Artificial Intelligence Studies In Civil Engineering

Year 2021, Volume: 2 Issue: 2, 117 - 138, 31.12.2021

Beyza Gültekin Gamze Dogan

Abstract

The term artificial intelligence, which has emerged with the development of technology in recent years, has managed to make itself known and become an agenda in almost every field. The positive aspects of the term, which has caused a lot of discussion with its benefits and harms, are much more outweighed. Based on all these, the use of this technology is becoming widespread in one of the most important sectors of our country, such as civil engineering. In this study, the studies on artificial intelligence made in the last 10 years in the field of civil engineering were evaluated and the latest point of technology in this branch was revealed according to the success or failure rates achieved. Studies have shown that although the concept of artificial intelligence can be described as a new concept in civil engineering, the results obtained are quite good and promising.

Keywords

Civil engineering, artificial intelligence, deep learning, machine learning, image processing

İnşaat Mühendisliğinde Yapay Zeka Çalışmaları

Abstract

Son yıllarda teknolojinin gelişmesiyle ortaya çıkan yapay zekâ terimi hemen hemen her alanda kendinden söz ettirmeyi ve gündem olmayı başarmıştır. Yararları ve zararları ile çok sayıda tartışmaya neden olan söz konusu terimin olumlu yönleri çok daha ağır basmaktadır. Tüm bunlardan yola çıkarak inşaat mühendisliği gibi ülkemizin en önemli sektörlerinden birinde bu teknolojinin kullanımı yaygınlaşmaktadır. Bu çalışmada, inşaat mühendisliği alanında son 10 yılda yapılmış olan yapay zekâ ile ilgili çalışmalar değerlendirilip elde edilen başarı ya da başarısızlık oranlarına göre bu dalda teknolojinin geldiği son nokta ortaya konmuştur. Çalışmalar göstermiştir ki yapay zekâ kavramı, inşaat mühendisliğinde yeni bir kavram olarak nitelendirilebilmesine rağmen elde edilen sonuçlar oldukça iyi ve umut vâdedicidir.

Keywords

İnşaat mühendisliği, yapay zekâ, derin öğrenme, makine öğrenmesi, görüntü işleme.

