Geri Dön

Machine learning-based predictive models for displacement capacity of RC shear walls

Betonarme perde duvarların sahip olduğu yer değiştirme kapasitesi için makine öğrenimi tabanlı modelleri

PDF İndir

  1. Tez No: 981617
  2. Yazar: SIAMAK TAHAEI YAGHOUBI
  3. Danışmanlar: DOÇ. DR. ZEYNEP DEĞER
  4. Tez Türü: Doktora
  5. Konular: İnşaat Mühendisliği, Deprem Mühendisliği, Civil Engineering, Earthquake Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Deprem Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Deprem Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Makine öğrenimi tekniklerindeki gelişmeler, birçok mühendislik dalındaki karmaşık sorunun ele alınmasının önünü açmaktadır. Bu eğilim doğrultusunda, son zamanlarda deprem ve yapı mühendisliğindeki karmaşık problemler için makine öğrenim tabanlı birtakım çözümler önerilmiştir. Bu çalışma, makine öğrenimi yöntemlerini kullanarak yapısal sistemlerin deplasmana ve enerjiye dayalı tasarımı konularında oldukça önemli parametreler olan geleneksel betonarme perde duvarlara ait yer değiştirme kapasitesi ve eşdeğer sönüm oranını tahmin etmektedir. Betonarme perde duvarlar, orta ve yüksek katlı binaların yapısal rijitliğini ve yanal yük kapasitesini artıran kritik elemanlardır. Perde duvarlar, büyük depremler ve kuvvetli rüzgarlara bağlı olarak hizmet ömürleri boyunca büyük deformasyonlara maruz kalabilirler. Bu nedenle, yer değiştirme kapasitelerinin doğru tahmini, tasarım mühendisi açısından büyük önem taşımaktadır. Bununla birlikte, yayınlanan bilimsel literatürde yapılan bir araştırma, ne daha basit olan büyük ölçekli ne de daha karmaşık mikro ölçekli sonlu eleman modellerinin, yapısal duvarlarda oluşan dayanım azalmasını ve duvara ait yer değiştirme kapasitesini etkili bir şekilde belirleyemediklerini göstermektedir. Mevcut çalışma kapsamında, sünek perde duvarların çevrimsel yükler altındaki davranışını analiz etmek için makine öğrenimi entegreli ve yer değiştirme esaslı formülasyona sahip fiber kiriş-kolon eleman modelinin geliştirmesi hedeflenmiştir. Geliştirilmiş olan sonlu eleman modeli hesaplama açısından etkin olmakla beraber, şekil değiştirmelerin yayılımından kaynaklı ankastrelik dönmelerin yanı sıra, uç bölgesi betonunun ezilmesi, boyuna donatının burkulması, çekme kuvveti altında boyuna donatının kopması ve düşük-çevrim yorulması gibi betonarme perde duvarlarda dayanım kaybına etki eden çeşitli mekanizmaların etkilerini de dikkate almaktadır. Öne sürülen sonlu eleman modeli, 140 deneysel numuneden oluşan bir veri tabanına kullanılmak suretiyle kalibre edilmiş ve sonuç olarak, beton için en büyük gerilmeye karşılık gelen birim kısalmasının analitik modelleri oluşturulan duvar numunelere ait yer değiştirme kapasitesi üzerinde en etkili parametre olduğu ortaya konmuştur. Laboratuvar ortamında test edilmemiş duvarlar için modelin kullanılabilirliğini sağlamak amacıyla, sonlu eleman modelinin tek kalibrasyon parametresi olan betonun maksimum gerilmeye karşılık gelen birim kısalmasını tahmin etmek için bir makine öğrenim modeli geliştirilmiştir. Yaygın olarak kullanılan yedi tekli makine öğrenim modeli (Düzenlenmiş En Küçük Kareler Doğrusal Regresyonu (RLR); Çekirdek Sırtı Regresyonu (KRR); Destek Vektör Regresyonu (SVR); Gauss Süreç Regresyonu (GPR); Karar Ağaçları (DT); Rastgele Orman (RF); En Küçük Kareler Artırma (LSBoost)) ve Basit Ağırlıklı Ortalama Topluluk Modeli iki duvar kategorisi için denenmiştir: analitik olarak modellenmiş tüm numuneler kümesi (140 adet) ve sargılı uç bölgesine sahip olan numuneler (110 adet). Regresyon analizi sonuçları, topluluk modellerinin her iki duvar kategorisi için tekli modellere göre daha yüksek