Betonarme perdelerin şekil değiştirme kapasitesinin yapay zekâ yöntemleriyle modellenmesi
Modeling the deformation capacity of reinforced concrete shear walls using artificial intelligence methods
- Tez No: 983296
- Danışmanlar: PROF. DR. İLKER KAZAZ
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erzurum Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Betonarme perde davranışının deneysel olarak test edilmesi ve sonlu elemanlar yöntemiyle modellenmesi, gerektirdiği yüksek zaman ve maliyet nedeniyle önemli kısıtlamalar içermektedir. Son yıllarda açık veri ve kod paylaşımının artış göstermesi nedeniyle uygulamalarda makine öğrenmesine (ML) yönelim artmaktadır. Bu çalışma kapsamında sonlu elemanlar yöntemiyle üretilen 2548 perde modeline ait kesit uçlarındaki plastik dönme, donatı ve beton birim şekil değiştirme değerleri ML yöntemleriyle incelenmiştir. İlk olarak çeşitli girdi parametreleri kullanılarak ağaç tabanlı dört yöntemle (Karar Ağacı, Rasgele Orman, Uyarlanabilir Arttırma, Aşırı Gradyan Arttırma) plastik dönme tahmin edilmiş ve modellerin performansı 10 katlı çapraz doğrulama kriteri dikkate alınarak değerlendirilmiştir. Karşılaştırmalar sonucunda en iyi performans gösteren XGBoost modeli, Rasgele Arama ve Optuna ile hiperparametre ayarı yapılarak yeniden eğitilmiştir. XGBoost-Optuna konfigürasyonun en yüksek başarıyı verdiği belirlenmiştir. Bu modelin sonuçları SHAP analiziyle yorumlanarak değişkenlerin göreli etkileri ve olası etkileşimleri ortaya konmuştur. Plastik dönme tahmininde başarılı olduğu kanıtlanan bu modelleme yaklaşımı, perde birim şekil değiştirmelerine de uygulandığında benzer derecede etkili sonuçlar vermiştir. Sonuçlardan denklem üretmek amacıyla, toplamsal güç yasası regresyon modeli hem gerçek (ANSYS) ölçümler hem de ML tahmin çıktıları üzerinde ayrı ayrı oluşturulmuştur. ML yöntemiyle türetilen denklemin davranışı daha iyi temsil ettiği saptanmıştır. Bulgular, betonarme perdelerin davranışının ML ile yüksek doğrulukta, hızlı ve yorumlanabilir biçimde öngörülebileceğini göstermektedir.
Özet (Çeviri)
Experimentally testing the behavior of reinforced concrete walls and modeling them using the finite element method involves significant limitations due to the high time and cost required. In recent years, the increase in open data and code sharing has led to a growing trend towards machine learning (ML) in applications. Within the scope of this study, the plastic rotation, reinforcement, and concrete unit deformation values at the section ends of 2548 wall models generated using the finite element method were examined using ML methods. First, plastic rotation was predicted using four tree-based methods (Decision Tree, Random Forest, Adaptive Boosting, Extreme Gradient Boosting) with various input parameters, and the performance of the models was evaluated considering the 10-fold cross-validation criterion. As a result of the comparisons, the XGBoost model, which showed the best performance, was retrained with hyperparameter tuning using Random Search and Optuna. The XGBoost-Optuna configuration was determined to yield the highest success. The results of this model were interpreted using SHAP analysis to reveal the relative effects of the variables and their possible interactions. This modeling approach, proven successful in plastic rotation prediction, yielded similarly effective results when applied to curtain unit deformations. To derive equations from the results, a sum of additive power law regression model was created separately for both actual (ANSYS) measurements and ML prediction outputs. The equation derived using the ML method was found to better represent the behavior. The findings show that the behavior of reinforced concrete walls can be predicted with high accuracy, speed, and interpretability using ML.
Benzer Tezler
- Experimental and numerical investigation of diagonally reinforced coupling beams in terms of behavior, performance, and strengthening techniques
Diyagonal donatılı betonarme bağ kirişlerinin davranış, performans ve güçlendirme teknikleri bakımından deneysel ve sayısal olarak incelenmesi
NAMIK ESER
Doktora
İngilizce
2024
Deprem Mühendisliğiİstanbul Teknik ÜniversitesiDeprem Mühendisliği Ana Bilim Dalı
PROF. DR. İHSAN ENGİN BAL
- Progressive collapse response of reinforced concrete high-rise buildings designed according to turkish earthquake code
Türk deprem yönetmeliğine göre yapılan betonarme yüksek binaların ilerlemeli çökmeye tepkisi
MUNYARADZI GONDOBWE
Yüksek Lisans
İngilizce
2023
İnşaat MühendisliğiSakarya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYDIN DEMİR
- Nonlinear response modeling of low-rise structural walls
Bodur perde duvarların doğrusal olmayan davranışlarının modellenmesi
SİMON KARABULUT
Yüksek Lisans
İngilizce
2016
İnşaat MühendisliğiBoğaziçi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. KUTAY ORAKÇAL
- Evaluation of plastic hinge length estimations and strain limits of reinforced concrete shear walls
Betonarme perde duvarlar için plastik mafsal boyu yaklaşımlarının ve birim şekil değiştirme limitlerinin değerlendirilmesi
SELİM AYDIN
Yüksek Lisans
İngilizce
2018
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ÜNAL ALDEMİR
- Mevcut bir betonarme binanın TDY'07'de belirtilen doğrusal elastik olmayan analiz yöntemlerine göre performans değerlendirmesi
Performance assessment of an existing RC building according to nonlinear elastic analysis methods stated in TSC'07
AHMET TUĞRUL AKYILDIZ
Yüksek Lisans
Türkçe
2015
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. KONURALP GİRGİN