Ankara kilinde presiyometre verilerine dayalı elastisite modülünün makine öğrenmesi yöntemleriyle tahmini
Estimation of elastic modulus in ankara clay based on pressuremeter data using machine learning methods
- Tez No: 986578
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜNEŞ BABAGİRAY
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Geoteknik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda, veri odaklı yöntemlerin mühendislik alanındaki kullanımı hızla artmıştır. Yapay zekâ (Artificial Intelligence-AI) kapsamında bir alt dal olan makine öğrenmesi (Machine Learning-ML), mühendislikte veri analizini derinleştirerek geleneksel yöntemlere etkili ve yenilikçi bir alternatif sunmaktadır. Bu doğrultuda, makine öğrenmesi teknikleri geoteknik mühendisliğinde de önemli bir yer edinmiştir. Zemin davranışının tahmini, tasarım güvenliği ve karmaşık veri yapılarının analizinde makine öğrenmesi güçlü ve güvenilir bir araç olarak öne çıkmaktadır. Bu çalışmada, Ankara ili sınırları içerisinde ince daneli zeminlerde gerçekleştirilmiş olan presiyometre deneyleri (PMT) ile elde edilen 607 adet Menard Elastisite Modülü (EM) değerlerinin, Doğrusal Regresyon (Linear Regression), Rastgele Orman (Random Forest) ve Aşamalı Artırma (Extreme Gradient Boosting-XGBoost) makine öğrenmesi algoritmaları kullanılarak tahmin edilmesi amaçlanmıştır. Bu kapsamda, presiyometre deneylerinin yapıldığı derinliklerinden elde edilmiş olan su muhtevası, Atterberg limitleri, elek analizi zemin yüzde oranları, derinlik, Standart Penetrasyon Testi (SPT) Narazi ve N60 değerleri, presiyometre testi parametrelerinden basınçtaki değişim (ΔP), hacimdeki değişim (ΔV), limit basınç (PL), net limit basınç (PL*) değerlerini içeren girdi parametrelerinden bir veri seti oluşturulmuştur. Gerçek saha ve laboratuvar çalışmalarından elde edilen bu veri setinden yararlanılarak presiyometre deneyinden elde edilen Menard Elastisite Modülü (EM) çıktı parametresi olarak belirlenmiştir. Öncelikle, girdi ve çıktı parametreleri arasındaki ilişkiler korelasyon matrisi ile incelenmiştir. Daha sonra, kullanılan algoritmaların tahmin doğrulukları Ortalama Kare Hata (Mean Squared Error-MSE) ve Belirleme Katsayısı (Coefficient of Determination-R²) ölçütleriyle değerlendirilmiş ve grafiksel olarak karşılaştırılmıştır. Çalışmada, model doğruluğunu ve genellenebilirliğini artırmak amacıyla hiperparametre optimizasyonu yapılmış, üç farklı özellik seçimi yöntemi kullanılarak çıktı parametresine en yüksek etki eden girdiler belirlenmiş ve bu analizler sonucunda Menard elastisite modülünü en fazla etkileyen parametrelerin SPT-N60, limit basınçlar (PL, PL*) ve basınçtaki değişim (ΔP) olduğu; en yüksek tahmin doğruluğunun ise Rastgele Orman (Random Forest) algoritmasıyla elde edildiği görülmüştür. Ayrıca, ampirik bağıntılarla yapılan karşılaştırmalar sonucunda makine öğrenmesi modellerinin Menard elastisite modülünü daha yüksek doğrulukla tahmin ettiği belirlenmiştir. Bu bulgular doğrultusunda, veri odaklı yaklaşımların geoteknik mühendislik uygulamalarındaki potansiyeline dikkat çekilmiştir.