performans seviyesine sahip olduklarını ortaya koymuştur. Ayrıca, 110 numunenin bulunduğu kategori (yani, sargılı uç bölgesine sahip olan numunelere ait veri seti) için kalibrasyon parametreleri, 140 numunenin bulunduğu kategoriye kıyasla daha etkili bir şekilde tahmin edilmiştir. Sargılı uç bölgesine sahip olan numuneler kategorisi için topluluk modeli, GPR ve SVR gibi yalnızca iki tekli makine öğrenim modelinden oluşmaktadır ve bu durumun nedeni olarak diğer yöntemlerin sonuçlar üzerindeki katkısının tahmin kalitesini iyileştirme açısından ihmal edilebilir seviyede olduğu belirlenmiştir. Tahmin edilen kalibrasyon parametrelerini kullanılarak oluşturulan sonlu eleman modelleri ile elde edilen sonuçların, ölçülen yanal yük-yer değiştirme eğrileri ile yüksek oranda örtüşmüş olup ve deneysel göçme noktaları tespit edilmiştir. Eşdeğer sönüm oranı, yapıların yer değiştirmeye ve enerji esaslı tasarımı için bir diğer önemli parametredir. Yapısal sönümün belirlenmesi sürecindeki karmaşıklık nedeniyle, eşdeğer sönüm oranı, araştırmacılar ve bina yönetmelikleri tarafından yapılarda enerji sönümlenmesinin bir ölçüsü olarak yaygın bir şekilde kullanılmaktadır. Yer değiştirmeye dayalı tasarım yönteminde eşdeğer sönüm oranı için doğru olmayan değerlerin kullanılması, yapıların hedef (tasarım) yer değiştirmesinin hatalı değerlendirilmesine neden olabilir. Bahsi geçen önemden dolayı, bu çalışmanın ikinci bölümü, geleneksel betonarme perde duvarlarının eşdeğer sönüm oranını %1,0 ötelenme oranına karşılık gelen yer değiştirmelerde etkili bir şekilde tahmin etmek için makine öğrenimi modelleri geliştirmeyi amaçlamaktadır. Sözü geçen referans deformasyon (%1,0 ötelenme oranı), betonarme binaların göçme öncesi maksimum yer değiştirme sınırı olarak çok sayıda bina yönetmeliği tarafından kabul görülmesi nedeniyle seçilmiştir. Bu amaçla, makine öğrenimi modellerini eğitmek ve doğrulamak için 161 deneysel numuneden oluşan bir veri tabanı oluşturulmuştur. İlk aşamada, farklı özellik kümelerinin dikkate alındığı birçok makine öğrenim yöntemi denenmekle birlikte, eşdeğer sönüm oranının doğrudan tahmini, ölçülen ve tahmin edilen veriler arasında güçlü bir korelasyonun kurulmaması nedeniyle başarısız olmuştur. Sonuç olarak, referans yer değiştirme seviyesindeki çevrimsel sönümlenen enerji ve yanal yükün ara çıktılar olarak ele alındığı ve tahmin edilmiş ara çıktı değerleri kullanarak eşdeğer sönüm oranının (nihai çıktının) hesaplandığı iki aşamalı bir algoritma geliştirilmiştir. Çalışma kapsamında, literatürde yaygın olarak kullanılan beş makine öğrenim yöntemi (RLR, KRR, SVR, GPR ve K-En Yakın Komşular Regresyonu-KNNR-) seçilmiştir. Regresyon analizi sonuçları, GPR yönteminin diğer dört makine öğrenim yöntemine kıyasla daha etkin bir performans ortaya koyduğunu göstermiştir. GPR yöntemini kullanan model doğrulama sonuçları için Ortalama Belirleme Katsayısı (R^2) 0,89, Bağıl Kök Ortalama Kare Hatası (RELRMSE) 0,141 ve Ortalama Mutlak Yüzde Hatası (MAPE) %10,44 olarak belirlenmiştir. Bu çalışma, yapı ve deprem mühendisliğindeki karmaşık problemlerin çözümünde makine öğrenimine dayalı yaklaşımların etkinlik seviyesini göstermektedir. Nispeten basit sonlu elemanlar modeline entegre edilmiş topluluk makine öğrenimi algoritması, perde duvarların döngüsel (çevrimsel) tepkisini ve göçme deformasyonunu etkin bir şekilde tespit etmek için optimal kalibrasyon parametre değerini başarılı bir şekilde tespit etmiştir. Öte yandan, GPR yöntemiyle tahmin edilen eşdeğer sönümleme oranları, ölçülen değerlerle güçlü bir korelasyon göstererek, makine öğrenim yöntemlerinin performansa dayalı yapısal tasarımda kullanımının umut verici olduğunu göstermiştir.

