BETONARME BİNALARDA HIZLI RİSK TESPİTİ YÖNTEMLERİNİN ETKİNLİĞİNİN MAKİNE ÖĞRENME YÖNTEMLERİ KULLANILARAK ARTIRILMASI

Abstract

Türkiye, yüksek sismik tehlike kuşağında yer almakta olup mevcut yapı stokunun önemli bir kısmı depremlere karşı yetersiz durumdadır. 6 Şubat 2023 Kahramanmaraş depremleri, riskli binaların hızlı ve güvenilir biçimde tespit edilmesinin afet yönetimi açısından kritik olduğunu göstermiştir. Bu tez çalışmasının amacı, betonarme binalarda kullanılan hızlı risk tespiti yöntemlerinin etkinliğini makine öğrenmesi yöntemleriyle artırmak ve deprem sonrası bina sismik risk önceliklendirme süreçlerini iyileştirmektir. Hipotez, saha verileri ve resmi kurum verilerinin ayrı ayrı kullanılması ile geliştirilen makine öğrenmesi modellerinin yüksek doğruluk sağlayacağıdır. Çalışmada iki bağımsız veri seti kullanılmıştır. İlk veri seti, Elazığ ili merkez mahallelerinde yürütülen saha çalışmalarıyla elde edilen 4200 betonarme binaya ait saha verilerinden oluşmaktadır. Bu veriler kullanılarak FEMA-154, Riskli Yapıların Tespit Edilmesine İlişkin Esaslar (RYTEİE), Kanada Sismik Tarama ve Hindistan hızlı görsel değerlendirme yöntemleri ile performans puanları hesaplanmış ve makine öğrenmesi algoritmaları (XGBoost, Random Forest, KNN, AdaBoost) ile modellenmiştir. İkinci veri seti ise Çevre, Şehircilik ve İklim Değişikliği Bakanlığı'ndan temin edilen deprem sonrası bina hasar durumları resmi verileridir. Bu veri seti de aynı yöntemle işlenerek makine öğrenmesi modelleri eğitilmiş ve doğruluk performansları karşılaştırılmıştır. Sonuçlar, her iki veri setinde de XGBoost ve Random Forest algoritmalarının en yüksek doğruluk oranlarını sağladığını, geleneksel hızlı değerlendirme yöntemlerine kıyasla tahmin başarısını önemli ölçüde artırdığını ortaya koymuştur. Model çıktıları, saha gözlemleri ve deprem sonrası gerçek hasar verileri ile yüksek uyum göstermiştir. Özellikle kat adedi, bina yaşı, yumuşak kat varlığı ve malzeme dayanımı gibi değişkenlerin modellerde belirleyici rol oynadığı görülmüştür. Bu yaklaşım hem saha verileri hem de resmi veriler için hızlı uygulanabilirlik, düşük maliyet, geniş ölçekli değerlendirme imkânı ve afet sonrası kaynakların etkin yönetimi açısından önemli avantajlar sunarak, kentsel dayanıklılığın artırılmasına doğrudan katkı sağlamaktadır.

Turkey is located in a high seismic hazard zone, and a significant portion of its existing building stock is inadequate to withstand earthquakes. The 6 February 2023 Kahramanmaraş earthquakes demonstrated that the rapid and reliable identification of risky buildings is critical for disaster management. The aim of this thesis is to improve the effectiveness of rapid risk detection methods used in reinforced concrete buildings through machine learning methods and to improve post-earthquake building seismic risk prioritisation processes. The hypothesis is that machine learning models developed using field data and official institutional data separately will provide high accuracy. Two independent datasets were used in the study. The first dataset consists of field data from 4,200 reinforced concrete buildings obtained through fieldwork conducted in the central neighbourhoods of Elazığ Province. Using these data, performance scores were calculated using FEMA-154, Principles for the Identification of Risky Structures (RYTEİE), Canadian Seismic Screening, and Indian rapid visual assessment methods, and modelled using machine learning algorithms (XGBoost, Random Forest, KNN, AdaBoost). The second dataset consists of official data on post-earthquake building damage obtained from the Ministry of Environment, Urbanisation and Climate Change. This dataset was also processed using the same method, and separate machine learning models were trained and their accuracy performance was compared. The results showed that the XGBoost and Random Forest algorithms provided the highest accuracy rates in both datasets and significantly improved prediction performance compared to traditional rapid assessment methods. The model outputs showed high consistency with field observations and post-earthquake actual damage data. In particular, variables such as number of floors, building age, presence of soft floors, and material strength were found to play a decisive role in the models. This approach offers important advantages in terms of rapid applicability, low cost, large-scale assessment capabilities, and effective management of post-disaster resources for both field data and official data, thereby directly contributing to the enhancement of urban resilience.