Yapay zekâ destekli GUI ile istinat duvarı tasarımında optimum çözüm arayışı
The search for optimal solutions in retaining wall design via ai-assisted GUI
- Tez No: 971225
- Danışmanlar: DR. ÖĞR. ÜYESİ ESRA URAY, DOÇ. DR. VAHDETTİN DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, İnşaat Mühendisliği, Computer Engineering and Computer Science and Control, Civil Engineering
- Anahtar Kelimeler: Betonarme duvar, Doğrusal olmayan optimizasyon, Görsel otomasyon, Makine öğrenmesi yöntemleri, Yapısal optimizasyon, Çok kriterli optimizasyon, İstinat duvarları, Reinforced concrete wall, Non-linear optimization, Visual automation, Machine learning methods, Structural optimizasyon, Multi criteria optimization, Retaining walls
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kto Karatay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İnşaat Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, betonarme konsol istinat duvarlarının optimum tasarımını otomatize etmek amacıyla, Harmoni Arama (HS) meta-sezgisel algoritması ile GEO5 geoteknik mühendislik yazılımının grafik kullanıcı arayüzü (GUI) otomasyonunu entegre eden bütünleşik bir sistem sunmaktadır. Geliştirilen sistem, zemin sınıfları, duvar yükseklikleri ve sürşarj yüklerini içeren 27 özgün senaryo üzerinde devrilme, kayma, taşıma gücü ve toptan göçme gibi kapsamlı geoteknik stabilite tahkiklerini belirlemektedir. Ayrıca, sistem duvarın kritik kesitlerinde kesme kuvveti ve moment kapasitelerini kapsayan betonarme tasarımını stabilite kriteri olarak dikkate alarak duvar güvenliğini bütüncül bir yaklaşımla değerlendirmektedir. Sistemin temel amacı, her bir stabilite kriteri için yapının kapasitesinin maruz kaldığı yüklere teorik olarak eşitlendiği kritik denge noktasını temsil eden tasarımları belirlemektir. Böylelikle her farklı senaryo için farklı duvar boyutları ve değişen su yüksekliği değerlerinden oluşan geniş tasarım kümesindeki binlerce kombinasyon arasından minimum stabiliteye sahip olan tasarım belirlenmiş ve duvarın çökme mekanizmasında etkili olan tasarım kriteri araştırılmıştır. Optimizasyon sürecinin iteratif zaman alan toptan göçme analizlerini hızlandırmak için bir makine öğrenmesi modeli geliştirilmiştir. GUI otomasyonu ile elde edilen geniş bir veri setiyle eğitilen CatBoost modeli, toptan göçme güvenlik katsayısını (Fss) yüksek doğrulukla tahmin edebilmektedir. Modelin performansı, görülmemiş veriler üzerinde dahi R² ≈ 0.98 ve OMH ≤ 0.03 gibi metriklerle doğrulanmıştır. Sonuç olarak bu çalışma; meta-sezgisel optimizasyon, API'sız mühendislik yazılımı otomasyonu ve yüksek doğruluklu makine öğrenmesi tahminini başarılı bir şekilde birleştiren yenilikçi ve pratik bir tasarım çerçevesi ortaya koymaktadır. Bu entegre yaklaşım, mühendislik uygulamalarında karmaşık tasarımların verimli bir şekilde yapılmasına olanak tanır.
Özet (Çeviri)
This study presents an integrated system that integrates the Harmony Search (HS) metaheuristic algorithm with the graphical user interface (GUI) automation of GEO5 geotechnical engineering software to automate the optimal design of reinforced concrete cantilever retaining walls. The developed system conducts comprehensive geotechnical stability tests, including overturning, sliding, bearing capacity, and total collapse, in 27 unique scenarios that involve various soil classes, wall heights, and surcharge loads. Furthermore, the system evaluates wall safety using a holistic approach, considering the reinforced concrete design, including shear and moment capacities at critical sections of the wall, as stability criteria. The primary objective of the system is to identify designs that represent the critical equilibrium point where the structure's capacity is theoretically equal to the loads it is subjected to, for each stability criterion. Thus, for each scenario, the minimum stable design was determined from thousands of combinations within a large design set consisting of different wall dimensions and varying water levels, and the design criterion affecting the wall's collapse mechanism was investigated. A machine learning model was developed to accelerate the time-consuming iterative collapse analysis of the optimization process. Trained on a large dataset obtained through GUI automation, the CatBoost model predicts the collapse factor of safety (Fss) with high accuracy. The model's performance is validated with metrics such as R² ≈ 0.98 and OMH ≤ 0.03, even on unseen data. In conclusion, this study presents an innovative and practical design framework that successfully combines metaheuristic optimization, API-free engineering software automation, and high-accuracy machine learning prediction. This integrated approach enables efficient implementation of complex designs in engineering applications.
Benzer Tezler
- Elektrokardiyogram verilerinin iyileştirilmiş yapay arı kolonisi (MABC) algoritması ile analizi
Analysis of electrocardiogram data by using modified artificial bee colony (MABC) algorithm
SELİM DİLMAÇ
Doktora
Türkçe
2017
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER ÖLMEZ
- Makine öğrenmesi yöntemleri ile el ve yüz analizi tahminlemesi
Hand and face analysis prediction with machine learning methods
HÜSNEİREM KAYA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KAYHAN AYAR
- Developing a decision-support system using machine learning and deep learning models for daily demand forecasting: A case study
Günlük talep tahmini için makine öğrenimi ve derin öğrenme modelleri kullanarak karar destek sistemi geliştirme: Bir vaka çalişmasi
RANA EZGİ KÖSE
Yüksek Lisans
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Elektrikli gemilerin şarj prosesi için yapay zekâ tabanlı yeni bir otonom kontrol sistemi
A novel AI-based autonomous control system for the charging process of electric ships
EMİN GÜNEY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT BAYILMIŞ
- Yapay zeka destekli sanal laboratuvar tasarımı: Çekme deneyi uygulaması
Artificial intelligence aided virtual laboratory design: Tensile test application
ALPER KİRAZ
Doktora
Türkçe
2014
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. CEMALETTİN KUBAT