YAPILARDA KULLANILAN BETONUN BASINÇ DAYANIMI DENEY SONUÇLARININ MAKİNE ÖĞRENME TEKNİKLERİ İLE TAHMİN EDİLMESİ

Abstract

Beton basınç dayanımının ölçülmesi yapı dayanıklılığı hakkında bilgi veren için çok önemli bir işlem olarak inşaat sektöründe yer almaktadır. Beton basınç dayanımı deneylerinin yapılması bir dizi işlem ve uygun adımlar gerektirmektedir. Deney aşamalarında en önemli unsur alınan beton numunelerinde gerekli olan bileşenlerin gerekli oranda eklenmesidir. Ayrıca en iyi beton basınç dayanımını elde etmek için deneylerin belirli bir süre zarfında yapılması gerekmektedir. Ayrıca, bu deneyleri gerçekleştirilmesi için ciddi bir maliyete ve alanında uzman kişilere ihtiyaç duyulmaktadır. Buna rağmen, iş yükü yoğunluğundan dolayı basınç deney sonuçlarının alınmasında ve kaydedilmesinde yanlışlıklar olabilmektedir. 1990 yılların başından beri yapay zekâ algoritmaları otomatik sınıflandırma ve regresyon problemlerinde aktif olarak kullanılmaya başlanmıştır. Zaman ilerledikçe veri tipleri ve boyutları ile birlikte yapay zekâ algoritmaları geliştirilmiş ve nesne tanıma, doğal dil işleme, ses, görüntü ve video sınıflandırma görevlerinde bu algoritmalar karar destekleyici olarak büyük başarı sağlamıştır. Güvenlik, enerji, metalürji ve tıp gibi birçok alanda kullanılan yapay zekâ algoritmaları inşaat mühendisliği alanında da sıkça kullanılmıştır. Bu tez çalışmasında modern yapay zekâ algoritmaları (makine öğrenmesi) ile basınç dayanımı tahminleri gerçekleştirilmiştir. Bu algoritmaları uygulamak için 1030 kez yapılan kapsamlı bir deney veri seti kullanılmıştır. Bu deney 8 farklı beton bileşenin karışım oranlarına göre beton basınç dayanım sonuçlarını içermektedir. Makine öğrenmesi algoritmaları uygulanmadan önce keşifsel veri analizi yapılmış ve bileşenlerin beton basınç dayanımı üzerindeki etkisi incelenmiştir. Daha sonra 9 farklı makine öğrenmesi algoritması ile beton basınç dayanımı tahminleri yapılmıştır. Gradyan Artırma algoritması ile en iyi ve güvenilir bir tahmin sonucu elde edilmiştir.Measuring concrete compressive strength takes place in the construction industry as a very important process for giving information about the durability of the structure. Performing concrete compressive strength tests requires a series of processes and appropriate steps. The most important element in the test stages is the addition of the necessary components in the concrete samples taken at the required rate. In addition, in order to obtain the best concrete compressive strength, the tests must be carried out within a certain period of time. In addition, a serious cost and experts in the field are needed to carry out these experiments. However, inaccuracies in obtaining and recording pressure test results may occur due to the workload intensity. Since the early 1990s, artificial intelligence algorithms have been actively used in automatic classification and regression problems. As time progresses, artificial intelligence algorithms with data types and sizes have been developed and these algorithms have achieved great success as decision supporters in object recognition, natural language processing, audio, image and video classification tasks. Artificial intelligence algorithms, which are used in many fields such as security, energy, metallurgy and medicine, have also been frequently used in the field of civil engineering.. In this thesis study, compressive strength estimations were made with modern artificial intelligence algorithms (machine learning). An extensive experimental dataset of 1030 times was used to implement these algorithms. This test includes concrete compressive strength results according to the mixing ratios of 8 different concrete components. Before applying the machine learning algorithms, exploratory data analysis was made and the effect of the components on the concrete compressive strength was examined. Then, concrete compressive strength estimates were made with 9 different machine learning algorithms. A best and reliable estimation result was obtained with the Gradient Boosting algorithm.