Research Article
BibTex RIS Cite

Bibliometric Profile of Deep Learning Studies Conducted in the Construction Industry

Year 2022, Issue: 38, 229 - 235, 31.08.2022
https://doi.org/10.31590/ejosat.1085471

Abstract

With the developing and advancing technology, computer technologies have been used in the construction sector to facilitate the process such as design, construction and analysis. One of these technologies is “deep learning” which is a sub-unit of artificial intelligence technology. It is seen that the use of deep learning is limited in the construction sector due to late adaptation to technology compared to other sectors and insufficient investments in this field. Therefore, the studies and researches on the use of deep learning in the construction sector were examined within the scope of this study. The 102,756 articles accessed with the deep learning keyword search in the Web of Science database were refined by using the keyword "deep learning and construction technology”, and bibliometric analysis was conducted on 323 articles. This bibliometric analysis study involved (i) Citation; (ii) Co-authorship (iii) Common citations. The current situation was examined by making a mapping analysis based on bibliographic data through the VOSviewer program. According to the analysis, the leading countries are China and America for 323 articles written in English between 2010-2020. In terms of institutions; it was determined that the first 4 universities are from China, while the keywords that stand out in these articles are deep learning, computer vision, and convolutional neural networks, respectively. Although researches show that the use of deep learning in the construction sector has been growing in recent years, it has been concluded that there are no studies in this field in Turkey. In this context, it is necessary to create an environment that will give the priority for the studies to be done in this field.

References

  • Akinosho, T.D., Oyedele, L.O., Bilal, M., Ajayi, A.O., Delgado, M.D., Akinade, O.O., Ahmed, A.A. (2020). Deeplearning in theconstructionindustry: A review of presentstatusandfutureinnovations. Journal of BuildingEngineering, 32, 1-14.
  • Chadegani, A.A., Salehi, H., Yunus, M.M., Farhadi, H., Fooladi, M., Farhadi, M., Ebrahim, N.A. (2013). A Comparison between two main academic literatüre collections web of science and scopus databases. Asian Social Science, 9(5), 18-26.
  • Dunk, A. M., & Arbon, P. A. (2009). Is it time for a new descriptor'pressure injury': a bibliometric analysis. Wound Practice and Research, 17 (4) , 201-207.
  • Hamidah, I., Pawinanto, R.E., Mulyanti, B., Yunas, J. (2021). A bibliometric analysis of micro electro mechanical system energy harvester research. Heliyon, (7), 1-8.
  • İlerisoy, Z.Y., Soyluk, A., Sarıcıoğlu, P. (2021). Mimarlık ve Endüstri 4.0 Eşleşmesi, Yapı Dergisi, 464, 12-17.
  • Kersting, K. (2018). Machine learningandartificialintelligence: Twofellowtravelers on thequestforintelligentbehaviour in machines. Frontiers in Big Data, 1(6), 1-4.
  • Kurutkan, M.N., Orhan, F. (2018). Bilim Haritalama, Bibliyometrik Analiz ve Kitap ile İlgili Genel Hususlar. İksad Yayınevi.
  • LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature,521, 436–444. doi: 10.1038/nature14539
  • Luo, X., Fang, Q., Li, H.,Ding, L., Luo, H., Rose, T., An, W., (2018). Detecting non-hardhat-use by a deep learning method from far-field surveillance videos, Automation in Construction, 85, 1-9.
  • Qi, Y., Yuan, C., Kong, Q., Xiong, B., Li, P. (2021). A deep learning-based vision enhancement method for UAV assisted visual inspection of concrete cracks, Smart Structure and Systems, 27(6), 1031-1040. Sharma, N., Sharma, R., Jindal, N. (2021). Machine learning and deep learning applications- a vision. Global Transitions Proceedings, 2, 24-28.
  • Sharma, N., Sharma, R., Jindal, N. (2021). Machine learning and deep learning applications- a vision. Global Transitions Proceedings, 2, 24-28.
  • Şeker, A., Diri, B., Balık, H.H. (2017). Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi, 4(4), 47-64.
  • Wallace, D. (1989). Bibliometricsandcitationanalysis. J. N. Olsgaard (Yay. Haz.). Principlesandapplications of informationscience: Forlibraryprofessionals Chicago andLondon: American Library Association, 10-26.
  • Wang, D., Zhang, Y., Peng, B., Liu, H., Ma, R. (2020). An automated inspection method for the steel box girder bottom of long-span bridges based on deep learning, IEEE Access, 8, 94010-94023.
  • Zan, B. U. (2013). “ULAKBİM sosyal ve beşeri bilimler veri tabanında indekslenen Çankırı Karatekin Üniversitesi yayınların analizi”. Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 4(2), 227-238.

İnşaat Sektörü Kapsamında Yapılan Derin Öğrenme Çalışmalarının Bibliyometrik Profili

Year 2022, Issue: 38, 229 - 235, 31.08.2022
https://doi.org/10.31590/ejosat.1085471

