Akademik Veri Yönetim Sistemi
Tez Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Mimarlık Fakültesi, Mimarlık Bölümü, Türkiye
Tez Danışmanı: Togan Tong
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Yıkıcı depremlerden sonra betonarme binalarda hasarları doğru ve hızlı tespit edebilmek zor ve karmaşık ortamlar doğurabilmektedir. Yıllar içinde olan depremlerde, güvenlik çalışmaları kapsamında yer alan görevli uzman kişilerin sayısı ile depremden etkilenen yapıların sayısı arasındaki farkın fazla olması sürecin yavaş ilerlemesine sebep vermektedir. Bununla birlikte, uzman kişilerin gözlem yoluyla hasarları hızlı tespit etme çabasının öznel yorum barındırma riski, hem ekonomik sonuçlara hem de can kayıplarına yol açabilmektedir. Bu sebepler, süreç içerisinde alınması gereken güvenlik kararlarının belirsizliğini artırmakta ve oluşan mağduriyeti pekiştirmektedir. Derin öğrenme yöntemlerinin mimarlık, mühendislik ve inşaat (MMİ) alanında kullanımının artmasıyla, bu durumun belirsizliği ortadan kaldırılmaya çalışılmıştır. İlgili çalışmalarda, Evrişimli Sinir Ağları modellerine, betonarme hasarlarının sınıflandırılması problemi sıklıkla verilmiştir. Bu çalışmada, literatürde yüksek eğitim başarıları sahip AlexNet ve VGG19 modellerinin deprem sonrası betonarme yapılarda oluşan hasarların sınıflandırma performansı karşılaştırılmıştır. Modellerin eğitimi için kullanılacak veriler, 06 Şubat 2023 Hatay ve Kahramanmaraş depremlerinden çekilen görüntülerden elde edilmiştir. Hasarlar, yapısal olan ve yapısal olmayan olacak şekilde iki farklı sınıfa ayrılmıştır. Modeller, k-fold çapraz doğrulama sabiti 5 alınarak eğitilmiştir. Eğitim sonucunda, AlexNet modelinin ortalama doğruluk puanı 0.9704(%97,04), kayıp değeri ise 0.0819(%8.19) puan ölçülmüştür. VGG19 modelinde ise ortalama doğruluk puanı 0.9096(%90.96), kayıp değeri 0.2116(%21.16) olarak gözlemlenmiştir. Sonuçlara baktığımızda, modellerdeki katman sayısının artması, model başarımını olumsuz etkilemiştir. Öte yandan her iki model de bu ikili sınıflandırma için yeterli başarıma ulaşmıştır. Sınıf Aktivasyon Haritaları(SAH) ile birlikte hasar sınıflandırmasında modelin sınıf atama sürecinde hasarın odaklandığı yerlerin ısı haritaları çıkarılmıştır. SAH verilerine göre AlexNet modelinin resim içerisinde hasarın olduğu bölgeye odaklanma başarısı, VGG19 modeline göre daha yüksek olduğu gözlemlenmiştir. Bununla birlikte bu çalışmada, test görsellerinin renk kanallarındaki değişim, görselin sınıf etiketini etkilediği sonucu ortaya konmuştur.