Özet (Çeviri)

Advances in machine learning techniques have paved the way for addressing highly complex problems in numerous branches of engineering. In line with this trend, several machine learning-based solutions have been proposed to tackle challenges associated with earthquake and structural engineering in recent years. The present study employs machine learning methods to estimate the displacement capacity and equivalent damping ratio of conventional RC shear walls, which are both crucial parameters for the displacement-based and energy-based design of structural systems. RC shear walls are key structural elements that enhance the stiffness and lateral load capacity of mid and high-rise buildings. Shear walls may experience large deformations during their service life as a consequence of large earthquakes and strong winds. Hence, accurate estimation of their displacement capacity is of paramount significance for the design engineer. Nonetheless, a survey of the published scientific literature shows that neither the simpler macroscopic nor the more sophisticated microscopic finite element models can efficiently capture the strength degradation rate and displacement capacity of structural walls. The present study addresses this issue by developing an ML-integrated fibre beam-column element model with a displacement-based formulation to analyse the behaviour of ductile structural walls under cyclic loads. The FE model is computationally efficient and accounts for fixed-end rotations caused by strain penetration, as well as several mechanisms influencing the failure of RC shear walls, namely, toe concrete crushing, longitudinal bar buckling, longitudinal bar fracture in tension and low-cycle fatigue. The FE model has been validated against a dataset of 140 experimental specimens, revealing that concrete peak strain is the most influential parameter on the displacement capacity of the simulated walls. To enhance the usability of the model for untested walls, a machine learning model has been developed to predict the modified value of the concrete peak strain, which is the sole calibration parameter of the FE model. Seven broadly utilised single ML models (Regularised Least Squares Linear Regression (RLR); Kernel Ridge Regression (KRR); Support Vector Regression (SVR); Gaussian Process Regression (GPR); Decision Trees (DT); Random Forests (RF); Least Square Boosting (LSBoost) and a Simple Weighted Ensemble Model have been examined for two wall categories: the set of all analytically modelled specimens (140 units) and specimens with confined boundary elements (110 units). Regression analysis results demonstrated the superiority of the ensemble models over the single models for both wall categories. Moreover, the calibration parameters of the 110-unit category (walls with confined boundary elements) were estimated more efficiently compared to the 140-unit category. The ensemble model for the walls with confined boundary elements category consists of only two ML models, namely, GPR and SVR, as the contribution of other methods proved to be insignificant in terms of improving the prediction quality. FE models using the predicted calibration parameters efficiently replicated the measured lateral load-displacement curves and captured the experimental failure points. The equivalent damping ratio is another important parameter in the displacement-based and energy-based design of structures. Due to the complexity of quantifying the structural damping, the equivalent damping ratio is broadly used by researchers and building standards as a measure of energy dissipation in structures. The utilisation of inaccurate values for the equivalent damping ratio in the displacement-based design method may result in the imprecise evaluation of the target (design) displacement of structures. Considering the discussed significance, the second part of the present study aims to develop a machine learning model to efficiently estimate the equivalent damping ratio of conventional RC shear walls at displacements corresponding to 1.0% drift ratio. This reference deformation has been selected due to its utilisation by numerous building codes as the maximum allowable deformation level of reinforced concrete buildings at the ultimate limit state. To this end, a dataset of 161 experimental specimens was assembled for training and validating the ML models. As the first attempt, the direct prediction of equivalent damping ratio values was unsuccessful in terms of establishing a strong correlation between the measured and estimated data, despite examining several ML methods with assorted feature sets. Consequently, a two-stage algorithm based on treating the cyclic dissipated energy and lateral load at the reference deformation level as the intermediate outputs and calculating the equivalent damping ratio (final output) using the estimated intermediate output values was developed. Five broadly used machine learning techniques, namely, RLR, KRR, SVR, GPR and K-Nearest Neighbour Regression (KNNR) were tested. The regression analysis results demonstrated the superior performance of the GPR method over the other four ML approaches. The model validation results using the GPR method had a mean coefficient of determination (R^2) of 0.89, relative root mean square error (RELRMSE) of 0.141 and average mean absolute percentage error (MAPE) of 10.44%. This study demonstrates the capabilities of machine learning-based solutions to address complex problems in structural and earthquake engineering. The ensemble machine learning algorithm integrated into the relatively simple finite element model provides the FE model with the optimal calibration parameter to efficiently capture the cyclic response and failure deformation of structural walls. On the other hand, the estimated equivalent damping ratios by the GPR method showed a strong association with the measured values, demonstrating the promising application of ML methods in performance-based structural design.