References

• Abdeljaber O., Avci, O., Kiranyaz M. S., Boashash B., Sodano H., Inman D. J. (2018). 1-D Cnns For Structural Damage Detection: Verification On A Structural Health Monitoring Benchmark Data. Neurocomputing, 275, 1308-1317.
• Acar M.O., 2015, Havalimanı Terminal Kapasitesinin Görüntü İşleme Yöntemi ile Belirlenmesi, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Isparta.
• Akcay C., Manisali, E. (2018). Fuzzy decision support model for the selection of contractor in construction works. Revista de la Construcción. Journal of Construction, 17(2), 258-266.
• Allali S. A., Abed M., Mebarki A. (2018). Post-earthquake assessment of buildings damage using fuzzy logic. Engineering Structures, 166, 117-127.
• Arama Z. A., Akın M. S., Nuray S. E., Dalyan, İ. (2020). Estimation Of Consistency Limits Of Fine-Grained Soils Via Regression Analysis: A Special Case For High And Very High Plastic Clayey Soils İn Istanbul. International Advanced Researches And Engineering Journal, 4(3), 255-266.
• Arslan H., Fatih Ü. N. E. Ş., Demirci M., Taşar B., Yılmaz A. (2020). Keban Baraj Gölü Seviye Değişiminin Anfıs ve Destek Vektör Makineleri ile Tahmini. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 3(2), 1-7.
• Arslan M. H., Ceylan M., Koyuncu T. (2015). Determining Earthquake Performances Of Existing Reinforced Concrete Buildings By Using Ann. International Journal Of Civil And Environmental Engineering, 9(8), 1097-1101.
• Atha D. J., Jahanshahi M. R. (2018). Evaluation Of Deep Learning Approaches Based On Convolutional Neural Networks For Corrosion Detection. Structural Health Monitoring, 17(5), 1110-1128.
• Avcı N. (2019). Sarsma Masası Deneyi ve Sayısal Analizlerden Elde Edilen Dinamik Parametrelerin Görüntü İşleme Tekniği ile Karşılaştırılması, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Avci O., Abdeljaber O., Kiranyaz S., Inman, D. (2017). Structural Damage Detection İn Real Time: İmplementation Of 1d Convolutional Neural Networks For Shm Applications. In Structural Health Monitoring & Damage Detection, 7, 49-54, Springer, Cham.
• Aydın Sağlam R.N., (2020) Makine Öğrenmesi Yöntemleri Kullanılarak Farklı Malzemelerle Üretilmiş Hafif Betonlara Ait Karışım Tasarımlarının Belirlenmesi, Yüksek Lisans Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ.
• Aydın M. (2019). Görüntü İşleme Yöntemiyle Granüler Zeminde Dane Boyutu Analizi, Yüksek Lisans Tezi, Mersin Üniversitesi Fen Bilimleri Enstitüsü, Mersin.
• Bahadır Y. (2013). Cam Elyaf Katkılı Cephe Kaplama Elemanlarına Yönelik Teklif Fiyatı Tahmininde Yapay Sinir Ağlarının Kullanılması, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Behmanesh J., Mehdizadeh, S. (2017). Estimation of soil temperature using gene expression programming and artificial neural networks in a semiarid region. Environmental Earth Sciences, 76(2), 76.
• Beycioglu A., Gultekin A., Aruntas H. Y., Gencel O., Dobiszewska M., Brostow W. (2017). Mechanical properties of blended cements at elevated temperatures predicted using a fuzzy logic model. Comput. Concr, 20(2), 247-255.
• Bilici S., (2017). Görüntü İşleme Yöntemi Kullanılarak Yapısal Deformasyonların Ölçülmesi, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Bingöl K., Aslı E. R., Örmecioğlu H. T., Arzu E. R. (2020). Depreme Dayanıklı Mimari Tasarımda Yapay Zekâ Uygulamaları: Derin Öğrenme ve Görüntü İşleme Yöntemi ile Düzensiz Taşıyıcı Sistem Tespiti. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 35(4), 2197-2210.
• Buyukyildiz M., Tezel G., Yilmaz, V. (2014). Estimation of the change in lake water level by artificial intelligence methods. Water resources management, 28(13), 4747-4763.
• Cansız Ö. F., Ünsalan K., Erginer, İ. Karayolları Enerji Tüketiminin Yapay Zekâ ve Regresyon Yöntemleri ile Modellenmesi. Uludağ University Journal Of The Faculty Of Engineering, 25(3), 1297-1314.
• Cao Y., Wakil K., Alyousef R., Jermsittiparsert K., Ho L. S., Alabduljabbar H., ... Mohamed A. M. (2020, June). Application Of Extreme Learning Machine İn Behavior Of Beam To Column Connections. In Structures, 25, 861-867, Elsevier.
• Cha Y. J., Choi W., Büyüköztürk, O. (2017). Deep Learning‐Based Crack Damage Detection Using Convolutional Neural Networks. Computer‐Aided Civil And Infrastructure Engineering, 32(5), 361-378.
• Cha Y. J., Choi W., Suh G., Mahmoudkhani S., Büyüköztürk O. (2018). Autonomous Structural Visual İnspection Using Region‐Based Deep Learning For Detecting Multiple Damage Types. Computer‐Aided Civil And Infrastructure Engineering, 33(9), 731-747.
• Chao Z., Ma G., Zhang Y., Zhu Y., Hu H. (2018, November). The application of artificial neural network in geotechnical engineering. In IOP Conference Series: Earth and Environmental Science, 189(2), 022054, IOP Publishing.
