Yığma yapıların sismik risk durumlarının önceliklendirilmesine yönelik makine öğrenmesine adapte edilmiş hızlı görsel tarama yöntemi

Depremlerden kaynaklanan kayıpların çoğu, tamamen çökmüş binalarla ilişkilidir. Bu nedenle, aktif deprem bölgelerinde bulunan bina kullanıcıları için binaların sismik riskinin belirlenmesi büyük önem taşımaktadır. Ne yazık ki, büyük bina stoklarının risk durumunu tahmin etmek için kullanılan mevcut yöntemler, güvenilir, hızlı ve doğru karar vermek için yetersizdir. Ayrıca binaların büyük doğal afetler sonrası risk sınıflandırmaları tamamen mühendislerden oluşan teknik ekibin tecrübesine bağlıdır. Bu nedenle, bina stoklarının tehlikelerden önceki ve sonraki risk dağılımlarına ilişkin karar, diğer teknolojik ilerleme araçlarını içeren daha sürdürülebilir ve doğru yöntemler gerektirir. Bu çalışmada Çevre, Şehircilik ve İklim Değişikliği Bakanlığı, Mühendislik Firmaları ve Gazi Üniversitesi tarafından sağlanan 4356 adet yığma binadan oluşan veri tabanı kullanılarak bina özellikleri belirlenmiş ve detaylı statik analizleri yapılmıştır. Daha sonra literatürde ilk kez, yapıların ayrıntılı değerlendirme sonuçlarının makine öğrenmesi algoritmaları yardımıyla ilişkilendirildiği yeni, hızlı ve doğru bir sismik değerlendirme yöntemi önerilmiştir. Çalışma kapsamında veri seti veri ön işleme yöntemlerine (Sentetik Azınlık Yüksek Örnekleme Tekniği (SMOTE), Geriye Özellik Eleme ve İleriye Özellik Seçimi, Özellik Önemi ve Özellik Korelasyon yöntemleri) tabi tutulmuştur. Öncelikle ayrıntılı sismik analiz sonuçları, bina çizimleri ve bina fotoğraflarından elde edilen on beş parametre veri ön işleme uygulanarak seçilmiş ve sonunda başarı etkisi en yüksek altı parametreye indirgenmiştir. Bunu başarmak için boyut küçültme yöntemleri kullanılmış ve sokaktan elde edilebilecek verilerin olması göz önünde bulundurulmuştur. Ayrıca eğitim aşamasında Sentetik Azınlık Yüksek Örnekleme Tekniği Yöntemi (SMOTE) ile azınlık veri sınıfları sentetik olarak yeniden üretilmiş ve test verilerinin başarı oranı en üst düzeye çıkarılmıştır. Bu çalışmada dokuz makine öğrenmesi algoritması; Lojistik Regresyon, Karar Ağacı, Rastgele Orman, Çok Değişkenli Uyarlanabilir Regresyon Spline, Destek Vektör Makinesi, K-En Yakın Komşu, Gradyan Artırma, Aşırı Gradyan Artırma, Hafif Gradyan Artırma Algoritmaları ve tüm bu algoritmaların birlikte çalıştığı Oylama Sınıflandırma Yöntemi kullanıldı. Çalışmada riskli duvarların kat kesme kuvvetinin toplam kat kesme kuvvetine (Ve / Vr =RVS) oranına veya hasar tespit seviyesine göre risk sınıfları oluşturularak binaların risk katmanları tahmin edilmiştir. Çalışma sonunda literatürde mevcut binaların risk katmanlarını oluşturan ve en tehlikeli veya risksiz bina sınıfını tespit edebilen bir yöntem önerilmiştir. Bu, kentsel dönüşümün başlangıç noktasının belirlenmesi açısından önemlidir. Çalışmadaki algoritmaların analizi sonucunda, önerilen yöntemin öğrenme veri tabanı (yani 3.484 bina) ve test veri tabanı (yani 872 bina) için üç katmanlı risk sınıfının RVS değerlerini doğru tahmin oranları sırasıyla yaklaşık %99,19 ve %86,58 olarak belirlenmiştir. İki ve dört katmanlı RVS değerlerinin tahmininde de yüksek başarı oranları elde edilmiştir. Çalışmada önerilen yöntemin parametre seçimleri Evrişimli Sinir Ağı yapıları ile binaların fotoğraflarından elde edilebilecek yöntemlere uygun olması da sağlanmıştır. Sonuç olarak, tez kapsamında en çok başarı yüzdesi elde edilen birleşik öğrenme ve tahmin etme yöntemi, teknik personele ihtiyaç duymadan ve binaya girmeden, yapıların otomasyon yöntemleri ile entegre olabilen, sokaktan yapılacak parametre seçimine uygun olarak RVS değerlerinin tahminleri yüksek doğrulukta yapılabilmektedir. Prosedür, belirli bir bölgede olabilecek bir deprem sırasında hasar görebilecek en savunmasız binaları tespit etmek, envanterini çıkarmak ve risk sıralamasını yapmak için uygulanır. Türkiye'nin zayıf yapılarının tespiti ve güçlendirilmesi bu nedenle can ve mal kaybının en aza indirilmesi için bu yöntem büyük önem taşımaktadır.