LEE- Yapı Mühendisliği Lisansüstü Programı

Bu topluluk için Kalıcı Uri

http://hdl.handle.net/11527/19494

Gözat

Konu "artificial intelligence" ile LEE- Yapı Mühendisliği Lisansüstü Programı'a göz atma
  • Öge
    Deprem sonrası betonarme kolonlarda boyuna donatı burkulmasının makine öğrenmesi ile tespiti
    (İTÜ Lisansüstü Eğitim Enstitüsü, 2025) Güleşmen, Bahadır ; Turan, Ömer Tuğrul ; 501211003 ; Yapı Mühendisliği
    Bu tez çalışmasında, 6 Şubat 2023 tarihinde meydana gelen Kahramanmaraş depremleri sonrasında, betonarme yapıların kolonlarında oluşan boyuna donatı burkulma hasarlarının fotoğraf üzerinden tespiti amacıyla derin öğrenme tabanlı nesne algılama modellerinin performansları karşılaştırmalı olarak incelenmiştir. Çalışmada, Faster R-CNN ve YOLOv8 olmak üzere iki farklı derin öğrenme tabanlı nesne algılama modeli değerlendirilmiştir. Faster R-CNN modeli, iki aşamalı yapısı sayesinde küçük ve lokalize hasar bölgelerinin hassas tespitinde güçlü bir performans sunarken; YOLOv8 modeli, hızlı ve tek aşamalı yapısıyla gerçek zamanlı uygulamalara uygunluğu ile öne çıkmaktadır. Tezde kullanılan veri seti, deprem sonrası yapılan saha incelemeleriyle toplanan 539 yüksek çözünürlüklü görüntüden oluşmaktadır. Bu görüntülerde toplamda 1494 adet donatı burkulma bölgesi sınırlayıcı kutularla etiketlenmiştir. Veri seti eğitim (%80), doğrulama (%10) ve test (%10) alt kümelerine ayrılmış; görüntülerdeki farklı ışık koşulları, çekim açıları ve donatı çeşitliliği gibi zorluklar modellerin genelleme kapasitesini sınamıştır. Her iki model de bu veri seti üzerinde, çeşitli veri artırma teknikleri ve optimize edilmiş hiperparametrelerle eğitilmiştir. Test verisi üzerinde yapılan değerlendirmeler sonucunda, YOLOv8m modeli en yüksek kesinlik (0.850) ve ortalama kesinlik (0.852) değerlerine ulaşmıştır. Bu model, 131 doğru pozitif (TP), 27 yanlış pozitif (FP) ve 29 yanlış negatif (FN) tahmin üretmiştir. ResNet-152 omurgasıyla Faster R-CNN modeli ise 135 TP, 106 FP ve 25 FN değerleriyle en yüksek duyarlılık (0.844) değerine sahip olmuştur. Bu sonuçlar, YOLOv8m modelinin daha yüksek doğruluk oranıyla yanlış tespit etme riskini azalttığını, buna karşın Faster R-CNN modelinin daha fazla hasar bölgesi tespit ederek kapsamlı bir tarama imkânı sunduğunu ortaya koymuştur. Bu çalışma ayrıca, görüntülerin çekim açısı ve hasar bölgesinin görüntüdeki büyüklüğü gibi faktörlerin model performansına doğrudan etki ettiğini göstermiştir. Hasar bölgelerinin görüntüde daha geniş yer kapladığı durumlarda modellerin daha yüksek doğrulukla tahminler yaptığı gözlemlenmiştir. Bu bulgu, saha çalışmalarında yüksek kaliteli ve uygun açıda çekilmiş görüntülerin sağlanmasının önemini vurgulamaktadır. Sonuçlar, iki modelin kendi içindeki karşılaştırılmasıyla hangi modelin hangi uygulamada daha avantajlı olacağını net bir şekilde ortaya koymaktadır. YOLOv8m modeli, yanlış tespit etme riskinin azaltılmasının ön planda olduğu durumlarda güvenilir bir çözüm sunarken; Faster R-CNN modeli, tüm hasar bölgelerinin eksiksiz tespit edilmesinin önemli olduğu senaryolarda daha uygun bir alternatif olarak değerlendirilmektedir. Böylece model seçimi, uygulama amacına ve projenin ihtiyaçlarına göre esnek bir şekilde yapılabilir. Sonuç olarak, bu tez çalışması her iki derin öğrenme modelinin de geleneksel hasar tespiti yöntemlerine göre çok daha hızlı, objektif ve kapsamlı bir çözüm sunduğunu ortaya koymaktadır. Yapay zeka temelli bu yaklaşımlar, yapı mühendisliği ve deprem sonrası hasar taramaları gibi alanlarda önemli bir potansiyele sahip olduğunu kanıtlamaktadır. Gelecekte veri setinin çeşitlendirilmesi, üç boyutlu veri kümelerinin kullanılması ve daha gelişmiş derin öğrenme mimarileriyle modellerin performansının artırılması hedeflenebilir.