• Choudhary G. K., Dey S. (2012, October). Crack Detection İn Concrete Surfaces Using İmage Processing, Fuzzy Logic, And Neural Networks. In 2012 Ieee Fifth İnternational Conference On Advanced Computational İntelligence (Icacı) (Pp. 404-411). Ieee.
• Chun P. J., Yamashita H., Furukawa, S. (2015). Bridge Damage Severity Quantification Using Multipoint Acceleration Measurement And Artificial Neural Networks. Shock And Vibration, 2015.
• Çakıroğlu M. A., Süzen A. A. Assessment And Application of Deep Learning Algorithms İn Civil Engineering. El-Cezeri Journal Of Science And Engineering, 7(2), 906-922.
• Çankaya G., Arslan M. H., Ceylan, M. (2013). Görüntü İşleme ve Yapay Sinir Ağları Yöntemleri ile Betonun Basınç Dayanımının Belirlenmesi. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 1(1), 1-12.
• Çomak B., (2012) Farklı Beton Sınıflarının Görüntü İşleme Yöntemi ile Mekanik Özelliklerinin Belirlenmesi, Doktora Tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Isparta.
• Dogan G., Arslan M. H., Baykan, O. K. (2020). Determination Of Damage Levels Of Rc Columns With A Smart System Oriented Method. Bulletin Of Earthquake Engineering, 1-23.
• Dogan G., Arslan M. H., Ceylan M. (2017). Concrete Compressive Strength Detection Using İmage Processing Based New Test Method. Measurement, 109, 137-148.
• Doğan G. (2018). Betonarme Kolonların Deprem Sonrası Hasar Seviyelerinin Akıllı Sistem Tabanlı Bir Yöntemle Belirlenmesi, Yüksek Lisans Tezi, Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
• Erdal H. (2015). Makine Öğrenmesi Yöntemlerinin İnşaat Sektörüne Katkısı: Basınç Dayanımı Tahminlemesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 21(3), 109-114.
• Erginer M., Cansız, Ö. F., Erginer, İ. Trafik Kaza Sayısının ve Yaralı Sayısının Yapay Sinir Ağları ile Tahmini. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 3(1), 29-35.
• Fang W., Ding L., Zhong B., Love P. E., Luo H. (2018). Automated Detection Of Workers And Heavy Equipment On Construction Sites: A Convolutional Neural Network Approach. Advanced Engineering Informatics, 37, 139-149.
• Fang W., Zhong B., Zhao N., Love Pe, Luo H., Xue J., Xu S. (2019). Bilgisayar Görüşü ile Yüksekten Düşmeleri Azaltmak İçin Derin Öğrenmeye Dayalı Bir Yaklaşım: Evrişimli Sinir Ağı. İleri Mühendislik Bilişimi, 39, 170-177.
• François Chollet, Python ile Derin Öğrenme, Ankara: Buzdağı Yayınevi, 2019.
• Gao X., Lin C. Prediction Model Of The Failure Mode Of Beam-Column Joints Using Machine Learning Methods. Engineering Failure Analysis, 120, 105072.
• Gemici E., Ardıçlıoğlu M., Kocabaş F. (2013). Akarsularda debinin yapay zekâ yöntemleri ile modellenmesi. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 29(2), 135-143.
• Golafshani E. M., Rahai A., Sebt M. H., Akbarpour, H. (2012). Prediction of bond strength of spliced steel bars in concrete using artificial neural network and fuzzy logic. Construction and building materials, 36, 411-418.
• Gui G., Pan H., Lin Z., Li Y., Yuan Z. (2017). Data-Driven Support Vector Machine With Optimization Techniques For Structural Health Monitoring And Damage Detection. Ksce Journal Of Civil Engineering, 21(2), 523-534.
• Gulbandilar E., Kocak Y. (2013). Prediction of the effects of fly ash and silica fume on the setting time of Portland cement with fuzzy logic. Neural Computing and Applications, 22(7), 1485-1491.
• Gültepe Y. (2019). Makine Öğrenmesi Algoritmaları ile Hava Kirliliği Tahmini Üzerine Karşılaştırmalı Bir Değerlendirme. Avrupa Bilim ve Teknoloji Dergisi, (16), 8-15.
• Günaydın H. M., Doğan S. Z. (2004). A neural network approach for early cost estimation of structural systems of buildings. International journal of project management, 22(7), 595-602.
• Hassan M.U. (2014). A Computer Vısıon Based Method for Semı-Automated Rebar Detectıon and Measurement of Reınforced Concrete Columns, Yüksek Lisans Tezi, Orta Doğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
• Huang Q., Cox R. F., Shaurette M., Wang J. (2012). Intelligent Building Hazard Detection Using Wireless Sensor Network And Machine Learning Techniques. In Computing İn Civil Engineering, 485-492.
• Hwang S. H., Mangalathu S., Shin J., Jeon, J. S. (2020). Machine Learning-Based Approaches For Seismic Demand And Collapse Of Ductile Reinforced Concrete Building Frames. Journal Of Building Engineering, 101905.
• Ilkhani M. H., Moradi E., Lavasani M. (2017). Calculation Of Torsion Capacity Of The Reinforced Concrete Beams Using Artificial Neural Network. Journal Of Soft Computing İn Civil Engineering, 1(2), 8-18.
• İpek S. U. C. U. (2019). Yapay Zekanın Toplum Üzerindeki Etkisi ve Yapay Zekâ (Aı) Filmi Bağlamında Yapay Zekaya Bakış. Uluslararası Ders Kitapları ve Eğitim Materyalleri Dergisi, 2(2), 203-215.
