Sıvılaşma potansiyelinin makine öğrenmesi yöntemleri ile tahmini
Prediction of liquefaction potential using machine learning methods
- Tez No: 992139
- Danışmanlar: DOÇ. DR. TALAS FİKRET KURNAZ, DOÇ. DR. CANER ERDEN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Zemin sıvılaşması, zeminlerin deprem gibi sarsıntılara maruz kaldığında, sıvı benzeri bir davranış göstererek taşıma kapasitesini kaybetmesi olayıdır. Bu durum, özellikle ince taneli kumlar ve gözenekli yapıdaki zeminler üzerinde güçlü bir etkiye sahiptir ve yapısal bütünlüğü tehdit eden ciddi sonuçlar doğurabilir. Zemin sıvılaşmasının meydana gelmesi, yer altı su seviyesinin yükselmesi, yükleme koşulları ve zemin yapı özellikleri gibi pek çok faktörün etkileşimiyle ortaya çıkmaktadır. Gelişen teknoloji ile birlikte, zemin sıvılaşmasının tahmini için yapay zeka (YZ) yöntemlerinin uygulanması, mühendislik ve geoteknik alanında önemli bir yenilik olarak dikkat çekmektedir. Bu bağlamda, YZ teknikleri, verimli veri analizi ve modelleme kapasitesi ile zemin sıvılaşması riskini tahmin etme süreçlerinde giderek daha sık kullanılmaktadır. Makine öğrenmesi, derin öğrenme ve istatistiksel modelleme gibi YZ uygulamaları, geçmiş verilerin analizine dayalı olarak, zemin özelliklerini daha hassas bir şekilde değerlendirme imkânı sunmaktadır. Bu yaklaşım, geleneksel yöntemlerin potansiyel sınırlılıklarını aşarak, mühendislik uygulamalarında zemin sıvılaşmasının olası etkilerini önceden belirlemeye yardımcı olmaktadır. Bu çalışma, farklı makine öğrenme (ML) algoritmalarının zemin sıvılaşma duyarlılığını tahmin etmedeki etkinliğini araştırmaktadır. Çalışmada, Destek Vektör Makineleri (SVM), En Yakın Komşular (KNN) ve Lojistik Regresyon (LR) gibi makine öğrenmesi modellerinin yanı sıra; Evrişimsel Sinir Ağları (CNN), Uzun Kısa Süreli Bellek Ağları (LSTM), Çift Yönlü LSTM'ler (BiLSTM) ve Gated Recurrent Unit'ler (GRU) gibi derin öğrenme (DL) mimarileri değerlendirilmiştir. Bu algoritmaların performansları; doğruluk, kesinlik (precision), duyarlılık (recall), F1 skoru, alıcı işletim karakteristik eğrisi (ROC) analizi ve eğri altındaki alan (AUC) gibi kapsamlı ölçütler üzerinden karşılaştırılmıştır. Model eğitimi sürecinde, sıvılaşabilir ve sıvılaşamaz zemin örnekleri arasındaki ayrımı en iyi şekilde sağlamak amacıyla kayıp fonksiyonu olarak çapraz entropi kaybı kullanılmıştır. Elde edilen sonuçlar, GRU modelinin %98 ile en yüksek genel doğruluğa ulaştığını, onu %95 doğrulukla BiLSTM modelinin izlediğini göstermektedir. Özellikle BiLSTM modeli, test veriseti üzerinde sınıf 1 için 0.96'lık kesinlik (precision) değeriyle bu ölçütte öne çıkmıştır. Bu bulgular, hem GRU hem de BiLSTM modellerinin zemin sıvılaşma duyarlılığını tahmin etmede güçlü bir potansiyele sahip olduğunu ortaya koymakta; ayrıca BiLSTM modelinin daha sade mimarisinin bazı ölçütlerde ve veri kümelerinde özellikle etkili olabildiğini göstermektedir. Sonuç olarak, bu çalışma daha doğru ve güvenilir zemin sıvılaşma potansiyeli değerlendirme araçlarının geliştirilmesine katkı sağlayarak deprem riski analizlerinde önemli bir rol oynayabilir. Böylece, yüksek sismik tehlike taşıyan bölgelerde önleyici stratejilerin oluşturulmasını ve karar alma süreçlerinin iyileştirilmesini desteklemektedir. Ayrıca, sıvılaşma tehlikesi değerlendirmelerine yönelik daha sağlam modellerin geliştirilmesine katkıda bulunarak, genel olarak daha etkin bir sismik risk azaltımına hizmet etmektedir.
