Operasyonel modal analiz tabanlı model güncellemesi ve makine öğrenmesi destekli modal parametre tahmini
Operational modal analysis-based finite element model updating and machine learning-driven modal parameter estimation
- Tez No: 1019181
- Danışmanlar: DR. ÖĞR. ÜYESİ EMRE ALPASLAN
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Operasyonel modal analiz (OMA), mühendislik yapılarının doğal frekans, sönüm oranı ve mod şekilleri gibi dinamik karakteristiklerinin gerçek işletme koşulları altında belirlenmesinde yaygın olarak kullanılan güçlü bir sistem tanımlama yaklaşımıdır. Bununla birlikte, geleneksel OMA uygulamalarında stabilizasyon diyagramlarının yorumlanmasının büyük ölçüde uzman kullanıcı deneyimine bağlı olması, yüksek veri işleme maliyeti ve büyük hacimli titreşim verilerinin etkin şekilde değerlendirilememesi yöntemin uygulanabilirliğini sınırlayan temel problemler arasında yer almaktadır. Bu tez çalışmasında, söz konusu sınırlamaların giderilmesine yönelik olarak makine öğrenmesi (ML) destekli, veri odaklı ve otomatik bir modal doğrulama yaklaşımı geliştirilmiştir. Ayrıca deneysel modal veriler kullanılarak sonlu eleman modeli güncellenmiş ve deneysel–sayısal model uyumu optimize edilmiştir. Çalışma kapsamında tarihi Tokat Saat Kulesi örnek yapı olarak seçilmiş ve çevresel titreşimler altında elde edilen ivme kayıtları kullanılarak yapının dinamik karakteristikleri belirlenmiştir. Modal parametrelerin çıkarımında Geliştirilmiş Frekans Tanım Alanı Ayrıştırma (GFTAA) ve Stokastik Altalan Belirleme (SAB) yöntemleri birlikte kullanılmıştır. Elde edilen doğal frekans değerleri arasındaki farkların %0,04–%1,33 aralığında değiştiği ve tüm modlar için Modal Güvence Kriteri (MAC) değerlerinin 0.95'in üzerinde olduğu belirlenmiştir. Bu sonuçlar, gerçekleştirilen operasyonel modal analiz çalışmalarının yüksek doğrulukta ve güvenilir olduğunu göstermiştir. Tez kapsamında geliştirilen ML destekli otomatik OMA yaklaşımda, ML yöntemleri doğal frekansların doğrudan tahmini amacıyla değil; stabilizasyon diyagramlarında elde edilen aday modal kutupların değerlendirilmesi, fiziksel modların ayıklanması ve modal güvenilirliğin belirlenmesi amacıyla kullanılmıştır. Bu kapsamda stabilizasyon diyagramı tabanlı keşif analizlerinde belirlenen 32 aday frekans kümesi, tekrar üretilebilirlik analizleri ve istatistiksel filtreleme işlemleri sonucunda 10 hedef frekans bandına indirgenmiştir. ML destekli güven katmanı kapsamında lojistik regresyon tabanlı sınıflandırma yaklaşımı kullanılmış ve fiziksel anlam taşıyan 11 özellik parametresi yardımıyla modal güvenilirlik değerlendirmesi gerçekleştirilmiştir. Sonuç olarak 2.2446 Hz, 2.3528 Hz, 7.0707 Hz ve 7.1809 Hz frekanslarının yüksek güvenilirlikte fiziksel modlar olduğu belirlenmiştir. Deneysel modal parametreler kullanılarak gerçekleştirilen sonlu eleman model güncelleme çalışmaları sonucunda, model parametreleri ile ölçüm verileri arasındaki uyum tepki yüzeyi yöntemi aracılığıyla optimize edilmiştir. Kalibrasyon sonrasında deneysel ve sayısal doğal frekanslar arasındaki farkların GFTAA yöntemi için ortalama %2,74, SAB yöntemi için ise ortalama %3,31 seviyesinde olduğu belirlenmiştir. Özellikle düşük mertebedeki modlarda hata oranlarının %1 seviyesine kadar düştüğü görülmüş ve güncellenmiş modelin yapının gerçek dinamik davranışını başarılı şekilde temsil ettiği değerlendirilmiştir. Sonuç olarak bu çalışma kapsamında, operasyonel modal analiz, makine öğrenmesi ve sonlu eleman model güncelleme yaklaşımları bütünleşik bir çerçevede değerlendirilmiş; kullanıcı bağımlı modal doğrulama süreci veri odaklı ve sistematik hale getirilmiştir. Geliştirilen ML destekli otomatik OMA yaklaşımının özellikle sürekli yapı sağlığı izleme uygulamalarında analiz sürelerinin azaltılması, büyük veri setlerinin etkin değerlendirilmesi ve kullanıcıdan bağımsız güvenilir modal analizlerin gerçekleştirilmesi açısından önemli katkılar sağlayabileceği değerlendirilmiştir.
