Ağırlık İstinat Duvarlarının Makine Öğrenmesi Tabanlı Tasarımı

Abstract

Ağırlık istinat duvarları, yanal toprak basıncı, hidrostatik basınç ve granüler dolgu malzemelerinden kaynaklanan yatay yükleri kendi ağırlıkları aracılığıyla dengeleyen önemli geoteknik yapı elemanlarıdır. Bu yapıların güvenli bir biçimde tasarlanabilmesi için devrilme, kayma ve temel taşıma gücü göçmesi gibi farklı göçme modlarının birlikte değerlendirilmesi gerekmektedir. Bu çalışmada, ağırlık istinat duvarlarının tasarımını etkileyen temel parametreler sistematik bir yaklaşımla ele alınmış; farklı geometrik özellikler, zemin koşulları ve deprem etkileri dikkate alınarak Sta4CAD programı aracılığıyla toplam 620 adet istinat duvarı tasarımı gerçekleştirilmiştir. Söz konusu analizler, Türkiye Bina Deprem Yönetmeliği (TBDY-2018) esaslarına uygun olarak yürütülmüştür. Elde edilen kapsamlı veri seti, mühendislik problemlerinde veri odaklı yaklaşımların uygulanabilirliğini incelemek amacıyla Python programlama dili kullanılarak analiz edilmiştir. Bu kapsamda, veri seti üzerinde çeşitli makine öğrenmesi algoritmaları uygulanmış, geliştirilen modellerin performansları karşılaştırılmış ve istinat duvarı tasarımına ilişkin kritik parametrelerin tahmin edilmesindeki başarı düzeyleri değerlendirilmiştir. Elde edilen bulgular, geleneksel mühendislik yaklaşımlarına alternatif olarak makine öğrenmesi yöntemlerinin istinat duvarı tasarım süreçlerinde etkin ve güvenilir bir şekilde kullanılabileceğini göstermektedir.

Keywords

• Ağırlık istinat duvarı
• makine öğrenmesi
• regresyon

Ethical Statement

Bu çalışma, araştırma ve yayın etiği ilkelerine uygun olarak hazırlanmıştır. Yazarlar, çalışmada sunulan tüm verilerin doğru ve özgün olduğunu, veri uydurma, tahrifat veya intihal yapılmadığını beyan eder. Çalışma daha önce yayımlanmamış olup başka bir dergide değerlendirme sürecinde değildir. Tüm yazarlar çalışmaya bilimsel katkı sağlamış, son halini onaylamış ve sorumluluğunu kabul etmiştir. Yazarlar arasında herhangi bir çıkar çatışması bulunmamaktadır.

ML-Based Design of Gravity Retaining Walls

Abstract

Gravity retaining walls are important geotechnical structures that resist lateral loads arising from earth pressure, hydrostatic pressure, and granular backfill materials primarily through their self-weight. In order to achieve a safe design, multiple failure modes—such as overturning, sliding, and bearing capacity failure—must be evaluated in an integrated manner. In this study, the fundamental parameters affecting the design of gravity retaining walls were systematically investigated. A total of 620 retaining wall designs were generated using the Sta4CAD software by considering varying geometric properties, soil conditions, and seismic effects. All analyses were conducted in accordance with the provisions of the Turkish Building Earthquake Code (TBDY-2018). The resulting comprehensive dataset was analyzed using the Python programming language to evaluate the applicability of data-driven approaches in engineering problems. Within this scope, various machine learning algorithms were implemented on the dataset, the performance of the developed models was compared, and their success in predicting critical design parameters of retaining walls was assessed. The findings indicate that machine learning methods can serve as effective and reliable alternatives to conventional engineering approaches in the design process of gravity retaining walls.

Keywords

• Gravity retaining wall
• machine learning
• regression

Ethical Statement

This study has been prepared in accordance with the principles of research and publication ethics. The authors declare that all data presented in this study are accurate and original, and that no fabrication, falsification, or plagiarism has been committed. The manuscript has not been previously published and is not under consideration for publication elsewhere. All authors have made scientific contributions to the study, approved its final version, and accepted responsibility for its content. The authors declare that there is no conflict of interest among them.

References

1. [1] S. Talatahari and R. Sheikholeslami, "Optimum design of gravity and reinforced retaining walls using enhanced charged system search algorithm," KSCE Journal of Civil Engineering, vol. 18, no. 5, pp. 1464-1469, 2014.
2. [2] S. Talatahari, R. Sheikholeslami, M. Shadfaran, and M. Pourbaba, "Optimum design of gravity retaining walls using charged system search algorithm," Mathematical Problems in Engineering, vol. 2012, no. 1, p. 301628, 2012.
3. [3] J. J. Pons, V. Penadés-Plà, V. Yepes, and J. V. Martí, "Life cycle assessment of earth-retaining walls: An environmental comparison," Journal of Cleaner Production, vol. 192, pp. 411-420, 2018.
4. [4] B. Kaymak and U. Dağdeviren, "SİMETRİK AĞIRLIK İSTİNAT DUVARLARININ OPTİMUM TASARIMI," Journal of Science and Technology of Dumlupınar University, no. 040, pp. 45-57, 2018.
5. [5] X. Li, L. Su, Y. Wu, and S. He, "Seismic stability of gravity retaining walls under combined horizontal and vertical accelerations," Geotechnical and Geological Engineering, vol. 33, pp. 161-166, 2015.
6. [6] Z. Kurt, M. Kurt, and M. F. Yentimur, "A Case Study for Retaining Wall Design," (in en), Sciennovation, vol. 2, no. 1, pp. 21-28, September 2020. [Online]. Available: https://dergipark.org.tr/tr/pub/sciennovation/issue/56784/792029.
7. [7] R. Alsirawan and A. Alnmr, "Dynamic behavior of gravity segmental retaining walls," Pollack Periodica, vol. 18, 11/07 2022, doi: 10.1556/606.2022.00722.
8. [8] Y. Zhou, S. Shi, Q. Cai, and J. Liang, "Deformation State Analysis and Design Method of Bottom-Confined Gravity Retaining Walls," Sustainability, vol. 15, no. 5, p. 4405, 2023. [Online]. Available: https://www.mdpi.com/2071-1050/15/5/4405.

