Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13091/3509
Title: Mevcut betonarme binaların hızlı sismik değerlendirilmesinde kullanılan bazı geometrik parametrelerin ön eğitimli konvolüsyonel sinir ağları ile belirlenmesi
Other Titles: Determination of some geometric parameters used in rapid seismic evaluation of existing reinforced concrete buildings with pre-trained convolutional neural networks
Authors: Arslan, Musa Hakan
Yavarıabdı, Amır
Ekici, Muhammet Yuşa
Keywords: İnşaat Mühendisliği
Civil Engineering
Issue Date: 2022
Publisher: Konya Teknik Üniversitesi
Abstract: Önemli deprem kuşağı üzerinde yer alan ülkemizde, olası depremlerden önce mevcut binaların risk analizlerinin yapılmış ve proaktif önlemlerin alınmış olması son derece önem arz etmektedir. Buna bağlı olarak Türkiye'de deprem öncesi mevcut binaların risk analizi için şehirlerde bulunan özellikle konut türü yüz binlerce binanın incelenmesine ihtiyaç duyulmaktadır. Geliştirilen birçok hızlı sismik değerlendirme yöntemi olmasına rağmen binaların deprem risk öncelik sırasının belirlenmesi, yapı envanteri içerisinde yer alan konut türü bina sayısının çok fazla olması nedeniyle oldukça büyük bir bütçe ve zaman gerektirmektedir. Ayrıca incelenecek bina sayının fazla olması yeterli donanıma sahip çok sayıda teknik uzman görevlendirilmesine de sebep olacaktır. Teknik uzmanların yapacakları incelemelerde uzmanın tecrübesine bağlı farklılıklar da oluşabilecektir. Bunların yanı sıra deprem risk analizinin birbirinden farklı ve oldukça fazla parametreye bağlı olması da önemli bir problemdir. Deprem risk analizi gibi hayati bir konuda verilen kararlarda değerlendirmenin mümkün olduğunca standart yapılması, kararların daha hızlı ve ölçülebilir şekilde alınması oldukça önemlidir. Bu bağlamda Türkiye için oldukça kritik bir konu olan mevcut binaların deprem risk analizlerinin sağlıklı bir şekilde gerçekleştirilmesinde akıllı sistemlerden faydalanarak mümkün olduğunca doğru sonuçlara varmak oldukça önemlidir. Özellikle son yıllarda sayıca fazla olan ve çoklu parametrelere bağlı karmaşık mühendislik problemlerin çözümünde akıllı sistemler sıklıkla kullanılmaya başlanmıştır. Bu motivasyondan hareketle bu tezde; konut türü betonarme binaların deprem öncesi risk analizinde uzman mühendise yardımcı olacak (ya da teknik uzman yokluğunda karar vermeyi kolaylaştıracak) ve risk önceliklendirilmesinde kullanılacak parametrelerden olan ağır çıkma, bitişik nizamlılık durumu ve eğimli arazi varlığı durumlarını bina cephe görselleri üzerinden tahmin edebilen, Ön Eğitimli Evrişimli (Konvolüsyonel) Sinir Ağları (CNN) yapılarının (DarkNet-53, EfficientNet, Inception ResNetV2, NasNet Large, ResNet-101, ShuffleNet, SqueezeNet, VGG-19, Xception, ResNet-50) bazı katmanlarında düzenlemeler yapılması suretiyle analizler icra edilmiş ve analiz sonuçları mukayese edilmiştir. Bu bağlamda elde edilen analiz sonuçları değerlendirildiğinde; Ön Eğitimli KSA mimarilerinin bina cephe görselleri üzerinden söz konusu parametreleri ikili sınıflandırma stratejisi uyarınca %97'ye, çok sınıflı sınıflandırma stratejileri uyarınca da %79'a varan doğruluk oranı ile oldukça hızlı bir şekilde tespit edebildiği görülmüştür. Ayrıca, tez çalışmasında kullanılan Ön Eğitimli KSA mimarilerinin seçilen geometrik parametrelerin tespiti açısından mevcut betonarme binalar için kullanılabilir olduğu görülmüştür.
In our country, which is located in a seismic region, it is extremely important that the risk analyzes of existing buildings have been conducted and necessary precautions have been taken before possible earthquakes. Accordingly located in the city for a rapid seismic analysis of the existing residential buildings before the earthquake in Turkey, hundreds of thousands of buildings are required to be examined. Despite the rapid seismic assessment methods developed, determining the earthquake risk priority order of buildings requires a considerable cost and time due to the large number of structural inventories. In addition, the huge number of buildings to be examined will result in the appointment of a large number of technical experts with sufficient equipment. There may also be differences in the surveys made by the technical experts, depending on the experience of the expert. In addition to these, it is also an important problem that earthquake risk analysis is different from each other and depends on quite a lot of parameters. It is very important to make the evaluation as standard as possible in the decisions made on a vital issue such as earthquake risk analysis, and to take the decisions in a faster and measurable way. In this context, it is very important to reach accurate results as much as possible by making use of smart systems in performing earthquake risk analyzes of existing buildings, which is a critical issue for Turkey. Especially in recent years, smart systems have started to be used frequently in the solution of complex engineering problems related to multiple parameters. Based on this motivation, in this thesis; analyzes were carried out and analysis results were compared by making arrangements in some layers of Pre-Trained Convolutional Neural Networks structures (DarkNet-53, EfficientNet, Inception ResNetV2, NasNet Large, ResNet-101, ShuffleNet, SqueezeNet, VGG-19, Xception, ResNet-50), which can predict heavy overhang, adjacent regularity and sloping land presence, which are the parameters to be used in risk prioritization and will assist the expert engineer (or facilitate decision-making in the absence of an expert) in the pre-earthquake risk analysis of residential type reinforced concrete buildings. When the analysis results obtained in this context are evaluated; It has been observed that Pre-Trained CNN architectures can detect these parameters very quickly, with an accuracy rate of up to 97% according to the binary classification strategy and up to 79% according to the multi-class classification strategies, on the building facade images. In addition, it has been seen that the Pre-Trained CNN architectures used in the thesis study can be used for existing reinforced concrete buildings in terms of determining the selected geometric parameters.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=qVqOZFj2DwNmvdf1oGFYiGfBeaawDvzYJJSum4LRQuKibyesw36reTQubYv8z6R9
https://hdl.handle.net/20.500.13091/3509
Appears in Collections:Tez Koleksiyonu

Files in This Item:
File SizeFormat 
766124.pdf9.44 MBAdobe PDFView/Open
Show full item record



CORE Recommender

Page view(s)

68
checked on Feb 26, 2024

Download(s)

64
checked on Feb 26, 2024

Google ScholarTM

Check





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