Özet (Çeviri)
Soil liquefaction is a geotechnical phenomenon in which saturated soils lose their shear strength and stiffness, leading to a significant reduction in load-bearing capacity, typically triggered by seismic events. This transformation causes the soil to temporarily behave like a fluid, posing severe threats to the structural integrity of infrastructures. The phenomenon is particularly prevalent in loose, saturated, fine-grained sands and porous soil structures. The occurrence of liquefaction is governed by a complex interplay of several factors, including groundwater level, dynamic loading conditions, and intrinsic geotechnical properties of the soil. In recent years, the integration of artificial intelligence (AI) techniques into geotechnical engineering practices has gained substantial momentum, particularly in the assessment and prediction of liquefaction potential. The predictive modeling capabilities of AI, especially those based on machine learning (ML), deep learning (DL), and advanced statistical approaches, have demonstrated promising results in capturing nonlinear relationships among soil parameters and seismic loading conditions. These data-driven methods offer significant advantages over conventional empirical or deterministic models, which often suffer from limited adaptability and generalization capacity. This study investigates the effectiveness of various machine learning (ML) algorithms in predicting soil liquefaction susceptibility. In addition to machine learning models such as Support Vector Machines (SVM), K-Nearest Neighbors (KNN), and Logistic Regression (LR), the study evaluates a range of deep learning (DL) architectures, including Convolutional Neural Networks (CNN), Long Short-Term Memory networks (LSTM), Bidirectional LSTMs (BiLSTM), and Gated Recurrent Units (GRU). The performance of these algorithms was compared using comprehensive metrics such as accuracy, precision, recall, F1 score, receiver operating characteristic (ROC) analysis, and area under the curve (AUC). During model training, cross-entropy loss was employed as the loss function to optimize the distinction between liquefiable and non-liquefiable soil samples. The results indicate that the GRU model achieved the highest overall accuracy of 98%, followed by the BiLSTM model with 95% accuracy. In particular, the BiLSTM model stood out with a precision score of 0.96 for class 1 on the test dataset. These findings reveal that both GRU and BiLSTM models possess strong potential for predicting soil liquefaction susceptibility, while also demonstrating that the simpler architecture of the BiLSTM model can be especially effective in certain metrics and datasets. In conclusion, this study may play an important role in earthquake risk analysis by contributing to the development of more accurate and reliable soil liquefaction potential assessment tools. Consequently, it recalls the formulation of preventive strategies and the improvement of decision-making processes in regions with high seismic hazard. Furthermore, by contributing to the development of more robust models for liquefaction hazard assessment, it ultimately aids in achieving more effective seismic risk mitigation.
Benzer Tezler
- Sıvılaşabilir siltli zeminlerin koni penetrasyon deneyi ile tanısı
Identification of liquefiable silty soils using cone penetration test
MUSTAFA ÖZSAĞIR
Doktora
Türkçe
2023
İnşaat MühendisliğiSakarya Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERTAN BOL
- Kuvvetli yer hareketi altında suya doygun kumlarda oluşabilecek oturmaların sayısal analizlerle incelenmesi ve makine öğrenmesiyle değerlendirilmesi
Investigation of settlements in saturated sands under strong ground motion by numerical analysis and evaluation by machine learning
OZAN SUBAŞI
Doktora
Türkçe
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP İYİSAN
- Liquefaction assessment and mapping through machine learning methods and GIS for a case study in Balıkesir
Makine öğrenmesi ve CBS yardımıyla sıvılaşma değerlendirmesi ve haritalamasına yönelik Balıkesir'de bir vaka analizi
MOHAMED OUNISSI
Yüksek Lisans
İngilizce
2022
İnşaat MühendisliğiEskişehir Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURAK EVİRGEN
- Determination of the geo-engineering properties and liquefaction potential of the quaternary deposits of Dalaman-Muğla/SW Anatolia
Dalaman-Muğla/GB Anadolu bölgesindeki kuvaterner çökellerin jeo- mühendislik özelliklerinin ve sıvılaşma potansiyelinin belirlenmesi
ORKUN TÜRE
Doktora
İngilizce
2023
Jeoloji MühendisliğiMuğla Sıtkı Koçman ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. ERGUN KARACAN
- Yeni Cami'nin akustik açıdan performans değerlendirmesi
Evaluation of the acoustical performance of the New Mosque
EVREN YILDIRIM
Yüksek Lisans
Türkçe
2003
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. SEVTAP YILMAZ DEMİRKALE