Betonarme yapılarda akustik emisyon yöntemiyle yapay zeka tabanlı hasar tespiti
Artificial intelligence-based damage detection in reinforced concrete structures by acoustic emission method
- Tez No: 883886
- Danışmanlar: PROF. DR. NİNEL ALVER
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Akustik Emisyon, Yapay Zeka, Sinyal Filtreleme, Hasar Tespiti, Betonarme Kiriş, Acoustic Emission, Artificial Intelligence, Signal Filtration, Damage Estimation, Reinforced Concrete Beam
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
- Sayfa Sayısı: 217
Özet
Yapısal sağlık izleme alanında, betonarme yapıların dayanıklılığı ve güvenliği hakkında doğru bilgiye sahip olmak oldukça önemlidir. Bu betonarme yapılar genellikle dayanıklılıklarını ve güvenliklerini sağlamak için sürekli izleme gerektiren köprüler, binalar ve barajlardır. Bu yapılardaki hasarı uygun şekilde değerlendirme ve tahmin etme becerisi, potansiyel felaket olaylarından korunmada önemli bir rol oynayan önleyici bakımın gerçekleştirilmesine yardımcı olmaktadır. Bu nedenle, büyük felaketlere karşı gerekli önlemleri almak için yapılardaki hasarı tespit etmek önemlidir. Tahribatlı ve tahribatsız muayene (NDT) yöntemleri gibi geleneksel yöntemler yapıları değerlendirir ve hasarı tespit etmektedir ancak, teknolojideki önemli ilerlemeyle birlikte, betonarme yapılardaki hasarları belirlemek için etkili NDT yöntemlerini kullanan yapay zeka modellerinin otomatik, hızlı, gerçek zamanlı ve güvenilir hasar tespiti için geliştirilmesi önemlidir. Bu tez çalışmasında, tahribatsız muayene yöntemi olan akustik emisyon (AE) kullanılarak yapıların hasar durumlarının tespiti için yapay zeka tabanlı hasar tespit modellerinin geliştirilmesi ve değerlendirilmesi amaçlanmıştır. Ancak, AE testinden elde edilen AE sinyallerinin gürültülü olması hasarların yanlış sınıflandırılmasına neden olduğundan, çalışmanın ilk aşamasında gürültü veya gereksiz sinyalleri filtrelemek için yapay zeka filtreleme modelleri geliştirilmiş ve değerlendirilmiştir. Çalışmanın bir sonraki aşamasında, AE verileri ile betonarme kirişlerin farklı yükleme koşulları altında hasar seviyelerinin belirlenmesi ve yapay zeka yardımıyla eğitilerek test edilmesi hedeflenmiştir. Bu amaçla deneysel çalışmada, 2m uzunluğunda toplam 6 adet betonarme kiriş eğilme ve kesme etkisiyle göçecek şekilde üretilip ve dört noktalı eğilme yüklemesi altında test edilmiştir. Tüm kiriş numuneleri yükleme sırasında AE yöntemi ile eş zamanlı olarak izlenmiştir. Tüm kirişlerden elde edilen AE aktiviteleri değerlendirildikten sonra kirişlerde 3 hasar seviyesi belirlenmiştir. Kirişlerin bu hasar seviyeleri, farklı yapay zeka yöntemleri; Yapay Sinir Ağı (Artificial Neural Network- ANN), 1 Boyutlu Evrişimli Sinir Ağı (1-Dimensional Convolutional Neural Network-1DCNN), 2 Boyutlu Evrişimli Sinir Ağı (2-Dimensional Convolutional Neural Network- 2D-CNN) ve Hibrit Ağı (Hybrid Network) üzerinde AE setlerinin farklı kombinasyonları kullanılarak değerlendirilmiştir. Sonuçlar, farklı yapay zeka yöntemleri kullanılarak, modelin hasar seviyelerini tahmin etmedeki performansının AE veri setinin tipine ve modelin mimarisine bağlı olduğunu göstermiştir. Çalışmada, sadece AE parametrelerini kullanan 1D-CNN yöntemi, hasar tipinden bağımsız olarak kirişin hasar seviyelerini tahmin etmek için etkili bulunmuştur. Ayrıca AE parametreleri, dalga formları ve skalogramlardan oluştuğundan, kirişlerin testinden elde edilen tüm AE verilerinin kombinasyonunu kullanan hibrit modeller optimum performansla sonuçlanmıştır. Dolayısıyla, 1D-CNN ve hibrit modelleri kullanarak, kirişteki hasar tipinden bağımsız olarak kirişlerdeki hasar seviyelerini sınıflandırmak için uygulanabilirlikleri ve potansiyelleri hakkında değerli bilgiler kazanmıştır.
