Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13091/2867
Title: Betonarme yapılarda yapısal ve yapısal olmayan hasarların derin öğrenme ile tespiti
Other Titles: Detection of structural and non-structural damages in reinforced concrete structures with deep learning
Authors: Doğan, Gamze
Gültekin, Beyza
Keywords: İnşaat Mühendisliği
Civil Engineering
Issue Date: 2022
Publisher: Konya Teknik Üniversitesi
Abstract: Doğal afetlerin en tehlikelisi sayılabilecek öngörülemeyen ve önlenemeyen bir doğa olayı olan depremler, tüm dünyada olduğu gibi fay hatları üzerinde bulunan ülkemizde de ciddi kayıplara sebebiyet vermiştir. Meydana gelen her depremin ardından depreme dayanıklı yapı tasarımının önemi artmakta, yapılan hasar tespit çalışmalarında yönetmeliklere uyulmadan inşa edilmiş yapılarda çok büyük olmayan depremlerde bile ciddi hasarlar oluştuğu gözlemlenmektedir. Depremde hasar alan tüm binalarda yapılan hasar tespit çalışmalarının doğru bir şekilde gerçekleştirilmesi büyük önem taşırken ciddi derecede hasar alan yapılarda artçı depremlerin yıkım tehlikesi dolasıyla çalışmaların aynı zamanda hızlı ve pratik olması da son derece önemlidir. Uzman kişi sayısının sınırlı olması ve deprem sırasında hasar alan yapı sayısının çok fazla olması hasar tespit çalışmalarının yetersiz kalmasına neden olmaktadır. Bu durumda can ve mal kayıplarının artmasına neden olabilecek şekilde bilinçsizce hasarlı yapılarda yaşanmaya devam edilmektedir. Deprem sonrası yapılan hasar tespit çalışmalarında verilen önemli kararlardan biri betonarme yapılar özelinde oluşan çatlakların yapısal elemanda veya yapısal olmayan elemanda bulunmasına göre ayrımının yapılmasıdır. Yapısal elemanlarda özellikle kolon ve perdelerde oluşan deprem hasarları yapının önemli derecede hasar aldığını gösterirken yapısal olmayan elemanlarda oluşan deprem hasarları yapının kullanım durumunu önemli ölçüde etkilememektedir. Bu tez çalışmasında uzman kişilere hasar tespit çalışmaları sırasında yardımcı olabilecek, kararların doğru ve hızlı şekilde verilmesini sağlayacak bir yapay zekâ algoritması geliştirilmiştir. Çalışmada yapay zekânın alt dallarından biri olan verilerden kendi kendine öğrenerek farklı veriler üzerinde tahmin yapabilen Derin Öğrenme modeli tercih edilmiştir. Bu tez çalışmasının amacı, hasar görüntülerini yapısal elemanda oluşan hasar ya da yapısal olmayan elemanda oluşan hasar şeklinde sınıflandırmak olduğu için bu alanda oldukça başarılı çalışmalarda kullanılmış Evrişimli Sinir Ağları modelinden yararlanılmıştır. Son yıllarda ülkemizde meydana gelen Mw ? 5 büyüklüğüne sahip İstanbul (Silivri), Elazığ (Sivrice) ve İzmir (Seferihisar) depremleri sonrası yapılan hasar tespit çalışmalarından elde edilen hasar görüntüleri algoritma geliştirmek üzere toplanmıştır. Optimum değerler seçilerek geliştirilen model, betonarme yapılarda oluşan yapısal ve yapısal olmayan eleman hasarlarını %93,13 oranında başarı ile tespit edip sınıflandırmıştır. İnşaat mühendisliği alanında henüz çok yeni olan Derin Öğrenme sistemlerinin geliştirilerek kullanılabileceğinin yanında bu çalışmada geliştirilen modelin hasar tespit çalışmalarında uzman kişilere yardımcı olabileceği kanıtlanmıştır.
Earthquakes, an unpredictable and unpreventable natural event that can be considered the most dangerous of natural disasters, have caused serious losses in our country, which is located on fault lines, as in the whole world. After each earthquake that occurs, the importance of earthquake-resistant building design increases, and it is observed that serious damages occur in structures built without complying with the regulations in damage assessment studies, even in small earthquakes. While it is of great importance that the damage assessment studies carried out in all buildings damaged in the earthquake are carried out correctly, it is extremely important that the works are also fast and practical due to the danger of destruction of aftershocks in seriously damaged buildings. The limited number of experts and the large number of buildings damaged during the earthquake cause the damage assessment studies to be insufficient. In this case, people continue to live in damaged buildings unconsciously, which may lead to increased loss of life and property. One of the important decisions made in the damage assessment studies made after the earthquake is to differentiate the cracks that occur in reinforced concrete structures according to whether they are in the structural element or the non-structural element. Earthquake damages on structural elements, especially on columns and shear walls, show that the structure has been damaged significantly, while earthquake damages on non-structural elements do not significantly affect the use of the building.In this thesis, an artificial intelligence algorithm has been developed that can help experts during damage assessment studies and ensure that decisions are made accurately and quickly. In the study, the Deep Learning model, which is one of the sub-branches of artificial intelligence, which can make predictions on different data by learning by itself from the data, was preferred. Since the aim of this thesis study is to classify the damage images as damage to the structural element or damage to the non-structural element, the Convolutional Neural Networks model, which has been used in very successful studies in this field, has been utilized. The damage images obtained from the damage assessment studies carried out after the Istanbul (Silivri), Elazığ (Sivrice) and İzmir (Seferihisar) earthquakes with a magnitude of Mw ? 5 that occurred in our country in recent years were collected to develop an algorithm. The model, which was developed by selecting the optimum values, detected and classified the structural and non-structural element damages in reinforced concrete structures with a success rate of 93.13%. In addition to the fact that Deep Learning systems, which are still very new in the field of civil engineering, can be developed and used, it has been proven that the model developed in this study can help experts in damage assessment studies.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kScA8XnrRb0WogX-qPGFkmvMWv1HlraY0KpqQ5AkeoGoWaTzckmHtcaur0alDZuI
https://hdl.handle.net/20.500.13091/2867
Appears in Collections:Tez Koleksiyonu

Show full item record

CORE Recommender

Page view(s)

72
checked on Jan 30, 2023

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.