Kazık yükleme deneyi sonuçlarının Yapay Sinir Ağları (YSA) Yöntemiyle modellenmesi

Temeller bir yapıya gelen yükleri zemine aktaran yapı elemanlarıdır. Zemin, üstyapıdan aktarılan yükleri taşıyamadığı durumda yüzeysel temeller yerine derin temeller kullanılmalıdır. Betonarme kazıklar derin temellerin en yaygın kullanılan çeşididir. Kazıkların taşıma gücü saha çalışmalarından elde edilen parametreler ile veya kazık yükleme deneyleri aracılığıyla bulunabilmektedir. Bu çalışmada Türkiye’nin farklı şehir ve sahalarından elde edilen kazık yükleme deneyleri ve arazi parametreleri kullanılarak kazıkların taşıma gücü hesaplanmıştır. Kazıkların taşıma gücü hesap ve tahminlerinde yapay sinir ağları metodundan yararlanılmıştır. Kullanılan yapay sinir ağı modelinde MATLAB yazılımından yararlanılmıştır. Tez kapsamında elde edilen kazık yükleme deneyleri ilk olarak MATLAB yazılımı ile eğitilmiştir. Eğitim aşamasında üç farklı eğitim algoritması kullanılmış olup veriler bu eğitimler sonrası test edilmiştir. Yapay sinir ağı modellerinde farklı gizli nöron sayıları kullanılarak en yakınsayan sonuç elde edilmeye çalışılmıştır.

Foundations are structural elements that transfer loads from a structure to the soil. Deep foundations should be used instead of shallow foundations when the bearing capacity of soil cannot satisfy the loads transferred from the superstructure. Reinforced concrete piles are the most widely used type of deep foundation. The bearing capacity of piles can be found by parameters obtained from field studies or by pile loading tests. In this study, the bearing capacity of the piles was calculated by using pile loading tests and field parameters obtained from different cities and areas of Turkey. Artificial neural networks method was used in the calculations and estimations of the bearing capacity of the piles. MATLAB software was used in the artificial neural network model. Pile loading tests obtained within the scope of the thesis were first trained with MATLAB software. During the training phase, three different training algorithms were used and the data were tested after these trainings. In the artificial neural network models, the most convergent result was tried to be obtained by using different hidden neuron numbers.