Deprem sonrası betonarme kolonlarda boyuna donatı burkulmasının makine öğrenmesi ile tespiti
Detection of longitudinal reinforcement buckling in reinforced concrete columns post-earthquake by machine learning
- Tez No: 949336
- Danışmanlar: DR. ÖĞR. ÜYESİ ÖMER TUĞRUL TURAN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapı Mühendisliği Bilim Dalı
- Sayfa Sayısı: 73
Özet
Bu tez çalışmasında, 6 Şubat 2023 tarihinde meydana gelen Kahramanmaraş depremleri sonrasında, betonarme yapıların kolonlarında oluşan boyuna donatı burkulma hasarlarının fotoğraf üzerinden tespiti amacıyla derin öğrenme tabanlı nesne algılama modellerinin performansları karşılaştırmalı olarak incelenmiştir. Çalışmada, Faster R-CNN ve YOLOv8 olmak üzere iki farklı derin öğrenme tabanlı nesne algılama modeli değerlendirilmiştir. Faster R-CNN modeli, iki aşamalı yapısı sayesinde küçük ve lokalize hasar bölgelerinin hassas tespitinde güçlü bir performans sunarken; YOLOv8 modeli, hızlı ve tek aşamalı yapısıyla gerçek zamanlı uygulamalara uygunluğu ile öne çıkmaktadır. Tezde kullanılan veri seti, deprem sonrası yapılan saha incelemeleriyle toplanan 539 yüksek çözünürlüklü görüntüden oluşmaktadır. Bu görüntülerde toplamda 1494 adet donatı burkulma bölgesi sınırlayıcı kutularla etiketlenmiştir. Veri seti eğitim (%80), doğrulama (%10) ve test (%10) alt kümelerine ayrılmış; görüntülerdeki farklı ışık koşulları, çekim açıları ve donatı çeşitliliği gibi zorluklar modellerin genelleme kapasitesini sınamıştır. Her iki model de bu veri seti üzerinde, çeşitli veri artırma teknikleri ve optimize edilmiş hiperparametrelerle eğitilmiştir. Test verisi üzerinde yapılan değerlendirmeler sonucunda, YOLOv8m modeli en yüksek kesinlik (0.850) ve ortalama kesinlik (0.852) değerlerine ulaşmıştır. Bu model, 131 doğru pozitif (TP), 27 yanlış pozitif (FP) ve 29 yanlış negatif (FN) tahmin üretmiştir. ResNet-152 omurgasıyla Faster R-CNN modeli ise 135 TP, 106 FP ve 25 FN değerleriyle en yüksek duyarlılık (0.844) değerine sahip olmuştur. Bu sonuçlar, YOLOv8m modelinin daha yüksek doğruluk oranıyla yanlış tespit etme riskini azalttığını, buna karşın Faster R-CNN modelinin daha fazla hasar bölgesi tespit ederek kapsamlı bir tarama imkânı sunduğunu ortaya koymuştur. Bu çalışma ayrıca, görüntülerin çekim açısı ve hasar bölgesinin görüntüdeki büyüklüğü gibi faktörlerin model performansına doğrudan etki ettiğini göstermiştir. Hasar bölgelerinin görüntüde daha geniş yer kapladığı durumlarda modellerin daha yüksek doğrulukla tahminler yaptığı gözlemlenmiştir. Bu bulgu, saha çalışmalarında yüksek kaliteli ve uygun açıda çekilmiş görüntülerin sağlanmasının önemini vurgulamaktadır. Sonuçlar, iki modelin kendi içindeki karşılaştırılmasıyla hangi modelin hangi uygulamada daha avantajlı olacağını net bir şekilde ortaya koymaktadır. YOLOv8m modeli, yanlış tespit etme riskinin azaltılmasının ön planda olduğu durumlarda güvenilir bir çözüm sunarken; Faster R-CNN modeli, tüm hasar bölgelerinin eksiksiz tespit edilmesinin önemli olduğu senaryolarda daha uygun bir alternatif olarak değerlendirilmektedir. Böylece model seçimi, uygulama amacına ve projenin ihtiyaçlarına göre esnek bir şekilde yapılabilir. Sonuç olarak, bu tez çalışması her iki derin öğrenme modelinin de geleneksel hasar tespiti yöntemlerine göre çok daha hızlı, objektif ve kapsamlı bir çözüm sunduğunu ortaya koymaktadır. Yapay zeka temelli bu yaklaşımlar, yapı mühendisliği ve deprem sonrası hasar taramaları gibi alanlarda önemli bir potansiyele sahip olduğunu kanıtlamaktadır. Gelecekte veri setinin çeşitlendirilmesi, üç boyutlu veri kümelerinin kullanılması ve daha gelişmiş derin öğrenme mimarileriyle modellerin performansının artırılması hedeflenebilir.
