ve büyük bir öznitelik aralığını kapsayan verinin toplanması, modeli daha değerli yapmakta ve genelleme kapasitesini artırmaktadır. Bu sebeple ilk olarak detaylı bir veri toplama çalışması yapılmıştır. Temiz kumlar üzerinde yapılmış gerilme kontrollü Dinamik Basit Kesme Deneyi ve şekil değiştirme kontrollü Dinamik Üç Eksenli Deney verileri ayrı veritabalarında toplanmıştır. Veri toplama işlemi ham veriye ulaşılması veya yayınlanan deney sonuçları üzerinden yazılım kullanarak sayısallaştırma işlemi yapılması yoluyla gerçekleştirilmiştir. Dinamik Basit Kesme Deneyi veritabanı 12 farklı kaynaktan 263 laboratuvar deneyi; Dinamik Üç Eksenli Deney veritabanı ise 3 farklı kaynaktan 56 laboratuvar deneyi sonucu içermektedir. Çalışmanın kapsamı, Dinamik Basit Kesme Deneyi veritabanında artık boşluk suyu basıncı artış oranının (ru) tahmin edilmesi ve Dinamik Üç Eksenli Deney veritabanında deviatorik gerilmenin (σ'd) tahmin edilmesi ile sınırlandırılmıştır. Tahminler tek bir parametrenin veya sabit dinamik katsayıların tahmin edilmesi şeklinde değil, tüm dinamik yükleme sürecinde zemin davranışının modellenmesi şeklindedir. Tahminlerde hem grafiklerin doğru tahmin edilmesi, hem de sıvılaşmanın gerçekleştiği çevrim sayısının doğru yakalanması hedeflenmiştir. Dinamik Basit Kesme Deneyi veritabanı kullanılarak yapılan modellerde çevrim sayısı (N), çevrimsel gerilme oranı (CSR), başlangıç göreli sıkılık değeri (Dr) ve başlangıç düşey efektif gerilmesi (σ'v) girdi olarak kullanılmıştır. Dinamik Üç Eksenli Deney veritabanı kullanılarak yapılan modellerde zaman (s), çevrimsel şekil değiştirme oranı (ε), Dr, başlangıç efektif çevre basıncı (σ'3) ve başlangıç boşluk oranı (e) girdi olarak kullanılmıştır. Literatür incelendiğinde zeminin dinamik davranışının tüm yükleme boyunca tahmin edilmeye çalışıldığı benzer çalışmalar görülmüştür. Bu çalışmaların büyük çoğunluğu mevcut teorik bünyesel zemin modellerinden suni veri üretmek suretiyle model eğitimi yapmaktadır. Ayrıca, çalışmaların büyük kısmının monotonik deneylerin tahmini üzerine olduğu görülmüştür. Gerçek verinin kullanıldığı ve dinamik davranışın tahmin edilmeye çalışıldığı çok az sayıdaki çalışmada ise kullanılan veritabanlarının sınırlı olduğu ve tek kaynaktan veri alındığı göze çarpmaktadır. Bu tezdeki her iki veritabanında da farklı kaynaklardan geniş bir öznitelik aralığını kapsayan önemli miktarda veri toplanmıştır. Bu durum problemi zorlaştırmakta ancak değerini artırmaktadır. Çok sayıda ve farklı özniteliklerin ve farklı grafiklerin temsil edildiği bir veritabanında başarıya ulaşmak genelleştirme başarısı yüksek ve daha fazla miktarda zemin tipine hitap eden bir model oluşturmak anlamına gelmektedir. Geliştirilen tüm modellerde Pencereleme yöntemi kullanılmıştır. Her modelde kapsamlı şekilde hiperparametre optimizasyonu yapılmış ve nihai modelin K-Katlamalı Çapraz Doğrulama sonuçları incelenerek modelin dayanıklılığı tartışılmıştır. İlk çalışmalar Dinamik Basit Kesme Deneyi veritabanında yapılmıştır. Öncelikle Rassal Orman yöntemi kullanılarak sonuçlar incelenmiştir. Rassal Orman modelinin doğrulama başarısı ve dayanıklılığının rekabet edebilir düzeyde