Özet (Çeviri)
In recent years, the use of data-driven approaches in engineering has increased rapidly. Machine Learning (ML), a subfield of Artificial Intelligence (AI), offers an effective and innovative alternative to traditional methods by enhancing data analysis capabilities in engineering. Accordingly, machine learning techniques have gained significant importance in geotechnical engineering. They provide powerful and reliable tools for predicting soil behavior, ensuring design safety, and analyzing complex data structures. In this study, it is aimed to predict the Elastic Modulus (EM) values obtained from 607 pressuremeter (PMT) tests conducted in fine-grained soils within the boundaries of Ankara Province by employing three machine learning algorithms: Linear Regression, Random Forest, and Extreme Gradient Boosting (XGBoost). For this purpose, a dataset was constructed using input parameters derived from the pressuremeter test depths, including water content, Atterberg limits, grain size distribution percentages, depth, Standard Penetration Test (SPT) Nfield and N60 values, pressure change (ΔP), volume change (ΔV), limit pressure (PL), and net limit pressure (PL*). The Menard Elastic Modulus (EM) obtained from the pressuremeter test was defined as the output parameter. Initially, the relationships between input and output parameters were examined through a correlation matrix. Subsequently, the predictive performances of the algorithms were evaluated and compared using the Mean Squared Error (MSE) and Coefficient of Determination (R²) metrics, as well as graphical assessments. To enhance model accuracy and generalization capability, hyperparameter optimization was performed and multiple feature selection methods were applied to identify the most influential input parameters affecting the output. The results revealed that the parameters with the highest influence on the Menard Elastic Modulus were SPT-N60, the limit pressures (PL-PL*), and the pressure change (ΔP). Among the models, the Random Forest algorithm achieved the highest prediction accuracy. Furthermore, comparisons with empirical correlations indicated that machine learning models provided more accurate predictions of the Menard Elastic Modulus. These findings highlight the potential of data-driven approaches in geotechnical engineering applications, demonstrating their capability to improve the prediction and interpretation of soil behavior based on field test data.
Benzer Tezler
- SPT ve pressiometre deneyleri ile geoteknik tasarım ve Ankara kili için mukayeseli analiz
Geoteknical desing usung SPT, PMT and a camperative analysis for Ankara clay
SERKAN NARİN
Yüksek Lisans
Türkçe
2004
İnşaat MühendisliğiEskişehir Osmangazi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF.DR. HASAN TOSUN
- Effect of undrsined shear strength and plasticity in the development of passive resistance around and rigid, model socketed pile
Drenajsız kayma mukavemetinin ve plastisitenin bir model soket kazığın pasif dayanımına etkisi
MARAL MERCAN (TEKİN)
Yüksek Lisans
İngilizce
1996
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. M. UFUK ERGUN
- Ankara kilinde şişme anizotropisinin araştırılması
Investigation of swelling anisotropy in ankara clay
ELİF AVŞAR
Yüksek Lisans
Türkçe
2007
Jeoloji MühendisliğiHacettepe ÜniversitesiJeoloji Ana Bilim Dalı
DOÇ.DR. HARUN SÖNMEZ
PROF.DR. REŞAT ULUSAY
- Killi zeminlerin kireçle stabilizasyonu: Ankara kilinde indeks, şişme ve dayanım özellikleri açısından bir inceleme
Lime stabilization of clay soils: An investigation on index, swelling and strength properties of Ankara clay
MEHMET CELAL TONOZ
Yüksek Lisans
Türkçe
2001
Jeoloji MühendisliğiHacettepe ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. CANDAN GÖKÇEOĞLU
PROF. DR. REŞAT ULUSAY
- Assessment of slope stability in Ankara clay: A case study along Ankara-Eskişehir E-90 highway
Ankara kilinde şev duraylılığının belirlenmesi: Ankara-Eskişehir E-90 kara yolu üzerinde örnek bir çalışma
MEHMET BORA TEOMAN
Yüksek Lisans
İngilizce
2002
Jeoloji MühendisliğiOrta Doğu Teknik ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
DOÇ. DR. TAMER TOPAL