Özet (Çeviri)
This thesis explores the application of advanced deep learning-based object detection models for the automatic identification of reinforcement buckling damage in reinforced concrete columns following the devastating February 6, 2023, Turkey-Syria earthquakes. Reinforced concrete structures are the most widely used building systems, with columns serving as critical vertical load-bearing members that transfer loads from the superstructure to the foundation and the ground. The performance of these columns directly influences the overall stability and safety of structures, particularly during seismic events. Among the various types of structural damage, reinforcement buckling in columns is one of the most critical as it can significantly reduce the load-carrying capacity and overall stability of the structure. The study employs two prominent deep learning-based object detection models—Faster R-CNN and YOLOv8—to comprehensively assess their effectiveness in detecting these critical structural damages. Faster R-CNN utilizes a two-stage architecture that provides high detection sensitivity for small and localized damage regions, which is essential for accurately identifying reinforcement buckling that may be difficult to observe visually. In contrast, YOLOv8 features a simplified single-stage architecture that enables real-time detection capabilities, making it advantageous for rapid post-disaster evaluations where rapid decision-making is paramount. The dataset used in this thesis consists of 539 images collected from field investigations conducted after the earthquake, containing a total of 1494 reinforcement buckling instances annotated with bounding boxes. These images were carefully curated to include various challenges such as different lighting conditions (day and night), variable camera angles, and differences in reinforcement types, including ribbed and plain bars as well as corroded reinforcement. These variations introduced significant complexity, thereby testing the robustness of the models to real-world conditions and ensuring that the findings are widely applicable. To optimize model performance, extensive data augmentation techniques were applied during training. These included horizontal flipping, random brightness adjustments, geometric transformations such as rotation and scaling, and color jittering to simulate the diverse environmental conditions present in the dataset. Hyperparameter tuning was also conducted to ensure stable convergence during training and to achieve the best possible detection performance. For the Faster R-CNN model, three backbone networks—ResNet-50, ResNet-101, and ResNet-152—were evaluated to examine how the depth of the network influences detection capability. Similarly, YOLOv8 was evaluated using all five of its model variants: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, and YOLOv8x, each with varying levels of complexity and computational demands. Model performance was evaluated on a test dataset, using several key metrics: precision, recall, F1 score, and average precision (AP). The YOLOv8m variant emerged as the best-performing model in terms of precision (0.850) and average precision (0.852), correctly identifying 131 true positive (TP) instances of reinforcement buckling while producing 27 false positive (FP) and 29 false negative (FN) predictions. Conversely, the Faster R-CNN model with the ResNet-152 backbone achieved the highest recall (0.844), detecting 135 true positives but with 106 false positives and 25 false negatives. These results highlight the distinct advantages of each model: YOLOv8m's precision-focused approach minimizes false alarms and enhances reliability, making it suitable for prioritizing urgent structural assessments and reducing the risk of unnecessary interventions. In contrast, Faster R-CNN's high recall ensures more comprehensive detection, which is particularly valuable in scenarios where a complete damage inventory is critical for decision-making. Beyond numerical performance, this study also examined how various image characteristics influenced the models' predictive capabilities. Factors such as the size of the damage region within the image and the camera angle during capture had a notable impact on detection accuracy. Images in which the buckling damage occupied a larger portion of the frame consistently resulted in higher detection accuracy for both models. Conversely, images captured from side angles or with significant background clutter reduced