Betonarme binalarda hızlı risk analizinin makine öğrenme teknikleri ile geliştirilmesi
Improvement of rapid risk analysis in reinforced concrete buildings with machine learning techniques
- Tez No: 952133
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMED EMRE ÇOLAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Hücresel yapay sinir ağları, Cellular artificial neural networks
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, betonarme binalarda deprem riskinin hızlı değerlendirilmesine yönelik geliştirilen yöntemlerin, makine öğrenimi teknikleri ile entegrasyonunu konu almaktadır. Çalışma, depremlerin yıkıcı etkileri ve toplumsal maliyetleri göz önüne alınarak, yapı stokunun doğru analiz edilmesi ve riskli yapıların belirlenmesi konusundaki mevcut yaklaşımların yetersiz kaldığı durumlarda, yapay zeka ve veri bilimi yöntemlerinin nasıl etkin bir alternatif sunabileceğini ortaya koymayı amaçlamaktadır. Tezin temel amacı, deprem riskine karşı hazırlık süreçlerini hızlandırmak, müdahale stratejilerini iyileştirmek ve maliyetleri azaltmaya yönelik bilimsel temelli bir yaklaşım geliştirmektir. Hipotez, makine öğrenimi modellerinden Random Forest algoritmasının, betonarme binaların sismik kırılganlıklarının tespitinde yüksek doğruluk ve güvenilirlik sağlayarak, geleneksel değerlendirme yöntemlerine kıyasla üstün performans göstereceği yönündedir. Çalışmada, UDAP projesi kapsamında 2021 yılı saha çalışması verileri kullanılmış; bu veriler arasında bina kimlik bilgileri, yapım yılı, kat sayısı ve yapısal düzensizlikler yer almaktadır. Örneklem, geniş veri setinden dengeli şekilde seçilerek modelin eğitimi ve doğrulaması yapılmıştır. Uygulanan veri ön işleme teknikleri ve hiperparametre optimizasyonu süreci ile Random Forest modelinin, eğitim ve test aşamalarında elde ettiği yüksek başarı oranları, modelin gerçek dünya uygulamaları için uygun olduğunu göstermiştir. Sonuçlar, tez çalışmasının deprem riskine karşı daha etkili müdahale stratejilerinin geliştirilmesi açısından önemli bilimsel katkılar sunduğunu ortaya koymaktadır.
Özet (Çeviri)
This thesis focuses on integrating rapid assessment methods for earthquake risk in reinforced concrete buildings with machine learning techniques. Given the devastating impacts and extensive socio- economic costs of earthquakes, the research aims to demonstrate how artificial intelligence and data science methods can serve as effective alternatives to conventional evaluation approaches in accurately identifying high-risk structures. The primary objective is to expedite earthquake preparedness processes, enhance intervention strategies, and reduce costs through a scientifically grounded approach. The hypothesis posits that the Random Forest algorithm will achieve high accuracy and reliability in detecting the seismic vulnerability of reinforced concrete buildings, outperforming traditional methods. Field data collected during 2021 as part of the UDAP project—comprising building identity details, construction year, number of floors, and structural irregularities—was used for analysis. A balanced sample was derived from a larger dataset to train and validate the model. Data preprocessing and hyperparameter optimization techniques were applied to refine the Random Forest model, which demonstrated impressive success rates during both training and testing phases. The findings underscore the model's applicability in real-world scenarios and its potential to contribute significantly to the development of more effective earthquake risk mitigation strategies.
Benzer Tezler
- Mevcut betonarme binaların hızlı sismik değerlendirilmesinde kullanılan bazı geometrik parametrelerin ön eğitimli konvolüsyonel sinir ağları ile belirlenmesi
Determination of some geometric parameters used in rapid seismic evaluation of existing reinforced concrete buildings with pre-trained convolutional neural networks
MUHAMMET YUŞA EKİCİ
Doktora
Türkçe
2022
İnşaat MühendisliğiKonya Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSA HAKAN ARSLAN
DR. ÖĞR. ÜYESİ AMIR YAVARIABDI
- Ankara Yenimahalle doğu kesimindeki 10 mahallede betonarme yapıların sokaktan hızlı tarama yöntemiyle incelenmesi
Examination of reinforced concrete buildings in the eastern part of Yenimahalle, Ankara, using rapid street scanning method in 10 districts
ABDÜLMELİK ORUÇ
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiKırıkkale Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞULE BAKIRCI ER
- Düzce depreminde yıkılmış 6 katlı betonarme binanın farklı yöntemlerle değerlendirilmesi
Seismic assessment of six storey reinforced concrete building that collapsed after Düzce earthquake
MERVE ÖZKARATAY
Yüksek Lisans
Türkçe
2014
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. FATMA GÜLTEN GÜLAY
- Bina stokunun dönüşümü kapsamında nitelikli binaların yaşam döngüsü süreçlerinin değerlendirilmesi: Bağdat Caddesi örneği
Analysis of high qualitybuildingslife cycle processes in the case of regeneration of building stock: Bagdat Street example
ETHEM BERK KURTEL
Yüksek Lisans
Türkçe
2016
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
YRD. DOÇ. DR. FATİH YAZICIOĞLU
- Evrişimli sinir ağları ile mevcut betonarme binaların yükseklik, yumuşak kat ve kısa kolon tespitlerinin yapılması
Determination of the height, soft story and short columns of existing reinforced concrete buildings with conventional neural networks
FATİH MEHMET AŞIK
Doktora
Türkçe
2025
İnşaat MühendisliğiKonya Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSA HAKAN ARSLAN
DR. ÖĞR. ÜYESİ GAMZE DOĞAN