Depremdeki Riskli Yapıların Beton Performansının Yapay Öğrenme Yöntemleri İle Değerlendirilmesi

Abstract

Yapı malzemelerinin dayanımını tahmin etmek günümüzde depremlere karşı önlem almak için çok hayati bir süreçtir. Bu sürecin maliyetini düşürerek etkinliğini arttırmak olası can kayıplarının önüne geçmesini sağlayabilir. Yapılan bu çalışmada, makine öğrenimi tabanlı modeller kullanılmıştır. Öncelikle, 6 silindir ve 33 standart küp beton numunesi üzerinde ivmeölçer ve piezoelektrik sensörler aracılığıyla titreşim verileri toplanmış, ardından gürültü azaltma ve normalizasyon gibi ön işleme adımları uygulanmıştır. Model eğitimi sürecinde XGBoost ve Random Forest regresyon algoritmaları kullanılmıştır. Küp numunelerden alınan veriler ile eğitilen XGBoost modelinden elde edilen çapraz doğrulama değeri MAE(Ortalama Mutlak Hata) 6.45, Random Forest modelinden elde edilen MAE 10.9 ile karşılaştırıldığında XGBoost modeli ile daha iyi bir sonuç elde edilmiştir. Ancak sınırlı veri setine sahip olunduğundan, daha geniş çaplı veri setleri ile modellerin sonuçlarında değişkenlik olabileceği öngörülmektedir.

Predicting the strength of building materials is nowadays a vital process for taking precautions against earthquakes. Increasing the efficiency of this process by reducing its cost can prevent possible loss of life. In this study, machine learning based models were used. First, vibration data were collected on 6 cylinder and 33 standard cube concrete specimens using accelerometers and piezoelectric sensors, followed by preprocessing steps such as noise reduction and normalization. XGBoost and Random Forest regression algorithms were used in the model training process. The cross-validation value MAE (Mean Absolute Error) obtained from the XGBoost model trained with data from cube samples was 6.45, compared to the MAE of 10.9 obtained from the Random Forest model. However, due to the limited data set, it is predicted that there may be variability in the results of the models with larger data sets.