Geri Dön

Binaların deprem performanslarının belirlenmesi için makine öğrenmesi tabanlı yazılımın geliştirilmesi

Development of machine learning based software for determining earthquake performance of buildings

PDF İndir

  1. Tez No: 916367
  2. Yazar: ÖNDER PEKER
  3. Danışmanlar: PROF. DR. MEHMET FATİH ALTAN
  4. Tez Türü: Doktora
  5. Konular: Deprem Mühendisliği, İnşaat Mühendisliği, Earthquake Engineering, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Aydın Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 142

Özet

Bu tez çalışması, binaların deprem performanslarının hızlı ve doğru bir şekilde değerlendirilmesi için makine öğrenmesi tabanlı bir yazılım geliştirilmesini konu almıştır. Türkiye Bina Deprem Yönetmeliği (TBDY-2018) ve uluslararası yapı standartları çerçevesinde tasarlanan yazılım, yapı performansı değerlendirmelerinin mevcut yöntemlerine yenilikçi bir alternatif sunmuştur. Çalışma kapsamında, binaların deprem dayanıklılığını değerlendirmek amacıyla Random Forest, Gradient Boosting Machines ve XGBoost gibi güçlü makine öğrenmesi algoritmaları kullanılmıştır. Bu algoritmalar, yapı özellikleri (bina yaşı, beton dayanımı, kolon ve kiriş boyutları, kat sayısı, zemin durumu vb.) ile yapı performansı arasındaki ilişkileri modellemek için optimize edilmiştir. Yazılımın geliştirilmesinde, kullanıcı dostu bir grafiksel arayüz (GUI) tasarlanmış ve bu arayüz hem mühendislik uzmanları hem de mühendislik bilgisi sınırlı kullanıcılar için kolay anlaşılabilir bir yapıda tasarlanmıştır. Kullanıcıların, yazılım üzerinden verilerini hızlı bir şekilde girebilmesi, sonuçların grafiksel çıktılar (karışıklık matrisi, özellik önem sıralamaları) ile analiz edilebilmesi sağlanmıştır. Yazılımın doğruluğu, SAP2000 ve Sta4CAD gibi mühendislik yazılımlarının sonuçlarıyla kıyaslanmış ve tutarlı sonuçlar elde edilmiştir. Bu kıyaslama, geliştirilen yazılımın güvenilirliğini ve mühendislik uygulamalarında kullanılabilirliğini ortaya koymuştur. Modellerin performansı, doğruluk, kesinlik, duyarlılık ve F1 skoru gibi metrikler üzerinden değerlendirilmiştir. Çalışmada özellikle Gradient Boosting ve XGBoost algoritmalarının performans açısından diğer modellere üstünlük sağladığı gözlemlenmiştir. Bunun yanı sıra, özellik önem sıralamaları, bina performansını etkileyen en kritik faktörleri belirlemiş ve bu faktörlerin yapı tasarımı ve güvenliği üzerindeki etkilerini daha iyi anlamaya olanak sağlamıştır. Yazılımın hızlı analiz kapasitesi, geniş veri setleri ile yapılan testlerde zaman tasarrufu sağlamış ve geniş çaplı uygulamalar için pratik bir çözüm olarak öne çıkmıştır. Bu çalışma, yapı güvenliğini değerlendirmede modern makine öğrenmesi tekniklerinin uygulanabilirliğini göstermiştir. Geliştirilen yazılım, deprem riski taşıyan binaların hızlı bir şekilde tespit edilmesi, şehir ölçeğinde risk haritalarının oluşturulması ve yapıların iyileştirilmesi süreçlerine katkı sağlayabilecek potansiyele sahiptir. Gelecekte yazılımın mobil ve çevrimiçi platformlara taşınması, IoT cihazlarından alınan verilerle gerçek zamanlı analiz yapılması ve daha geniş veri setleriyle çalışabilecek şekilde optimize edilmesi önerilmektedir.

Özet (Çeviri)

This thesis focuses on the development of machine learning-based software for the rapid and accurate assessment of the earthquake performance of buildings. Designed within the framework of the Turkish Seismic Code and international structural standards, the software offers an innovative alternative to current methods of structural performance evaluation. The study employs robust machine learning algorithms, such as Random Forest, Gradient Boosting Machines, and XGBoost, to assess the seismic resilience of buildings. These algorithms have been optimized to model the relationships between structural features (e.g., building age, concrete strength, column and beam dimensions, number of floors, soil conditions) and structural performance. A user-friendly graphical user interface (GUI) was designed as part of the software development process, ensuring accessibility for both engineering professionals and users with limited technical expertise. The GUI allows users to input data efficiently and analyse results through graphical outputs, such as confusion matrices and feature importance rankings. The software's accuracy was validated by comparing its results with those obtained from engineering tools like SAP2000 and Sta4CAD, yielding consistent outcomes. This validation demonstrated the reliability and applicability of the developed software for engineering applications. The performance of the models was evaluated using metrics such as accuracy, precision, recall, and F1-score. The study found that Gradient Boosting and XGBoost algorithms outperformed other models in terms of performance. Furthermore, the feature importance rankings identified critical factors influencing building performance, providing insights into their impact on structural design and safety. The software's rapid analysis capability saved significant time during tests with large datasets, making it a practical solution for extensive applications. This study highlights the feasibility of applying modern machine learning techniques to structural safety assessments. The developed software has the potential to facilitate the rapid identification of earthquake-prone buildings, the creation of city-scale risk maps, and the improvement of structural resilience. Future recommendations include migrating the software to mobile and online platforms, enabling real-time analysis using data from IoT devices, and optimizing it for larger datasets.

Benzer Tezler

  1. Tez No

    730860

    Development of a machine learning based framework for failure forecast and shear strength estimation of conventional RC shear walls

    Geleneksel betonarme perde duvarların göçme modu ve kesme kuvveti kapasitesini tahmin eden makine öğrenmesi tabanlı bir yaklaşım geliştirilmesi

    MEHMET TAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Deprem Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜLŞEN TAŞKIN KAYA

  2. Tez No

    259266

    Fırat Üniversitesi Mühendislik Fakültesi kampüs binalarının deprem performanslarının belirlenmesi

    Determination of earthquake performance of buildings in the Firat University, Engineering Faculty?s campus

    ÖZLEM GÖK

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    İnşaat MühendisliğiFırat Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MUHAMMET KARATON

  3. Tez No

    323884

    Van depreminde hasar gören mevcut betonarme bir binadaki hasarın, DBYBHY 2007'ye göre yapılan performans analiz sonuçları ile karşılaştırılması

    Comparison of the observed damage and calculated performance assessment results according to the TSC2007 of an RC building which exposed to the van earthquake

    ALPER AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ALPER İLKİ

  4. Tez No

    495319

    Farklı taşıyıcı sisteme sahip betonarme yüksek binaların deprem performanslarının incelenmesi

    Seismic performance evaluation of tall buildings with different structural system

    FARUK DADAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    İnşaat MühendisliğiYıldız Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BARIŞ SEVİM

  5. Tez No

    232110

    Yapıların sismik izolasyonunda ileri denetim algoritmalarının uygulanması

    Application of advanced control algorithms in seismic isolation of structures

    OĞUZ YAKUT

    Doktora

    Türkçe

    Türkçe

    2007

    Makine MühendisliğiFırat Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HASAN ALLİ

Geri Dön