detection performance. These findings underscore the importance of strategic image acquisition during field surveys and suggest that ensuring clear, well-framed images can significantly enhance the accuracy of automated detection systems. The comprehensive evaluation extended to an internal comparison within each model family, guiding the selection of the most suitable variant for specific post-earthquake applications. The YOLOv8m model, with its balanced precision and recall (F1 score of 0.82), offers an optimal balance between accuracy and speed for scenarios where rapid assessments are essential. In contrast, the Faster R-CNN model with the ResNet-152 backbone, despite producing more false positives, ensures a broader and more thorough detection of potential damage regions, making it valuable in detailed inspections where missing any damage could have serious safety implications. The study's findings highlight the importance of aligning model selection with specific assessment goals. In applications where minimizing false alarms is critical—such as emergency resource allocation and prioritization of repairs—the YOLOv8m model's high precision makes it the preferred choice. On the other hand, for comprehensive inspections requiring exhaustive documentation of all potential damage areas, the Faster R-CNN model's high recall offers a more suitable solution. By replacing labor-intensive and subjective visual inspections with automated evaluations, these models can streamline post-disaster damage assessments, providing consistent, objective insights that support data-driven decision-making and reduce the time required for comprehensive surveys. Future researchs include expanding the dataset to encompass a wider variety of real-world damage scenarios, incorporating three-dimensional data to provide richer structural insights, and developing hybrid approaches that combine YOLOv8's precision with Faster R-CNN's thorough coverage. Furthermore, the optimization of data augmentation strategies and the integration of advanced feature-fusion techniques has the potential to further enhance detection performance under challenging field conditions. In conclusion, this thesis provides a comprehensive evaluation of deep learning-based object detection models for the rapid and reliable identification of reinforcement buckling damage in RC columns after earthquakes. The results demonstrate that these AI-driven models can significantly enhance the speed, consistency, and objectivity of post-disaster damage assessments. Structural engineers are able to adapt their methodologies to address the distinct requirements of various damage assessment scenarios by leveraging the distinct strengths of YOLOv8m and Faster R-CNN. This research contributes to the advancement of the field of automated structural health monitoring and supports the development of safer and more resilient urban environments in the context of seismic risks.
Benzer Tezler
- Düzenli betonarme çerçevelerle teşkil edilen yapılarda düşey deprem bileşeninin hesaplara dahil edilmesi yönteminin yapısal tasarıma etkisi
Effect of inclusion of vertical earthquake component in the structural design of regular reinforced concrete frame buildings
AYKUT ARKUN
Yüksek Lisans
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEDİNE İSPİR ARSLAN
- Hysteretic response of sub-standard rc columns under high axial stresses and shear demand confined with carbon fiber polymers
Karbon lifli polimer ile sargılanan standart altı betonarme kolonların yüksek eksenel gerilme ve kesme talebi altında tekrarlı çevrimsel davranışı
MERVE NUR DEMİR
Yüksek Lisans
İngilizce
2021
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER İLKİ
- 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
2012
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER İLKİ
- Testing and modeling of seismically retrofitted RC columns with high axial load and shear demand
Yüksek eksenel yük ve kesme etkisindeki depreme karşı güçlendirilmiş betonarme (BA) kolonların deneysel incelenmesi ve modellenmesi
NIMA KIAN
Doktora
İngilizce
2025
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ CEM ÇELİK
- Betonarme kolonların deprem performansının tekstil donatılı / donatısız cam lifli püskürtme harçla iyileştirilmesi
Improvement of seismic performance of reinforced concrete columns using glass fiber reinforced sprayed mortar with / without textile reinforcement
ALİ OSMAN ATEŞ
Doktora
Türkçe
2022
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER İLKİ