Beton basınç dayanımının derin öğrenme ile tahmin edilmesi
Prediction of concrete compressive strength using deep learning
- Tez No: 979082
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN ALTUNAY
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: İnsan-yapay zeka etkileşimi, Human-artificial intelligence interaction
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ülkemizde son yıllarda yaşanan deprem felaketleri yapı güvenliği konusunu tekrar gündeme getirmiştir. Güvenilir yapılar inşa etmenin en etkili yolu, dayanımı yüksek yapı malzemeleri kullanmaktır. Bu malzemelerin başında da beton gelmektedir. Beton; su, agrega, çimento ve farklı kimyasal maddelerden oluşan kompozit bir yapı malzemesidir. Betonun basınç dayanımının tahmin edilmesi, gerek yapı güvenliği gerekse maliyet verimliliği açısından oldukça önemlidir. Gelişen teknoloji ile beraber geleneksel tahmin yöntemleri yerini, hızlı ve güvenilir sonuçlar verebilen yapay zekâ tekniklerine bırakmıştır. Yapay zekâ teknikleri, içerisinde barındırdığı makine öğrenmesi algoritmaları ile geçmiş verilerden yararlanarak gelecek durumlar için anlamlı çıktılar üretebilmektedir. Doğrusal örüntüleri yakalayabilmekte çok güçlü algoritmalara sahip olan makine öğrenmesi yöntemleri, doğrusal olmayan örüntüleri yakalayabilmekte ise güçlük çekebilmektedir. Makine öğrenmesinin bir alt dalı olan derin öğrenme algoritmaları ise daha çok doğrusal olmayan ilişkileri yakalayabilme konusunda başarılı sonuçlar üretmektedir. Bu tez çalışmasında da derin öğrenme tekniklerinden birisi olan Evrişimsel Sinir Ağı (CNN - Convolutional Neural Network) algoritması kullanılarak, CEM I tipi olarak bilinen Portland Çimentosu ile hazırlanan geleneksel betonun 28 günlük basınç dayanımının tahmini gerçekleştirilmiştir. Çalışmanın uygulama aşamasında bir beton firmasından temin edilen veri seti üzerinde istatistiksel analizler gerçekleştirilmiştir. Rastgele Arama (Randomized Search) tekniği kullanılarak yapılan hiperparametre optimizasyonu çalışması ile tahmin modeli için en iyi parametre kombinasyonu belirlenmiştir. Python programlama dili kullanılarak geliştirilen CNN modelinin girdi parametreleri: Farin(Df) Ort. LSF, SiO2, Al2O3, Fe2O3, CaO, MgO, SO3, Na2O Eq, 200µ, 90µ, 200µ.1, 90µ.1, Blaine, su miktarı, su ve çimento oranı, özgül ağırlık, 2 günlük betonun basınç dayanımı (B2) ve 7 günlük betonun basınç dayanımı (B7) şeklindedir. Modelin çıktı parametresi ise 28 günlük betonun basınç dayanımı (B28)'dır. Geliştirilen CNN modeli ile R2 değeri 0.84, RMSE değeri 1.72 ve MAE değeri de 1.39 şeklinde elde edilmiştir. Yapılan istatistiksel analizler sonucunda ise 28 günlük betonun basınç dayanımını en fazla etkileyen değişkenlerin B7, B2, Agrega boyutu (90µ.1) ve MgO olduğu belirlenmiştir. Ayrıca aynı veri setinden yararlanarak, makine öğrenmesi algoritmalarından Doğrusal Regresyon, Karar Ağacı, Rastgele Orman ve Destek Vektör Makineleri ile de 28 günlük betonun basınç dayanımının tahmini gerçekleştirilmiştir. Elde edilen sonuçlara göre; CNN algoritmasının diğer algoritmalara göre daha iyi performans gösterdiği görülmüştür. İlerleyen çalışmalarda ise CNN algoritmasının, Uzun-Kısa Vadeli Bellek(LSTM) veya Geçitli Yinelenen Birim (GRU) gibi diğer derin öğrenme algoritmalarıyla hibrit bir şekilde kullanılması planlanmaktadır.