olduğu ancak grafik tahminlerinde sıvılaşma adımını doğru yakalayamadığı görülmüştür. Daha sonra, XGBoost modeli denenmiştir ve doğrulama başarısı ve dayanıklılığının Rassal Orman yöntemine göre beklenen değişikliği göstermediği sonucuna ulaşılmıştır. Bu iki makine öğrenmesi yönteminden sonra makine öğrenmesinin bir alt dalı olan derin öğrenme yöntemleri kullanılmıştır. İlk olarak çıktıların girdilerin temsil ettiği tek bir zaman adımı olarak ifade edildiği,“tek zaman adımı tahmini”problemi Uzun Kısa Hafızalı Bellek ağı kullanılarak çözülmeye çalışılmıştır. Yapılan hiperparametre optimizasyonu sonucu bulunan nihai modelin deney aşamasındaki tahminleri oldukça başarılı bulunmuştur ancak çapraz doğrulama sonucunda modelin dayanıklılık konusunda geliştirilmesi gerektiğine karar verilmiştir. Bunun üzerine zaman serilerinde yinelemeli sinir ağlarına alternatif olarak kullanılabilecek tek boyutlu evrişim (Conv1D) ağı denenmiştir. Bulunan sonuç bir önceki model ile oldukça benzediği için problem kurgusu tek zaman adımı tahmininden hem girdi hem çıktıların üç boyutlu olarak ifade edildiği dizi problemine çevrilmiştir. Şifreleyici-Çözücü adı verilen özel bir model çeşidi kullanılmıştır. Bu modelin tahmin kapasitesi önceki derin öğrenme modelleriyle benzer bulunmuştur ancak dayanıklılık konusunda bir miktar iyileşme gözlenmiştir. Dinamik Basit Kesme Deneyi veritabanında, derin öğrenme tabanlı modeller doğrulama başarısından hareketle kabaca %10 hata ile ru tahmini yapmıştır. Deney setindeki 55 laboratuvar deneyi sonucunun %70'inde ortalama mutlak hata 0.15'ten küçüktür. Dinamik Basit Kesme Deneyi veritabanından kazanılan bilgiler ışığında Dinamik Üç Eksenli Deney veritabanında tek zaman adımı problem tipinde Uzun Kısa Hafızalı Bellek modeli ve dizi problemi tipinde Şifreleyici-Çözücü modeli kurulmuştur. Dinamik Üç Eksenli Deney veritabanında, modeller doğrulama başarılarından hareketle kabaca %1 hata ile σ'd tahmini yapmıştır ve deney setindeki 12 örneğin 8 tanesinde ortalama mutlak hata 0.02'nin altındadir. Farklı girdi özellikleri olan örneklerde yüksek başarı dikkat çekmektedir ayrıca modellerde dayanıklılık konusunda problem gözlenmemiştir. Dinamik Üç Eksenli Deney veritabanındaki başarı, deneylerin şekil değiştirme kontrollü olmaları ve dolayısıyla sonlu elemanlar programlarında kullanılabilir özellikte olmaları sebebiyle önemlidir. Dinamik Üç Eksenli Deney veritabanında Dinamik Basit Kesme Deneyi veritabanındaki modellere oranla daha yüksek başarıya ulaşılmasının sebebi girdi aralığının her iki veritabanında da geniş olmasına rağmen, Dinamik Üç Eksenli Deney veritabanındaki grafiklerin genel davranışının benzer özelliklere sahip sonuçlar olması şeklinde yorumlanmıştır. Sonuç olarak, sıvılaşabilen zeminlerin tekrarlı yükleme sonucundaki davranışlarının tahmini için, her birinin öncekinden tahmin başarısı ve dayanıklılık açısından daha iyi olması hedefiyle makine öğrenmesi modelleri kurulmuştur. Modellerin optimizasyon aşamaları, çapraz doğrulamaları ve deney sonuçları açıkça ifade edilmiştir. Her iki veritabanında anlamlı bir başarıya ulaşılarak“akıllı bünye modeli”oluşturma konusunda ilk adım atılmıştır.