Özet (Çeviri)
Operational Modal Analysis (OMA) is a powerful system identification approach widely used for determining the dynamic characteristics of engineering structures, such as natural frequencies, damping ratios, and mode shapes, under actual operating conditions. However, the interpretation of stabilization diagrams in conventional OMA applications largely depends on expert user experience, while high computational cost and the inefficient evaluation of large-scale vibration datasets significantly limit the applicability of the method. In this thesis, a machine learning (ML)-assisted, data-driven, and automated modal validation framework was developed to overcome these limitations. In addition, the finite element (FE) model was updated using experimentally obtained modal data, and the experimental–numerical model compatibility was optimized. Within the scope of the study, the historic Tokat Clock Tower was selected as the case study structure, and its dynamic characteristics were identified using acceleration records obtained under ambient vibration conditions. Enhanced Frequency Domain Decomposition (EFDD) and Stochastic Subspace Identification (SSI) methods were jointly employed for modal parameter extraction. The differences between the natural frequencies obtained from the two methods ranged between 0.04% and 1.33%, while the Modal Assurance Criterion (MAC) values for all modes were higher than 0.95, indicating high accuracy and reliability of the operational modal analysis results. In the proposed ML-assisted framework, machine learning techniques were not used for direct natural frequency prediction; instead, they were employed for evaluating candidate modal poles obtained from stabilization diagrams, identifying physical modes, and determining modal reliability. A total of 32 candidate frequency clusters identified through stabilization-diagram-based exploratory analyses were reduced to 10 target frequency bands through repeatability analyses and statistical filtering procedures. A logistic regression-based classification model was utilized within the ML reliability layer, and modal reliability assessment was performed using 11 physically meaningful features. As a result, the frequencies of 2.2446 Hz, 2.3528 Hz, 7.0707 Hz, and 7.1809 Hz were identified as highly reliable physical modes. Using the experimentally identified modal parameters, FE model updating was performed through a response surface-based optimization approach. Following calibration, the average differences between the experimental and numerical natural frequencies were determined as 2.74% for the EFDD method and 3.31% for the SSI method. Especially for lower-order modes, error levels decreased to nearly 1%, indicating that the updated FE model successfully represented the actual dynamic behavior of the structure. Consequently, OMA, machine learning, and FE model updating approaches were evaluated within an integrated framework, and the user-dependent modal validation process was transformed into a systematic and data-driven procedure. The proposed ML-assisted automated OMA framework is expected to contribute significantly to long-term structural health monitoring applications by reducing analysis time, enabling efficient evaluation of large datasets, and providing reliable user-independent modal analyses.
Benzer Tezler
- Digital-twin flight modelling through machine learning for trajectory error estimation and recovery
Rota hesaplamalarında makine öğrenmesi tabanlı dijital ikiz uçuş modeli
MEVLÜT UZUN
Doktora
İngilizce
2021
Sivil Havacılıkİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. GÖKHAN İNALHAN
DR. MUSTAFA UMUT DEMİREZEN
- Gsm sektörü için müşteri merkezli bilgi yönetimi değerlendirme modeli tasarımı ve bir uygulama
The design of customer centric knowledge mangement assessment model for gsm ındustry and an aplıcatıon
ATİK KULAKLI
- Eğitimde veriye dayalı yönetim uygulamalarının değerlendirilmesi
The evaluation of data driven management applications in education
AYHAN DUYKULUOĞLU
Doktora
Türkçe
2022
Eğitim ve ÖğretimGazi ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
PROF. DR. NECATİ CEMALOĞLU
- Association rule mining for identifying factors in dynamic positioning incidents and accidents
Dinamik konumlandırma kazalarına ait faktörlerin birliktelik kural madenciliği ile tanımlanması
TUĞFAN ŞAHİN
Doktora
İngilizce
2024
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. PELİN BOLAT
- Dynamic data-driven optimization approach for flight selection problem
Uçuş seçimi problemi için dinamik veri odaklı optimizasyon yaklaşımı
ERDEM AKIN
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. BAŞAR ÖZTAYŞİ