Uluslararası Katılımlı 76. Türkiye Jeoloji Kurultayı, Ankara, Türkiye, 15 - 19 Nisan 2024, ss.54
Bu çalışmada deprem sonrası gözlem yoluyla yapılan hasar tespit
çalışmalarının otonom hale getirilmesi için derin öğrenme temelli
sınıflandırma algoritmaları ile yöntem geliştirilmiştir. Çalışma,
deprem sonrası hasar tespiti sürecinde hasarlı yapı ve bilirkişi
sayılarının arasındaki farkın fazla olmasından kaynaklı müdahalelerin
zamanında yapılıp yapılmadığına yönelik sorulara cevap aramaktadır.
Bununla birlikte binanın hasar durumunun tespiti aşamasında karar
verme sürecinin hızlandırmasına yönelik yardımcı araçların da
işlevselliğinin sorgulanmasına yer verilmiştir.
Çalışmada kullanılması için deprem sonrası betonarme yapılardan
çekilmiş fotoğraflar deprem bölgesine giden uzmanlardan ve hasar
tespit sitesinden elde edilerek bir veri seti oluşturulmuştur. Veri seti 6
Şubat 2023 Kahramanmaraş depremlerinden sonra Kahramanmaraş ve
Hatay’daki hasar tespit görsellerinden oluşmaktadır. Riskli yapıların iç
mekanlarına girilmesinin can güvenliğini tehlikeye atmasından dolayı
veri sayısı istenilen sayının altında kalmıştır. Bu sebeple oluşturulan
ilk veri seti üzerine dikey aynalama yöntemiyle veri artırma işlemi
uygulanmıştır. Elde edilen veri seti, ilk olarak yazarlar tarafından
betonarme binalar üzerinde yapısal hasara neden olan ve yapısal hasara
neden olmayan olmak üzere iki farklı gruba ayrıştırılmıştır.
Ayrıştırılan bu veriler, derin öğrenme yöntemlerinden biri olan
evrişimli sinir ağları modelini eğitmekte kullanılmıştır. Model ilk
olarak bu görseller içerisinde yer alan piksel dizilimlerinden bazı
örüntüler tespit ederek özellik çıkarımları gerçekleştirmiştir. Daha
sonra eğitilmiş olan bu modele test veri kümesinde yer alan hasar
görselleri girdi olarak verilmiştir. Sinir ağları modeli, öğrendiği
örüntüler doğrultusunda olasılığının yüksek olduğu sınıf
doğrultusunda tahminini gerçekleştirmiştir.
Evrişimli sinir ağı modeli eğitimi 100 tekrar ve 32 veri yığını olacak
şekilde tamamlanmıştır. Eğitim sürecinde hem eğitim işleminin hem
de doğrulama işleminin hata değeri düşmüştür. Bununla birlikte
eğitimin doğruluğu ve eğitimin kontrol doğruluğu da süreç içerisinde
artış göstermiştir. Grafiklerden yola çıkarak eğitimin en yüksek
doğruluk değeri %96.18 bulunmuştur. Bununla birlikte kayıp
değerinin de en düşük olduğu değer 0.11 olarak ölçülmüştür. Tekrar
sayılarına yönelik kayıp fonksiyonu grafikleri de bu sonucu
doğrulamaktadır. Bu sonuçlar doğrultusunda model, test verileri
karşısında elde edilen başarıyı doğrulamıştır. Test edilen birinci
görselde modelin yapısal tahmini ile yazarlar tarafından verilen etiket
birbiriyle uyuşmuştur. Aynı şekilde ikinci test görselinde, yapısal
olmayan model tahmini ve yazarların sınıf tahminlerinde uyuşma
gözlemlenmiştir.
In this study, a method utilizing deep learning-based classification
algorithms has been created to automate the observation-based postearthquake damage assessment.Given the significant discrepancy
between the number of experts involved in the post-earthquake damage
assessment process and the damaged building, the study aims to
determine whether interventions are carried out in a timely manner.
Furthermore, there is doubt about the usefulness of using
supplementary instruments to hasten the decision-making process
while assessing the level of building damage.
In order to construct a data set for this study, specialists who visited
the earthquake zone and the damage assessment website provided
photos of reinforced concrete structures after the earthquake. The data
set consists of damage assessment images obtained from the
earthquakes in Kahramanmaraş and Hatay after the February 6, 2023
Kahramanmaraş earthquakes.. Because it was dangerous to get in the
damaged buildings, the number of data stayed below the desired
number.Therefore, the first data set was produced using the vertical
mirroring approach underwent the data augmentation procedure. The
authors initially divided the gathered data set into two categories:
those that caused structural damage to reinforced concrete buildings
and those that did not. One of the deep learning techniques, a
convolutional neural network model was trained using these data.
Prior to extracting features, the model identified a few patterns from
the pixel sequences in these pictures.Then, this trained model was fed
the damage images from the test dataset. Based on the lerning patterns
the neural network model produced predictions about the class with a
high probability.
The convolutional neural network model was trained using 32 batches
of data segmentation and 100 epochs. Both the training loss and
validation loss error values decreased during the training phase.
Furthermore, during the training process, there was an increase in
both the training and validation accuracy. The graphs showed that
96.18% was the greatest training accuracy value. Furthermore, the
loss value with the lowest measurement was 0.11. This outcome is
further supported by the loss function graphs for the quantity of
repeats. The model validated the success achieved using the test data
in accordance with these findings. The structural forecast of the model
and the authors' label coincided in the first tested image. The nonstructural model forecast and the authors' class predictions agreed in
the second test image as well.