Non-contact and ai-enhanced structural health monitoring: Optical flow-based feature extraction and causal damage localization
Temassız ve yapay zeka destekli yapısal sağlık izleme yaklaşımı: Optik akış ile özellik çıkarımı ve nedensel hasar lokalizasyonu
- Tez No: 947385
- Danışmanlar: PROF. DR. VOLKAN KAHYA
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Derin öğrenme, Hasar tespiti, Makine öğrenmesi, Yapısal sağlık izleme, Öznitelik, Deep learning, Damage detection, Machine learning, Structural health monitoring, Feature extraction
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, temassız optik akış teknikleri, istatistiksel özellik çıkarımı ve makine öğrenmesi yöntemlerini bir araya getirerek yapısal hasarların doğru bir şekilde tespit edilmesini ve derin öğrenme aracılığıyla hasarların yerinin belirlenmesini sağlayan gelişmiş, görüntü tabanlı bir Yapısal Sağlık İzleme (SHM) çerçevesi sunmaktadır. Laboratuvar ortamında kurulan çelik çerçeve yapı üzerine yerleştirilen QR kodları aracılığıyla tanımlanan çoklu ölçüm noktalarındaki yer değiştirmeler, yüksek çözünürlüklü kameralar ile kaydedilmiş ve Lucas-Kanade optik akış yöntemi kullanılarak zaman serisi biçiminde elde edilmiştir. Elde edilen yer değiştirme verileri, Otoregresyon (AR), Vektörel Otoregresyon (VAR) ve Tekil Değer Ayrıştırması (SVD) yöntemleri ile analiz edilerek, yapısal anomalilere duyarlı, kalıntı tabanlı özellikler çıkarılmıştır. Bu özellikler, Destek Vektör Makineleri (SVM) kullanılarak sınıflandırılmış ve sağlıklı ile hasarlı durumlar arasında yüksek doğrulukla ayrım yapılmıştır. Ayrıca, derin öğrenmeye dayalı bir nedensel çıkarım modeli olan Zamansal Nedensel Keşif Çerçevesi (TCDF), izlenen noktalar arasındaki doğrudan ve dolaylı nedensel ilişkileri ortaya koymak ve yapısal hasarları etkili bir şekilde yerelleştirmek amacıyla uygulanmıştır. AR, VAR ve SVD tabanlı özellik çıkarımı yöntemlerinin karşılaştırmalı değerlendirmeleri, her bir yöntemin belirli avantajlarını ortaya koymuştur. SVD, SVM sınıflandırmasında en yüksek genel performansı sağlarken, AR yöntemi daha ince anomalilerin tespitinde üstün hassasiyet göstermiştir. TCDF ile elde edilen nedensel grafikler, fiziksel hasar senaryolarıyla büyük ölçüde örtüşmüş; böylece zarar gören yapısal bileşenlerin doğru bir şekilde belirlenmesini sağlamış ve hasarın yayılma mekanizmalarına dair daha derin bir anlayış sunmuştur. Elde edilen bulgular, önerilen çerçevenin sağlamlık, ölçeklenebilirlik ve hassasiyet açısından etkinliğini ortaya koymakta; bu yaklaşımın gerçek zamanlı SHM uygulamaları için güvenilir bir çözüm potansiyeli taşıdığını göstermektedir. Görüntü tabanlı ve yapay zekâ destekli bu yöntem, yalnızca yapısal bozulmaların erken tespitini iyileştirmekle kalmayıp, aynı zamanda manuel denetim ihtiyacını da önemli ölçüde azaltarak daha güvenli ve dayanıklı bir inşaat altyapısına katkı sağlamaktadır.
Özet (Çeviri)
This thesis presents an advanced image-based Structural Health Monitoring (SHM) framework that enables accurate detection of structural damage using non-contact optical flow techniques, statistical feature extraction, and machine learning, as well as localization of damage through deep learning. In a laboratory setting, displacements at multiple measurement points—marked with QR codes placed on a steel frame structure—were recorded using high-resolution cameras and transformed into time series using the Lucas Kanade optical flow method. The resulting displacement time series data were analyzed using Autoregression (AR), Vector Autoregression (VAR), and Singular Value Decomposition (SVD) methods to extract residual-based features that are sensitive to structural anomalies. These features were then classified using Support Vector Machines (SVM), achieving high accuracy in distinguishing between healthy and damaged states. Furthermore, the Temporal Causal Discovery Framework (TCDF), a deep learning-based causal inference model, was employed to uncover direct and indirect causal relationships between monitored points and to effectively localize structural damage. A comparative evaluation of the AR, VAR, and SVD-based feature extraction methods revealed distinct advantages for each technique. While SVD yielded the best overall performance in SVM classification, AR demonstrated greater sensitivity to subtle anomalies. The causal graphs obtained through TCDF showed strong alignment with the physical damage scenarios, allowing for accurate identification of damaged structural components and offering deeper insights into the mechanisms of damage propagation. The findings highlight the robustness, scalability, and sensitivity of the proposed framework, emphasizing its potential as a reliable real-time SHM solution. This image based and AI-assisted approach not only enhances the early detection of structural deterioration but also significantly reduces the need for manual inspections, thereby contributing to safer and more resilient infrastructure systems.
Benzer Tezler
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Dokuma kumaşlarda örgü tipinin ham kumaşın boyutları ve geometrik özellikleri üzerindeki etkilerinin araştırılması
Başlık çevirisi yok
EMEL ÖNDER
Yüksek Lisans
Türkçe
1985
Tekstil ve Tekstil MühendisliğiEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNGÖR BAŞER
- Izgara ve altlık üstünde barındırılan ile de france X kıvırcık (Fl) ve merinos kuzularının entansif besideki performansları
Başlık çevirisi yok
ÜMRAN ŞAHAN
Yüksek Lisans
Türkçe
1987
Veteriner HekimliğiUludağ ÜniversitesiZootekni Ana Bilim Dalı
PROF. DR. ERDOĞAN TUNCEL
- Üzüm sularının pastörizasyonu ve kontsantresi sırasında hidroksimetilfurfural oluşumu üzerinde bir araştırma
Başlık çevirisi yok
ŞERİFE ŞAHİN
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ürünleri Teknolojisi Ana Bilim Dalı
DOÇ. DR. AYDIN URAL