Abstract

Gelişen ve ilerleyen teknolojiyle birlikte inşaat sektöründe tasarım, yapım, hesaplama gibi süreci kolaylaştıracak bilişim teknolojileri kullanılmaya başlanmıştır. Bu teknolojilerden birisi de yapay zekâ teknolojisinin bir alt birimi olan “derin öğrenme”dir. Diğer sektörlerle kıyaslandığında inşaat sektörünün teknolojiye geç uyum sağlaması ve teknolojiye yapılan yatırımların yetersiz olması sebebiyle derin öğrenme kullanımının kısıtlı olduğu görülmektedir. Bu sebeple çalışma kapsamında derin öğrenmenin inşaat sektöründe kullanımı üzerine yapılan çalışma ve araştırmalar incelenmiştir. Web of Science veri tabanında derin öğrenme anahtar kelimesiyle ulaşılan 102.756 makale üzerinden “derin öğrenme ve inşaat yapım teknolojisi” anahtar kelimeleriyle sınırlama getirilmiş ve 323 makale üzerinden bibliyometrik analiz çalışması yapılmıştır. Bibliyometrik analiz çalışması ise (i) Atıf; (ii) Birlikte bulunma; (iii) Ortak atıflar; VOSviewer analiz tipleri üzerinden detaylandırılmıştır. VOSviewer programı aracılığıyla bibliyografik verilere dayalı haritalama analizi yapılarak mevcut durum incelenmiştir. İncelemelerde 2010-2020 yılları arasında İngilizce yazılmış olan 323 makalede önde gelen ülkeler; Çin ve Amerika’dır. Kurum bazında değerlendirildiğinde ilk 4 üniversitenin yine Çin’den olduğu tespit edilirken, bu makalelerde öne çıkan anahtar kelimeler ise sırayla derin öğrenme, bilgisayar görüşü ve konvolüsyonel sinir ağları başlıklarıdır. Araştırmalar derin öğrenmenin inşaat sektöründe kullanımının son yıllarda büyüme eğiliminde olduğunu gösterse de Türkiye’de bu alanda yapılan çalışmaların olmadığı sonucuna varılmıştır. Bu bağlamda ülkemizde bu alanda yapılacak çalışmalara öncelik verilmesine olanak sağlayacak ortamın oluşturulması gerekmektedir.

References

  • Akinosho, T.D., Oyedele, L.O., Bilal, M., Ajayi, A.O., Delgado, M.D., Akinade, O.O., Ahmed, A.A. (2020). Deeplearning in theconstructionindustry: A review of presentstatusandfutureinnovations. Journal of BuildingEngineering, 32, 1-14.
  • Chadegani, A.A., Salehi, H., Yunus, M.M., Farhadi, H., Fooladi, M., Farhadi, M., Ebrahim, N.A. (2013). A Comparison between two main academic literatüre collections web of science and scopus databases. Asian Social Science, 9(5), 18-26.
  • Dunk, A. M., & Arbon, P. A. (2009). Is it time for a new descriptor'pressure injury': a bibliometric analysis. Wound Practice and Research, 17 (4) , 201-207.
  • Hamidah, I., Pawinanto, R.E., Mulyanti, B., Yunas, J. (2021). A bibliometric analysis of micro electro mechanical system energy harvester research. Heliyon, (7), 1-8.
  • İlerisoy, Z.Y., Soyluk, A., Sarıcıoğlu, P. (2021). Mimarlık ve Endüstri 4.0 Eşleşmesi, Yapı Dergisi, 464, 12-17.
  • Kersting, K. (2018). Machine learningandartificialintelligence: Twofellowtravelers on thequestforintelligentbehaviour in machines. Frontiers in Big Data, 1(6), 1-4.
  • Kurutkan, M.N., Orhan, F. (2018). Bilim Haritalama, Bibliyometrik Analiz ve Kitap ile İlgili Genel Hususlar. İksad Yayınevi.
  • LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature,521, 436–444. doi: 10.1038/nature14539
  • Luo, X., Fang, Q., Li, H.,Ding, L., Luo, H., Rose, T., An, W., (2018). Detecting non-hardhat-use by a deep learning method from far-field surveillance videos, Automation in Construction, 85, 1-9.
  • Qi, Y., Yuan, C., Kong, Q., Xiong, B., Li, P. (2021). A deep learning-based vision enhancement method for UAV assisted visual inspection of concrete cracks, Smart Structure and Systems, 27(6), 1031-1040. Sharma, N., Sharma, R., Jindal, N. (2021). Machine learning and deep learning applications- a vision. Global Transitions Proceedings, 2, 24-28.
  • Sharma, N., Sharma, R., Jindal, N. (2021). Machine learning and deep learning applications- a vision. Global Transitions Proceedings, 2, 24-28.
  • Şeker, A., Diri, B., Balık, H.H. (2017). Derin öğrenme yöntemleri ve uygulamaları hakkında bir inceleme. Gazi Mühendislik Bilimleri Dergisi, 4(4), 47-64.
  • Wallace, D. (1989). Bibliometricsandcitationanalysis. J. N. Olsgaard (Yay. Haz.). Principlesandapplications of informationscience: Forlibraryprofessionals Chicago andLondon: American Library Association, 10-26.
  • Wang, D., Zhang, Y., Peng, B., Liu, H., Ma, R. (2020). An automated inspection method for the steel box girder bottom of long-span bridges based on deep learning, IEEE Access, 8, 94010-94023.
  • Zan, B. U. (2013). “ULAKBİM sosyal ve beşeri bilimler veri tabanında indekslenen Çankırı Karatekin Üniversitesi yayınların analizi”. Çankırı Karatekin Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 4(2), 227-238.
There are 15 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Articles
Authors

Zeynep Yeşim İlerisoy 0000-0003-1903-9119

Elif Kılıç 0000-0002-0074-913X

Early Pub Date July 26, 2022
Publication Date August 31, 2022
Published in Issue Year 2022 Issue: 38

Cite

APA İlerisoy, Z. Y., & Kılıç, E. (2022). İnşaat Sektörü Kapsamında Yapılan Derin Öğrenme Çalışmalarının Bibliyometrik Profili. Avrupa Bilim Ve Teknoloji Dergisi(38), 229-235. https://doi.org/10.31590/ejosat.1085471