Özet (Çeviri)
In the field of structural health monitoring, reliable knowledge about the resilience and safety of reinforced concrete structures is critical. These reinforced concrete structures are commonly bridges, buildings, and dams, which require constant monitoring to ensure their durability and safety. The ability to appropriately evaluate and predict damage in these structures helps perform preventative maintenance, which plays an important role in avoiding potential catastrophic events. Thus, it is important to identify the damage in structures to take essential precautions against major catastrophic events. Traditional methods, such as destructive and non-destructive testing (NDT) methods, evaluate the structures and determine the extent of damage. However, with the significant advancement in technology, the emphasis has shifted more towards using artificial intelligence models using effective NDT methods for determining damages in reinforced concrete structures as the foundation for automatic, fast, real-time and robust damage detection. In this study, it was aimed to develop and evaluate artificial intelligence-based damage detection models for the detection of damage conditions of structures with acoustic emission (AE) data which is one of NDT methods. However, since the AE signals obtained from the AE test are composed of noise-induced signals, which cause incorrect classification of damages, artificial intelligence filtering models were developed and evaluated to filter out noise or unnecessary signals in the first stage of the study. In the next stage of the study, it was aimed to determine the damage levels of reinforced concrete beams under different loading conditions with AE data and to train and test them with the help of artificial intelligence. For this purpose, in the experimental study, a total of 6 reinforced concrete beams with a length of 2m were manufactured to fail in bending and shear and tested under four- point bending test. All beams were monitored simultaneously with the AE method during the loading of the specimens. After evaluating the AE activities obtained from all beams, 3 damage levels were determined. These damage levels of the beams were evaluated using different combinations of AE sets on different artificial intelligence methods; Artificial Neural Network (ANN), 1-Dimensional Convolutional Neural Network (1D-CNN), 2-Dimensional Convolutional Neural Network (2D-CNN) and Hybrid Network (Hybrid Network). The results showed that the performance of the model in predicting damage levels using different artificial intelligence methods depends on the type of AE data set and the architecture of the model. In the study, the 1D-CNN method using only AE parameters was found to be effective for predicting the damage levels of the beam regardless of the damage type. Moreover, since the AE parameters consist of waveforms and scalograms, hybrid models using the combination of all AE data obtained from the testing of the beams resulted in optimal performance. Hence, using 1D-CNN and hybrid models gained valuable insights into their applicability and potential to classify damage levels in beams regardless of the type of damage in the beam.
Benzer Tezler
- Kendiliğinden yerleşen betonların akustik emisyon yöntemi ile korozyon direnci ve mekanik özelliklerinin araştırılması
Investigation of corrosion resistance and mechanical properties of self-compacting concretes with acoustic emission method
EMRİYE ÇINAR RESULOĞULLARI
Doktora
Türkçe
2023
İnşaat MühendisliğiOsmaniye Korkut Ata Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BEHCET DÜNDAR
- Reaktif pudra beton içerikli betonarme kirişlerin göçme mekanizmalarının akustik emisyon yöntemiyle belirlenmesi
Determination of fracture mechanisms of reactive powder concrete (RPB) beams by acoustic emission method
SETENAY SÜRMELİOĞLU
Yüksek Lisans
Türkçe
2016
İnşaat MühendisliğiEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. NİNEL ALVER
- Yüksek sıcaklığa maruz betonarme elemanlarda elastik dalga tabanlı tahribatsız muayene yöntemleriyle hasar analizi
Damage analysis of reinforced concrete elements subjected to high temperature using elastic wave based non-destructive testing methods
TOLGA ARSLAN
Doktora
Türkçe
2024
İnşaat MühendisliğiEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. NİNEL ALVER
- Beton karot numunelerindeki hasar seviyelerinin AE-oran işleme analizi ile belirlenmesi
Damage level determination of concrete core samples by AE-rate process analysis
ALI SEYEDYOUSEFISHESHDEH
Yüksek Lisans
Türkçe
2019
İnşaat MühendisliğiEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. EBRU ERİŞ DUMAN
- Çok katlı yapılarda esnek ve değişebilir düşey bölme elemanları
The flexible and changeable vertical partition in high rise building
KENAN BAŞOĞLU
Sanatta Yeterlik
Türkçe
2007
İç Mimari ve DekorasyonHacettepe Üniversitesiİç Mimarlık ve Çevre Tasarımı Ana Sanat Dalı
DOÇ. HAKAN ERTEK