Browsing by Author "Selçuk, Seda"

Now showing 1 - 1 of 1

Afet Risk Altındaki Alanların Dönüşümü Planı Kapsamında Yapısal Sağlık Değerlendirmesinde Kullanılan Kolon Kazıma Fotoğraflarının Derin Öğrenme ile Sınıflandırılması
(2025) Demir, Can; Selçuk, Seda
Aktif sismik fay hatları üzerinde yer alan Türkiye, sürekli olarak ciddi deprem risklerine maruz kalmaktadır. 1999 Marmara Depremi'nin ardından, mevcut yapı stoğunun yapısal bütünlüğü ve dayanıklılığı kamuoyunun önemli bir endişesi haline gelmiş ve bu durum ciddi düzenleyici önlemlerin alınmasını beraberinde getirmiştir. Bu bağlamda, 2012 yılında yürürlüğe giren 6306 sayılı Afet Riski Altındaki Alanların Dönüştürülmesi Hakkında Kanun, depreme karşı dayanıksız yapıların tespiti ve yenilenmesi için hukuki ve teknik bir çerçeve oluşturmuştur. Bu kanun kapsamında yayımlanan Riskli Yapıların Tespitine İlişkin Esaslar (RYTİE), yapıların sismik performansının bilimsel ve teknik kriterlere dayalı olarak değerlendirilmesini amaçlamaktadır. RYTİE'ye göre, riskli yapı; malzeme bozulması, yapısal yetersizlik veya tasarım hataları nedeniyle deprem sırasında yıkılması veya ağır hasar görmesi muhtemel olan yapı olarak tanımlanmaktadır. Bu tür yapıların değerlendirilmesi, Kentsel Dönüşüm Başkanlığı tarafından lisanslandırılmış kuruluşlarca yapılmakta olup, beton karot alma, donatı sıyırma, Schmidt çekici ile yüzey sertliği testi ve donatı tarayıcı cihazlarla donatı tespiti gibi çeşitli deneysel ve gözlemsel yöntemleri içermektedir. Bu yöntemler arasında yer alan donatı sıyırma, betonarme elemanların iç donatı düzeninin doğrudan gözlemlenmesine olanak sağlayan yıkıcı bir muayene yöntemidir. Bu yöntem sayesinde kolon ve perde elemanlarının kenetlenme ve orta bölgelerinde kullanılan etriye tipi, çapı, aralığı ve kanca şekli ile boyuna donatı düzeni ve korozyon kaynaklı hasarlar ayrıntılı şekilde ortaya konulabilmektedir. Bu yöntemin uygun şekilde uygulanıp uygulanmadığı, lisanslı kuruluşlar tarafından hazırlanan teknik raporların Bakanlık mühendislerince incelenmesi sırasında denetlenmektedir. Ancak, bu işlemin yönetmeliklere tamamen uygun biçimde yürütülmesi zaman açısından verimsizliklere ve doğruluk sorunlarına yol açmakta ve insan hatasına açık bir süreç oluşturmaktadır. Bu tez çalışmasında, kolon donatı sıyırma görüntülerinin otomatik olarak değerlendirilmesine yönelik derin öğrenme tabanlı evrişimli sinir ağı (CNN) modellerinin sınıflandırma performansı araştırılmıştır. Özellikle transfer öğrenme temelli beş farklı önceden eğitilmiş CNN mimarisi—MobileNetV2, EfficientNetB0, ResNet50, DenseNet121 ve InceptionV3—çeşitli hiperparametre yapılandırmaları ile eğitilmiş ve karşılaştırmalı olarak değerlendirilmiştir. Her bir model, test doğruluğu, doğruluk (precision), duyarlılık (recall) ve F1-skoru gibi performans ölçütleri kullanılarak analiz edilmiş ve en başarılı mimari belirlenmiştir. Elde edilen sonuçlar, geleneksel muayene yöntemlerine alternatif olarak hızlı, doğru ve güvenilir yapay zekâ destekli bir karar destek sisteminin geliştirilebileceğini göstermektedir. Bu çalışma, yapısal mühendislik alanında yapay zekânın pratik uygulamalarına katkı sağlamayı amaçlamaktadır.