9. [9] D. Shah, "Stability Analysis of Gravity Retaining Wall by DEM Simulation," pp. 1-5, 10/04 2024, doi: 10.56472/25839233/IJAST-V2I4P101.
10. [10] R. Mustafa, P. Samui, and S. Kumari, "Seismic Performance of Gravity Retaining Walls Under Quasi-static Approach Using Probabilistic Analysis," Transportation Infrastructure Geotechnology, vol. 11, no. 2, pp. 612-649, 2024/04/01 2024, doi: 10.1007/s40515-023-00298-y.
11. [11] H. Chen, P. G. Asteris, D. Jahed Armaghani, B. Gordan, and B. T. Pham, "Assessing Dynamic Conditions of the Retaining Wall: Developing Two Hybrid Intelligent Models," Applied Sciences, vol. 9, no. 6, p. 1042, 2019. [Online]. Available: https://www.mdpi.com/2076-3417/9/6/1042.
12. [12] R. Mustafa, P. Samui, and S. Kumari, "Reliability Analysis of Gravity Retaining Wall Using Hybrid ANFIS," Infrastructures, vol. 7, no. 9, p. 121, 2022. [Online]. Available: https://www.mdpi.com/2412-3811/7/9/121.
13. [13] R. Mustafa, P. Samui, S. Kumari, E. T. Mohamad, and R. M. Bhatawdekar, "Probabilistic analysis of gravity retaining wall against bearing failure," Asian Journal of Civil Engineering, vol. 24, no. 8, pp. 3099-3119, 2023/12/01 2023, doi: 10.1007/s42107-023-00697-z.
14. [14] A. Kumar and A. Burman, "Reliability analysis of gravity retaining wall under seismic conditions using a novel hybrid paradigm of ELM and improved grey wolf optimizer," Modeling Earth Systems and Environment, vol. 11, no. 3, p. 214, 2025/04/12 2025, doi: 10.1007/s40808-025-02390-3.
15. [15] SAP. "Makine Öğrenmesi Nedir?,." https://www.sap.com/turkey/products/artificial-intelligence/what-is-machine-learning.html (accessed.
16. [16] M. Atalay and E. Çelik, Mehmet Akif Ersoy University Journal of Social Sciences Institute, vol. 9, no. 22, pp. 155-172, December 2017, doi: 10.20875/makusobed.309727.
17. [17] D. Kılınç, E. Borandağ, F. Yücalar, V. Tunalı, M. Şimşek, and A. Özçift, "KNN algoritması ve r dili ile metin madenciliği kullanılarak bilimsel makale tasnifi," Marmara Fen Bilimleri Dergisi, vol. 28, no. 3, pp. 89-94, 2016.
18. [18] S. W. Jarantow, E. D. Pisors, and M. L. Chiu, "Introduction to the use of linear and nonlinear regression analysis in quantitative biological assays," Current Protocols, vol. 3, no. 6, p. e801, 2023.
19. [19] Z. D. Akşehir and E. Kılıç, "Makine öğrenmesi teknikleri ile banka hisse senetlerinin fiyat tahmini," Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, vol. 12, no. 2, pp. 30-39, 2019.
20. [20] A. Liaw and M. Wiener, "Classification and regression by randomForest," R news, vol. 2, no. 3, pp. 18-22, 2002.
21. [21] A. Natekin and A. Knoll, "Gradient boosting machines, a tutorial," Frontiers in neurorobotics, vol. 7, p. 63623, 2013.
22. [22] S. Bhanu Koduri, L. Gunisetti, C. Raja Ramesh, K. Mutyalu, and D. Ganesh, "Prediction of crop production using adaboost regression method," in Journal of physics: conference series, 2019, vol. 1228, no. 1: IOP Publishing, p. 012005.
23. [23] G. L. E. Ekibi. "Makine Öğrenmesinde Destek Vektör Regresyonu." https://www.mygreatlearning.com/blog/support-vector-regression/ (accessed.
24. [24] R. M. Durao, M. T. Mendes, and M. J. Pereira, "Forecasting O3 levels in industrial area surroundings up to 24 h in advance, combining classification trees and MLP models," Atmospheric Pollution Research, vol. 7, no. 6, pp. 961-970, 2016.
25. [25] Mustafa Erdogan. "Makine Öğrenmesi Regresyon Modellerindeki Hata Metriklerine Güncel Bakış: MAE, MSE, RMSE, R-Kare (R2)." https://medium.com/academy-team/makine-öğrenmesi-regresyon-modellerindeki-hata-metriklerine-güncel-bakış-mae-mse-rmse-r-kare-d1ab758c5759 (accessed 2025).
26. [26] D. Chicco, M. J. Warrens, and G. Jurman, "The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation," Peerj computer science, vol. 7, p. e623, 2021.
27. [27] M. Almsallti, A. B. Alzubi, and O. R. Adegboye, "Hybrid metaheuristic optimized extreme learning machine for sustainability focused co2 emission prediction using globalization-driven indicators," Sustainability, vol. 17, no. 15, p. 6783, 2025.