Betonarme binalarda hızlı risk analizinin makine öğrenme teknikleri ile geliştirilmesi

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.