Benzer Tezler

  1. Tez No

    774552

    Betonarme perdelerin çevrimsel sönümlenen enerji kapasitesinin makine öğrenmesi yöntemleri ile incelenmesi

    Investigation of energy dissipation capacity of RCc shear walls with machine learning methods

    BERKAY TOPALOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Deprem Mühendisliğiİstanbul Teknik Üniversitesi

    Deprem Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ZEYNEP DEĞER

  2. Tez No

    948050

    Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması

    Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications

    HAKAN ÇUHADAROĞLU

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. YILMAZ UYAROĞLU

  3. Tez No

    1009525

    A framework for composite wind turbine blades: From material development to structural optimisation and ml-enhanced damage detection

    Rüzgar türbinleri için hibrit kompozit temelli kanat malzemesi geliştirilmesi, yapısal optimizasyonu ve makine öğrenmesi ile hasar tespiti ve yapısal analiz entegrasyonu

    KEMAL HASIRCI

    Doktora

    İngilizce

    İngilizce

    2026

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALAEDDİN BURAK İREZ

  4. Tez No

    984131

    Kil çekirdek parametrelerinin kaya dolgu barajların maksimum düşey deplasmanı üzerindeki etkisinin yapay zekâ yöntemleri ile değerlendirilmesi

    Evaluation of the effect of clay core parameters on the maximum vertical displacement of rockfill dams using artificial intelligence methods

    MUSTAFA SONER SEVDİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    İnşaat MühendisliğiGazi Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜNEŞ BABAGİRAY

  5. Tez No

    823793

    Addressing parametric uncertainties in autonomous cargo ship heading control

    Otonom kargo gemisi yön kontrolündeki parametrik belirsizliklerin ele alınması

    AHMAD IRHAM JAMBAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. İSMAİL BAYEZİT

Geri Dön