Özet (Çeviri)
Earthquake disasters in Turkey in recent years have brought the issue of building safety back to the agenda. The most effective way to construct reliable buildings is to use high-strength building materials. Among these materials, concrete is paramount. Concrete is a composite building material consisting of water, aggregate, cement, and various chemicals. Predicting the compressive strength of concrete is crucial for both building safety and cost efficiency. With advancing technology, traditional prediction methods have been replaced by artificial intelligence (AI) techniques, which can provide fast and reliable results. AI uses machine learning to analyze past data and generate useful predictions about the future. Machine learning models excel at finding linear patterns but often struggle with non-linear ones. A subfield of machine learning, deep learning is highly effective at identifying complex non- linear patterns. In this study, Convolutional Neural Network (CNN) algorithm, one of the deep learning techniques, is used to predict the 28-day compressive strength of conventional concrete made with CEM I type Portland cement. In the application section of the study, we performed sustainability analyses on a dataset from a concrete company. Statistical analyses were performed on a concrete company's dataset during the study's implementation phase. Randomized Search technique was used to find the best hyperparameter combination for the prediction model. The CNN model, developed using Python, takes the following inputs: Raw Material (Df) Avg. LSF, SiO2, Al2O3, Fe2O3, CaO, MgO, SO3, Na2O Eq, 200µ, 90µ, 200µ.1, 90µ.1, Blaine, amount of water, water and cement ratio, specific gravity, and the 2-day (B2) and 7-day (B7) compressive strengths of the concrete. The model's output is the 28day concrete compressive strength (B28). The CNN model achieved strong results, with an R2 value of 0.84, a Root Mean Square Error (RMSE) of 1.72, and a Mean Absolute Error (MAE) of 1.39. The statistical analysis showed that the variables with the greatest influence on the 28-day concrete compressive strength were B7, B2, aggregate size (90µ.1), and MgO. The 28- day concrete compressive strength was also predicted using the same dataset, with machine learning algorithms such as Linear Regression, Decision Tree, Random Forest, and Support Vector Machines. Moreover, the 28-day concrete compressive strength was predicted using the same dataset, with machine learning algorithms such as Linear Regression, Decision Tree, Random Forest, and Support Vector Machines. The results showed that the CNN algorithm outperformed the other algorithms. In future studies, a hybrid approach that combines the CNN algorithm with other deep learning algorithms like Long Short-Term Memory (LSTM) or Gated Recurrent Unit (GRU) will be utilized.
Benzer Tezler
- Otomatik üretim teknolojisine ait betonların basınç dayanımlarının makine öğrenmesi ve derin öğrenme yöntemleri ile tahmin edilmesi
Estimating the compressive strength of concrete with automatic production tecknology by machine learning and deep learning
HÜSEYİN KAYHAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilecik Şeyh Edebali ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NİHAN KAZAK ÇERÇEVİK
DR. ÖĞR. ÜYESİ ALİ ERDEM ÇERÇEVİK
- A new model for concrete compressive strength estimation
Beton basınç dayanımı tahmini için yeni bir model
LIQAA INAM HADI AL-HAMADANI
Yüksek Lisans
İngilizce
2021
İnşaat MühendisliğiAltınbaş Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. TUNCER ÇELİK
- Beton, harç ve çimento hamurunda kırılma enerjisinin belirlenmesi
Determination of fracture energy of concrete, mortar and cement paste
KADİR VECİHİ ALDIKAÇTI
Yüksek Lisans
Türkçe
2005
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. CANAN TAŞDEMİR
- Derin betonarme kirişlerin elastik ötesi davranışının modellenmesi
Modeling of inelastic behavior of deep reinforced concrete beams
GÖKHAN KARAMAN
Yüksek Lisans
Türkçe
2023
İnşaat MühendisliğiMunzur Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN POLAT
- Hafif beton, harç ve çimento hamurunda kırılma parametrelerinin belirlenmesi
Determination of fracture energy of lightweigth concrete, mortar and cement paste
CEMAL MURAT ALTUN
Yüksek Lisans
Türkçe
2005
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF.DR. CANAN TAŞDEMİR