Özet (Çeviri)
Earthquakes are prominent causes in building failures and loss of lives. Along with the structural reasons, soil related reasons have also substantial effects on earthquake performance of structures. Especially, soil liquefaction stands out with the instant occurence and devastating outcomes. Specifically, the prediction of seismic-induced liquefaction potential in granular soils has arisen as a notable concern. To predict the cyclic behavior of liquefiable soils, many theoretical constitutive models are developed based on many assumptions and complex mathematical background. However, theoretical models either do not adequately explain the observed behavior or requires numerous soil parameters. Since industry demand is fast, simple and precise models rather than complex models having vast amount of parameters and necessitates engineers having higher education, utility of complex models are disadvantaged. Therefore, it is necessity to propose a novel approach with considering accuracy and efficiency trade-off, employing cutting edge technologies. In this thesis, Machine Learning (ML) methods are employed to predict cyclic behavior of saturated liqufiable soils and first steps of the smart constitutive model is taken. Databases of stress controlled Cyclic Simple Shear Tests (CSST) and strain controlled Cyclic Triaxial Tests (CTX) conducted on clean sands are collected. Data gathering are performed with both collecting raw spreadsheets and digitizing the images with available softwares. CSST database contains 263 laboratory tests compiled from 12 sources. CTX database contains 56 laboratory tests compiled from 3 sources. These extensive databases are important to encompass wide input feature range and hence, reducing the risk of overfitting and increasing generalization capacity. With this amount of samples and wide input range, this study distinguishes from similar studies in the literature. Scope of this thesis are predicting entire excess pore water pressure ratio (ru) buildup in CSST database and predicting entire deviatoric stress (σd) buildup in CTX database. Inputs for the CSST database are variation of the number of cycles as a time series (N), variation of the cyclic stress ratio as a time series (CSR), initial relative density (Dr) and the initial effective vertical stress (σ'v). Inputs for the CTX database are the variation of time in seconds as a time series (s), variation of the cyclic strain as a time series (ε), initial relative density (Dr), initial effective confining stress (σ'3) and initial void ratio (e). Capturing both general trend of the graphs and finding the behavior near to the liquefaction point are aimed in predictions. The study initially focused on the CSST database with creating different ML based models, seeking the best model option in both prediction accuracy and robustness. Namely, Random Forest Method (RF), XGBoost, Stacked Long Short-Term Memory (LSTM) network, One Dimensional Convolutional (Conv1D) network and Encoder-Decoder network are created respectively. RF and XGBoost models are built-in methods that are not directly produced for time series problems. It is understood that despite RF and XGBoost models are competitive with deep learning (DL) based models in validation scores and robustness, their prediction graphs deviate especially near to the liquefaction zone. Stacked LSTM network, Conv1D network and Encoder-Decoder network have promising results in CSST database considering difficulty level of problem with having distinct inputs and patterns. DL based models have prediction capability with roughly 10% error. Tested samples are predicted with smaller mean absolute error (MAE) than 0.15 in the 70% of the samples, in the outputs that normalized between 0 and 1. MAE for average K-Fold Cross Validation scores from the stacked LSTM model, Conv1D model, and Encoder-Decoder model altered to 0.1346, 0.1323, and 0.1252, respectively. However, it is inferred that CSST database has still robustness issues. But, after trying numerous models, it can be said that this problem occurs mainly because of database itself having distinct samples and wide input feature range. Then, the know-how gained in the CSST database is applied on CTX database. Stacked LSTM network and Encoder-Decoder networks are created in the CTX database. Conv1D network is not applied in CTX database because there was not meaningful increase in predictive capacity and robustness observed in CSST database. In CTX database, models reached prediction capacity with 1% error for predicting σd and nearly 70% of the samples are predicted with MAE smaller than 0.02 for outputs that normalized between 0 and 1. Robustness problem is not observed in CTX database. This is substantial success with considering nature of the problem. Since CTX database comprised of strain-controlled tests, using this model in Finite Element Method (FEM) based applications is also convenient. Overall, substantial performance is reached in both CSST database and CTX database. Since CTX database contain samples that are more relatable than CSST database, performance is higher in CTX database. This thesis offers a novel smart model to predict cyclic behavior of liquefiable soils with predicting entire behavior through the cyclic loading using comprehensive actual laboratory test results. Further usage of this models in the geotechnical applications is possible.
Benzer Tezler
- Oyuk genişlemesi probleminin sonlu elemanlar yöntemi ile iki boyutlu sayısal analizi
Two dimensional numerical analysis of cavity expanison problem with finite element methods
EMİN ŞENGÜN
Yüksek Lisans
Türkçe
2013
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. METE İNCECİK
DOÇ. DR. MEHMET BERİLGEN
- Taş dolgu dalgakıranların sıvılaşma analizi
Liquefaction analysis for rubble mound breakwaters
AHMET SERKAN TOGAY
Yüksek Lisans
Türkçe
2005
İnşaat MühendisliğiYıldız Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. YALÇIN YÜKSEL
- Konya Ilgın linyit sahası şev stabilite analizi
Konya Ilgin lignite site slope stability analysis
BÜŞRA ERTUĞRUL
Yüksek Lisans
Türkçe
2015
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiMaden Mühendisliği Ana Bilim Dalı
PROF. DR. SELAMET GÜRBÜZ ERÇELEBİ
- Zur dimensionierung der monopile-gründungen von offshore-windenergieanlagen
Başlık çevirisi yok
HACI ERCAN TAŞAN
