Betonarme Yapılarda Deprem Hasarlarının Evrişimli Sinir Ağları Yöntemiyle Tespit Edilmesi


Cangür R. E., Tong T.

Uluslararası Katılımlı 76. Türkiye Jeoloji Kurultayı, Ankara, Türkiye, 15 - 19 Nisan 2024, ss.54

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: Ankara
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.54
  • Yıldız Teknik Üniversitesi Adresli: Evet

Özet

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.