Farklı Evrişimli Sinir Ağı Modellerinin Deprem Sonrası Hasar Tespiti Sürecinde Kullanımlarının Karşılaştırılması

Cangür R. E., Tong T.

4. Ulusal Yapı Fiziği ve Çevre Kontrolü Kongresi, İstanbul, Türkiye, 2 - 03 Mayıs 2024, cilt.1, sa.2024230, ss.67-76

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Cilt numarası: 1
  • Basıldığı Şehir: İstanbul
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.67-76
  • Yıldız Teknik Üniversitesi Adresli: Evet

Özet

Deprem sonrası güvenlik uygulamaları kapsamında deprem hasarının tespiti, afet sonrası süreci yönetmekte büyük öneme sahiptir.Hasarlı yapı sayısının, tespit ekipleri sayısından fazla olması tespit süreçlerinde sonuca ulaşmayı geciktirmektedir. Bununla birlikte, uzmanların farklı seviyelerdeki deneyimleri ve hasarlı yapı sahiplerinin psikolojik gerginliği tespit sürecinde doğru karar alınmasının önüne geçmektedir. Bu nedenle bu çalışmada, evrişimli sinir ağlarının sınıflandırma algoritmalarını kullanarak, betonarme yapılarda deprem sonrası oluşan hasarların yapısal olan ve yapısal olmayan hasarlara göre sınıflandırılması amaçlanmıştır. Sınıflandırma sürecinde kullanılacak olan algoritmaların farklı potansiyeller içermesinden dolayı AlexNet ve VGG19 modelleri eğitilmiş ve karşılaştırmalı olarak test edilmiştir. Eğitim sonucunda AlexNet modeli%97.41 oranında doğruluk değerine sahipken, VGG19 modelinin en yüksek doğruluk değeri %90.40 olarak gözlemlenmiştir. Bunula birlikte test verisetindeki doğruluk değerleri ve Sınıf Aktivasyon Haritaları (Class Activation Map) incelendiğinde AlexNet modelinin VGG19 modeline kıyasla daha doğru sonuçlar verdiği görülmüştür. Çalışmada veri seti olarak, 6 Şubat 2023’ de gerçekleşen Kahramanmaraş ve Hatay depremleri sonrası toplanmış hasar fotoğrafları kullanılmıştır.

Detecting earthquake damage as part of post-shock safety standards is critical for managing the disaster safety process. The fact that there are more damaged buildings than there are detecting teams causes a delay in the detection processes' outcome. Furthermore, the owners of damaged properties face psychological stress and the specialists have varying degrees of experience, which makes it difficult to make the right decisions during the detecting process. Thus, the purpose of this study is to use convolutional neural network classification methods to categorize post-earthquake damages in reinforced concrete structures based on structural and non-structural damages. Comparative training and testing was done on the AlexNet and VGG19 models because the potentials of the methods to be used in the classification process differ. After training, the AlexNet model's accuracy is 97.41%, while the VGG19 model's best accuracy is 90.40%. On the other hand, the analysis of the test dataset's accuracy values and Class Activation Maps (CAM)reveals that the AlexNet model outperforms the VGG19 model in terms of accuracy. The study's dataset consisted of damage pictures taken from the 6 February 2023, earthquakes in Hatay and Kahramanmaraş.