Betonarme yapılarda akustik emisyon yöntemiyle yapay zeka tabanlı hasar tespiti
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Ege Üniversitesi, Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Yapısal sağlık izleme alanında, betonarme yapıların dayanıklılığı ve güvenliği hakkında doğru bilgiye sahip olmak oldukça önemlidir. Bu betonarme yapılar genellikle dayanıklılıklarını ve güvenliklerini sağlamak için sürekli izleme gerektiren köprüler, binalar ve barajlardır. Bu yapılardaki hasarı uygun şekilde değerlendirme ve tahmin etme becerisi, potansiyel felaket olaylarından korunmada önemli bir rol oynayan önleyici bakımın gerçekleştirilmesine yardımcı olmaktadır. Bu nedenle, büyük felaketlere karşı gerekli önlemleri almak için yapılardaki hasarı tespit etmek önemlidir. Tahribatlı ve tahribatsız muayene (NDT) yöntemleri gibi geleneksel yöntemler yapıları değerlendirir ve hasarı tespit etmektedir ancak, teknolojideki önemli ilerlemeyle birlikte, betonarme yapılardaki hasarları belirlemek için etkili NDT yöntemlerini kullanan yapay zeka modellerinin otomatik, hızlı, gerçek zamanlı ve güvenilir hasar tespiti için geliştirilmesi önemlidir. Bu tez çalışmasında, tahribatsız muayene yöntemi olan akustik emisyon (AE) kullanılarak yapıların hasar durumlarının tespiti için yapay zeka tabanlı hasar tespit modellerinin geliştirilmesi ve değerlendirilmesi amaçlanmıştır. Ancak, AE testinden elde edilen AE sinyallerinin gürültülü olması hasarların yanlış sınıflandırılmasına neden olduğundan, çalışmanın ilk aşamasında gürültü veya gereksiz sinyalleri filtrelemek için yapay zeka filtreleme modelleri geliştirilmiş ve değerlendirilmiştir. Çalışmanın bir sonraki aşamasında, AE verileri ile betonarme kirişlerin farklı yükleme koşulları altında hasar seviyelerinin belirlenmesi ve yapay zeka yardımıyla eğitilerek test edilmesi hedeflenmiştir. Bu amaçla deneysel çalışmada, 2m uzunluğunda toplam 6 adet betonarme kiriş eğilme ve kesme etkisiyle göçecek şekilde üretilip ve dört noktalı eğilme yüklemesi altında test edilmiştir. Tüm kiriş numuneleri yükleme sırasında AE yöntemi ile eş zamanlı olarak izlenmiştir. Tüm kirişlerden elde edilen AE aktiviteleri değerlendirildikten sonra kirişlerde 3 hasar seviyesi belirlenmiştir. Kirişlerin bu hasar seviyeleri, farklı yapay zeka yöntemleri; Yapay Sinir Ağı (Artificial Neural Network- ANN), 1 Boyutlu Evrişimli Sinir Ağı (1-Dimensional Convolutional Neural Network-1DCNN), 2 Boyutlu Evrişimli Sinir Ağı (2-Dimensional Convolutional Neural Network- 2D-CNN) ve Hibrit Ağı (Hybrid Network) üzerinde AE setlerinin farklı kombinasyonları kullanılarak değerlendirilmiştir. Sonuçlar, farklı yapay zeka yöntemleri kullanılarak, modelin hasar seviyelerini tahmin etmedeki performansının AE veri setinin tipine ve modelin mimarisine bağlı olduğunu göstermiştir. Çalışmada, sadece AE parametrelerini kullanan 1D-CNN yöntemi, hasar tipinden bağımsız olarak kirişin hasar seviyelerini tahmin etmek için etkili bulunmuştur. Ayrıca AE parametreleri, dalga formları ve skalogramlardan oluştuğundan, kirişlerin testinden elde edilen tüm AE verilerinin kombinasyonunu kullanan hibrit modeller optimum performansla sonuçlanmıştır. Dolayısıyla, 1D-CNN ve hibrit modelleri kullanarak, kirişteki hasar tipinden bağımsız olarak kirişlerdeki hasar seviyelerini sınıflandırmak için uygulanabilirlikleri ve potansiyelleri hakkında değerli bilgiler kazanmıştır.
Açıklama
Anahtar Kelimeler
Akustik Emisyon, Yapay Zeka, Sinyal Filtreleme, Hasar Tespiti, Betonarme Kiriş., Acoustic Emission, Artificial Intelligence, Signal Filtration, Damage Estimation, Reinforced Concrete Beam.
