Neural network-based estimation of seismic demand parameters for reinforced concrete frame buildings
Betonarme çerçeve binalarda sismik talep parametrelerinin sinir ağı tabanlı tahmini
- Tez No: 940827
- Danışmanlar: PROF. DR. BARIŞ BİNİCİ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 160
Özet
Yapıların sismik performansını değerlendirmek, deprem riski yüksek bölgelerde can ve mal güvenliği açısından kritik öneme sahiptir. Son depremler, tasarım ve inşaat hatalarının deprem kayıplarını önemli ölçüde artırabileceğini göstermiştir. Geleneksel değerlendirme yöntemleri hızlı, ön incelemelerden ayrıntılı doğrusal olmayan analizlere kadar uzanır. Ancak basitleştirilmiş yöntemler sınırlı veri ve idealize edilmiş varsayımlar nedeniyle aşırı temkinli sonuçlar üretirken, ayrıntılı yöntemler kapsamlı veri ve yüksek hesaplama gücü gerektirir. Bu tez, büyük ölçekli sismik değerlendirme uygulamaları için yüksek doğruluklu bir çerçeve sunmayı amaçlamaktadır. Bu doğrultuda, betonarme çerçeve binaların önemli sismik talep parametrelerini tahmin etmek üzere çok seviyeli yapay sinir ağı tabanlı bir yöntem önerilmiştir. Farklı girdi parametrelerine sahip üç ayrı sinir ağı modeli temel yapı periyodunu ve maksimum katlar arası ötelenme oranını tahmin etmek üzere eğitilmiştir. Eğitim için 4.417 betonarme çerçeveli yapı envanterinden, sismisite seviyeleri, beton dayanım değerleri ve zemin sınıfları sistematik olarak değiştirilerek 795.060 yapıdan oluşan kapsamlı bir sentetik veri seti oluşturulmuştur. Model tahminlerini yorumlamak için Açıklanabilir Yapay Zeka teknikleri kullanılmıştır. Sinir ağının doğruluğu, tahmin edilen maksimum katlar arası ötelenme oranına göre belirlenmiş talep kategorilerinin 2023 Türkiye depremlerinde gözlemlenen hasar verileriyle karşılaştırılmasıyla ortaya konmuştur. Son olarak, model 23 milyon binayı içeren bir simülasyon veri setine uygulanarak tahmini maksimum katlar arası ötelenme oranına dayalı ulusal bir sismik talep haritası oluşturulmuştur. Geliştirilen yaklaşım, hız ve doğruluk açısından geleneksel yöntemleri önemli ölçüde geride bırakarak betonarme çerçeve binalar için hızlı durum taraması ve risk azaltma planlaması açısından etkili bir araç sunmaktadır.
Özet (Çeviri)
Evaluating structures' seismic performance is crucial for ensuring life and property safety in earthquake-prone regions. Recent earthquakes have shown that design and construction errors can significantly increase earthquake losses. Traditional assessment methods range from rapid, preliminary techniques to detailed nonlinear analyses. However, simplified methods often produce overly conservative results due to limited data and idealized assumptions, while detailed methods require extensive data and high computational costs. This thesis aims to present a sufficiently accurate framework for large-scale seismic assessment applications. To this end, a multi‑level neural network-based approach is proposed to estimate key seismic demand parameters of reinforced concrete (RC) frame buildings. Three distinct neural network models with differing input parameters are trained to estimate the fundamental structural period and maximum interstory drift ratio (MIDR). For training, a comprehensive synthetic dataset of 795,060 buildings is generated from an inventory of 4,417 RC frame buildings by systematically varying seismicity levels, concrete‑strength values, and soil classes. Explainable Artificial Intelligence techniques are employed to interpret model predictions. The validity of the neural network is demonstrated by comparing demand categories based on predicted MIDR values with observed damage data from the 2023 Türkiye earthquakes. Finally, the model is applied to a simulation dataset of 23 million buildings, producing a nationwide seismic demand map based on predicted MIDR values. The developed approach significantly outperforms traditional methods in terms of speed and accuracy, providing a practical tool for rapid vulnerability assessment and risk-mitigation planning for RC frame buildings.
Benzer Tezler
- Bingöl ilindeki konut türü yapılar için hızlı değerlendirme yöntemlerinin yapay sinir ağları kullanılarak karşılaştırılması
Comparison of rapid evaluation methods for residential buildings in Bingöl province by using artificial neural networks
SADIK VAROLGÜNEŞ
Doktora
Türkçe
2023
İnşaat MühendisliğiDicle Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULHALİM KARAŞİN
- Kayseri tüflerinin geoteknik özelliklerinin araştırılması ve yapay zeka tekniğiyle modellenmesi
Geotechnical properties of Kayseri tuffs and modeled with artificial intelligence technique
MEHMET CEMAL ACAR
Doktora
Türkçe
2011
Mühendislik BilimleriSakarya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ZEKİ GÜNDÜZ
- Anomaly detection in diverse sensor networks using machine learning
Çeşitli sensör ağlarında makine öğrenimi ile anomali tespiti
ALİ ALP AKYOL
Doktora
İngilizce
2022
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ORHAN ARIKAN
- Yapay sinir ağlarının geoteknik mühendisliğinde kullanımı
The use of neural networks in geotechnical engineering
YEŞİM TUSKAN
Yüksek Lisans
Türkçe
2012
İnşaat MühendisliğiCelal Bayar Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF ERZİN
- Predictive error compensated wavelet neural networks framework for time series prediction
Zaman serisi tahmini için hata tazminli dalgacık dönüşümlü sinir ağları çerçeve yazılımı
SERKAN MACİT
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