Mevcut betonarme binaların hızlı sismik değerlendirilmesinde kullanılan bazı geometrik parametrelerin ön eğitimli konvolüsyonel sinir ağları ile belirlenmesi

Önemli deprem kuşağı üzerinde yer alan ülkemizde, olası depremlerden önce mevcut binaların risk analizlerinin yapılmış ve proaktif önlemlerin alınmış olması son derece önem arz etmektedir. Buna bağlı olarak Türkiye'de deprem öncesi mevcut binaların risk analizi için şehirlerde bulunan özellikle konut türü yüz binlerce binanın incelenmesine ihtiyaç duyulmaktadır. Geliştirilen birçok hızlı sismik değerlendirme yöntemi olmasına rağmen binaların deprem risk öncelik sırasının belirlenmesi, yapı envanteri içerisinde yer alan konut türü bina sayısının çok fazla olması nedeniyle oldukça büyük bir bütçe ve zaman gerektirmektedir. Ayrıca incelenecek bina sayının fazla olması yeterli donanıma sahip çok sayıda teknik uzman görevlendirilmesine de sebep olacaktır. Teknik uzmanların yapacakları incelemelerde uzmanın tecrübesine bağlı farklılıklar da oluşabilecektir. Bunların yanı sıra deprem risk analizinin birbirinden farklı ve oldukça fazla parametreye bağlı olması da önemli bir problemdir. Deprem risk analizi gibi hayati bir konuda verilen kararlarda değerlendirmenin mümkün olduğunca standart yapılması, kararların daha hızlı ve ölçülebilir şekilde alınması oldukça önemlidir. Bu bağlamda Türkiye için oldukça kritik bir konu olan mevcut binaların deprem risk analizlerinin sağlıklı bir şekilde gerçekleştirilmesinde akıllı sistemlerden faydalanarak mümkün olduğunca doğru sonuçlara varmak oldukça önemlidir. Özellikle son yıllarda sayıca fazla olan ve çoklu parametrelere bağlı karmaşık mühendislik problemlerin çözümünde akıllı sistemler sıklıkla kullanılmaya başlanmıştır. Bu motivasyondan hareketle bu tezde; konut türü betonarme binaların deprem öncesi risk analizinde uzman mühendise yardımcı olacak (ya da teknik uzman yokluğunda karar vermeyi kolaylaştıracak) ve risk önceliklendirilmesinde kullanılacak parametrelerden olan ağır çıkma, bitişik nizamlılık durumu ve eğimli arazi varlığı durumlarını bina cephe görselleri üzerinden tahmin edebilen, Ön Eğitimli Evrişimli (Konvolüsyonel) Sinir Ağları (CNN) yapılarının (DarkNet-53, EfficientNet, Inception ResNetV2, NasNet Large, ResNet-101, ShuffleNet, SqueezeNet, VGG-19, Xception, ResNet-50) bazı katmanlarında düzenlemeler yapılması suretiyle analizler icra edilmiş ve analiz sonuçları mukayese edilmiştir. Bu bağlamda elde edilen analiz sonuçları değerlendirildiğinde; Ön Eğitimli KSA mimarilerinin bina cephe görselleri üzerinden söz konusu parametreleri ikili sınıflandırma stratejisi uyarınca %97'ye, çok sınıflı sınıflandırma stratejileri uyarınca da %79'a varan doğruluk oranı ile oldukça hızlı bir şekilde tespit edebildiği görülmüştür. Ayrıca, tez çalışmasında kullanılan Ön Eğitimli KSA mimarilerinin seçilen geometrik parametrelerin tespiti açısından mevcut betonarme binalar için kullanılabilir olduğu görülmüştür.