Betonarme elemanlarda hasar durumunun akustik emisyon yöntemi ve yapay zeka kullanılarak belirlenmesi
Determination of damage condition of reinforced concrete elements by acoustic emission method and artificial intelligence
- Tez No: 999199
- Danışmanlar: PROF. DR. NİNEL ALVER
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Türkiye, aktif fay hatlarının yoğunluğu nedeniyle yüksek sismik tehlike altında olup, mevcut yapı stokunun büyük bir kısmı deprem etkilerine karşı yetersiz mühendislik hizmeti görmüştür. Deprem öncesi ve sonrası yapılardaki hasar durumunun incelenmesi ve belirlenmesi bazı yöntemler ile yapılabilmektedir. Bu çalışmada betonarme kirişlerde meydana gelebilecek olan hasarların tespitine yönelik olarak Akustik Emisyon (AE) yöntemi ve yapay zekâ tabanlı sınıflandırma tekniklerinin birlikte kullanılması amaçlanmıştır. Geleneksel hasar tespit yöntemleri (görsel inceleme, karot alma) sınırlı bilgi sağlamakta ve yapıya zarar verebilmektedir. Bu nedenle tahribatsız muayene yöntemleri önem kazanmıştır. AE yöntemi, yük altındaki yapı elemanlarında oluşan çatlakların konumunu, türünü ve gelişim sürecini gerçek zamanlı olarak tespit edebilmesiyle öne çıkmaktadır. Çalışma kapsamında, dört noktalı eğilme yüklemesi altında test edilen betonarme kirişlerde, eğilme çatlaklarının oluşması sağlanmış, deney süresince AE sensörleri ile yüksek hacimli veri toplanmıştır. Elde edilen AE parametreleri ve sinyal formları, yük–deplasman eğrilerindeki akma noktası referans alınarak elastik ve plastik hasar bölgelerine göre etiketlenmiş, dengeli ve tutarlı veri setleri oluşturulmuştur. Bu veriler, RandomForest, SVM, MLP ve 1D-CNN yapay zeka algoritmaları ile analiz edilmiştir. Sonuçlar, 1D-CNN modelinin karmaşık AE verilerinde en yüksek doğruluk, kesinlik, duyarlılık, F1 skoru ve AUC değerlerine ulaştığını göstermiştir. Bulgular, AE verilerinin doğru parametre seçimi ve uygun yapay zekâ modeli ile kullanıldığında, yapıların gerçek zamanlı yapısal sağlık izleme sistemlerine entegre edilerek olası hasarların önceden tespitinde etkin bir yöntem sunabileceğini ortaya koymaktadır. Bu yaklaşımın, kritik mühendislik viii yapılarında güvenliği artırma ve deprem kaynaklı riskleri azaltma potansiyeli bulunmaktadır.
Özet (Çeviri)
Turkey is at high seismic risk due to the density of active fault lines, and a large portion of the existing building stock has received inadequate engineering services to withstand earthquake effects. The damage status of buildings before and after earthquakes can be examined and determined using certain methods. In this study, the aim is to use the Acoustic Emission (AE) method and artificial intelligence-based classification techniques together to detect damage that may occur in reinforced concrete beams. Traditional damage detection methods (visual inspection, core sampling) provide limited information and may damage the structure. Therefore, non-destructive testing methods have gained importance. The AE method stands out for its ability to detect the location, type, and development process of cracks in structural elements under load in real time. In this study, bending cracks were induced in reinforced concrete beams tested under four-point bending loading, and high-volume data was collected using AE sensors throughout the experiment. The obtained AE parameters and signal forms were labeled according to elastic and plastic damage regions, using the yield point in the load displacement curves as a reference, to create balanced and consistent data sets. These data were analyzed using RandomForest, SVM, MLP, and 1D-CNN artificial intelligence algorithms. The results showed that the 1D-CNN model achieved the highest accuracy, precision, sensitivity, F1 score, and AUC values in complex AE data. The findings reveal that when AE data is used with the correct parameter selection and appropriate artificial intelligence model, it can provide an effective method for the early detection of potential damage by integrating structures into x real-time structural health monitoring systems. This approach has the potential to increase safety and reduce earthquake-related risks in critical engineering structures.
Benzer Tezler
- Yüksek sıcaklığa maruz betonarme elemanlarda elastik dalga tabanlı tahribatsız muayene yöntemleriyle hasar analizi
Damage analysis of reinforced concrete elements subjected to high temperature using elastic wave based non-destructive testing methods
TOLGA ARSLAN
Doktora
Türkçe
2024
İnşaat MühendisliğiEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. NİNEL ALVER
- Lif takviyeli betonun mekanik ve akustik emisyon özelliklerinin incelenmesi
Investigation of mechanical and acoustic emission properties of fiber reinforced concrete
ERGUN ALPER KURT
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. NİNEL ALVER
- Betonarme yapılarda hasar tespitinde kullanılan akustik emisyon yönteminin yapay zeka kullanılarak iyileştirilmesi
Enhancing the acoustic emission method used for damage detection in reinforced concrete structures utilizing artificial intelligence
BURAK GÜLŞEN
Yüksek Lisans
Türkçe
2025
İnşaat MühendisliğiEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. NİNEL ALVER
- Beton karot numunelerindeki hasar seviyelerinin AE-oran işleme analizi ile belirlenmesi
Damage level determination of concrete core samples by AE-rate process analysis
ALI SEYEDYOUSEFISHESHDEH
Yüksek Lisans
Türkçe
2019
İnşaat MühendisliğiEge Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. EBRU ERİŞ DUMAN
- Resilient design of CLT buildings against fire and earthquake
Çok katlı CLT binaların yangın ve depreme karşı direnç esaslı tasarımı
ÖMER ASIM ŞİŞMAN
Yüksek Lisans
İngilizce
2022
Deprem Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER TUĞRUL TURAN
PROF. DR. ARIO CECCOTTI