BETONARME BİNALARDA HIZLI RİSK ANALİZİNİN MAKİNE ÖĞRENME TEKNİKLERİ İLE GELİŞTİRİLMESİ

Abstract

Bu tez, betonarme binalarda deprem riskinin hızlı değerlendirilmesine yönelik geliştirilen yöntemlerin, makine öğrenimi teknikleri ile entegrasyonunu konu almaktadır. Çalışma, depremlerin yıkıcı etkileri ve toplumsal maliyetleri göz önüne alınarak, yapı stokunun doğru analiz edilmesi ve riskli yapıların belirlenmesi konusundaki mevcut yaklaşımların yetersiz kaldığı durumlarda, yapay zeka ve veri bilimi yöntemlerinin nasıl etkin bir alternatif sunabileceğini ortaya koymayı amaçlamaktadır. Tezin temel amacı, deprem riskine karşı hazırlık süreçlerini hızlandırmak, müdahale stratejilerini iyileştirmek ve maliyetleri azaltmaya yönelik bilimsel temelli bir yaklaşım geliştirmektir. Hipotez, makine öğrenimi modellerinden Random Forest algoritmasının, betonarme binaların sismik kırılganlıklarının tespitinde yüksek doğruluk ve güvenilirlik sağlayarak, geleneksel değerlendirme yöntemlerine kıyasla üstün performans göstereceği yönündedir. Çalışmada, UDAP projesi kapsamında 2021 yılı saha çalışması verileri kullanılmış; bu veriler arasında bina kimlik bilgileri, yapım yılı, kat sayısı ve yapısal düzensizlikler yer almaktadır. Örneklem, geniş veri setinden dengeli şekilde seçilerek modelin eğitimi ve doğrulaması yapılmıştır. Uygulanan veri ön işleme teknikleri ve hiperparametre optimizasyonu süreci ile Random Forest modelinin, eğitim ve test aşamalarında elde ettiği yüksek başarı oranları, modelin gerçek dünya uygulamaları için uygun olduğunu göstermiştir. Sonuçlar, tez çalışmasının deprem riskine karşı daha etkili müdahale stratejilerinin geliştirilmesi açısından önemli bilimsel katkılar sunduğunu ortaya koymaktadır.

This thesis focuses on integrating rapid assessment methods for earthquake risk in reinforced concrete buildings with machine learning techniques. Given the devastating impacts and extensive socio- economic costs of earthquakes, the research aims to demonstrate how artificial intelligence and data science methods can serve as effective alternatives to conventional evaluation approaches in accurately identifying high-risk structures. The primary objective is to expedite earthquake preparedness processes, enhance intervention strategies, and reduce costs through a scientifically grounded approach. The hypothesis posits that the Random Forest algorithm will achieve high accuracy and reliability in detecting the seismic vulnerability of reinforced concrete buildings, outperforming traditional methods. Field data collected during 2021 as part of the UDAP project—comprising building identity details, construction year, number of floors, and structural irregularities—was used for analysis. A balanced sample was derived from a larger dataset to train and validate the model. Data preprocessing and hyperparameter optimization techniques were applied to refine the Random Forest model, which demonstrated impressive success rates during both training and testing phases. The findings underscore the model's applicability in real-world scenarios and its potential to contribute significantly to the development of more effective earthquake risk mitigation strategies.