• İpek, S. U. C. U., Ataman E. (2020). Dijital Evrenin Yeni Dünyası Olarak Yapay Zekâ ve Her Filmi Üzerine Bir Çalışma. Yeni Medya Elektronik Dergisi, 4(1), 40-52.
• Jeon J. S., Shafieezadeh A., Desroches R. (2014). Statistical Models For Shear Strength Of Rc Beam‐Column Joints Using Machine‐Learning Techniques. Earthquake Engineering & Structural Dynamics, 43(14), 2075-2095.
• Kaçın S., Aydın M. (2020). Görüntü İşleme Yöntemi ile Betonarme Kiriş Deplasmanlarının Belirlenmesi. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 23(2), 107-117.
• Karameşe G. (2018). Yapı Sistemlerinde Yer Değiştirme ve Şekil Değiştirme Büyüklüklerinin Özel Bir Görüntü İşleme Yöntemiyle Belirlenmesi, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Katanalp B. Y., Yıldırım Z. B., Karacasu M., İbrikçi T. (2019). Atik Kömür Katkili Asfalt Betonu Performans Karakteristiklerinin Yapay Sinir Ağları ve Merkezi Kompozit Tasarim Yöntemleri Kullanilarak Karşilaştirilmasi. Mühendislik Bilimleri ve Tasarım Dergisi, 7(3), 680-688.
• Khademi F., Akbari M., Jamal S. M., Nikoo, M. (2017). Multiple linear regression, artificial neural network, and fuzzy logic prediction of 28 days compressive strength of concrete. Frontiers of Structural and Civil Engineering, 11(1), 90-99.
• Khai W. J., Alraih M., Ahmed A. N., Fai C. M., El-Shafie A. (2019). Daily Forecasting Of Dam Water Levels Using Machine Learning. International Journal Of Civil Engineering And Technology (Ijcıet).
• Kim G. H., An S. H., Kang, K. I. (2004). Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning. Building and environment, 39(10), 1235-1242.
• Koç M.E. (2012). Hava Sürüklenmiş Betonun Donma-Çözülme Dayanımları ve Görüntü İşleme Yöntemi ile Boşluk Yapılarının Belirlenmesi, Yüksek Lisans Tezi, Niğde Üniversitesi Fen Bilimleri Enstitüsü, Niğde.
• Korkmaz S., Uğur L. O. Yığma Konutların Maliyet Tahmininde Yapay Sinir Ağlarının (Ysa) Kullanılması. Engineering Sciences, 7(3), 615-631.
• Kök B. V., Yılmaz M., Kuloğlu N., Şengür A. Değişik Şartlarda Hazırlanmış SBS Modifiyeli Bitümün Viskozitesinin Yapay Sinir Ağları ile Modellenmesi.
• Köroğlu M. A., Ceylan M., Arslan M. H., Ilki A. (2012). Estimation Of Flexural Capacity Of Quadrilateral Frp-Confined Rc Columns Using Combined Artificial Neural Network. Engineering Structures, 42, 23-32.
• Lee B. Y., Kim Y. Y., Yi S. T., Kim J. K. (2013). Automated İmage Processing Technique For Detecting And Analysing Concrete Surface Cracks. Structure And Infrastructure Engineering, 9(6), 567-577.
• Lin Y. Z., Nie Z. H., Ma H. W. (2017). Structural Damage Detection With Automatic Feature‐Extraction Through Deep Learning. Computer‐Aided Civil And Infrastructure Engineering, 32(12), 1025-1046.
• Ma X., Dai Z., He Z., Ma J., Wang Y., Wang,Y. (2017). Learning Traffic As İmages: A Deep Convolutional Neural Network For Large-Scale Transportation Network Speed Prediction. Sensors, 17(4), 818.
• Mangalathu S., Burton H. V. (2019). Deep Learning-Based Classification Of Earthquake-İmpacted Buildings Using Textual Damage Descriptions. International Journal Of Disaster Risk Reduction, 36, 101111.
• Mangalathu S., Hwang S. H., Choi E., Jeon, J. S. (2019). Rapid Seismic Damage Evaluation Of Bridge Portfolios Using Machine Learning Techniques. Engineering Structures, 201, 109785.
• Marangu J. M. (2020). Prediction Of Compressive Strength Of Calcined Clay Based Cement Mortars Using Support Vector Machine And Artificial Neural Network Techniques. Journal Of Sustainable Construction Materials And Technologies, 5(1), 392-398.
• Mazanoğlu K., Kandemir-Mazanoğlu E. Ç. (2017). Çatlaklı Kirişlerin Yapay Sinir Ağları ile Modellenmesi. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 17(3), 1129-1135.
• Moayedi H., Mosallanezhad M., Rashid ASA, Jusoh WAW, Muazu MA (2020). Geoteknik mühendisliğinde yapay sinir ağı uygulamasının sistematik bir incelemesi ve meta-analizi: teori ve uygulamalar. Nöral Hesaplama ve Uygulamalar, 32 (2), 495-518.
• Mohanaselvi S., Hemapriya G. (2019). Application of fuzzy logic to earthquake damage predictions. In AIP Conference Proceedings, 2112(1), (p. 020043). AIP Publishing LLC.
• Neves A. C., González I., Leander J., Karoumi R. (2017). A New Approach To Damage Detection İn Bridges Using Machine Learning. In International Conference On Experimental Vibration Analysis For Civil Engineering Structures (Pp. 73-84). Springer, Cham.
• Okazaki Y., Okazaki S., Asamoto S., Chun, P. J. (2020). Applicability Of Machine Learning To A Crack Model İn Concrete Bridges. Computer‐Aided Civil And Infrastructure Engineering, 35(8), 775-792.
• Okkan U., Yıldırım Dalkiliç H. (2012). Radyal tabanlı yapay sinir ağları ile Kemer Barajı aylık akımlarının modellenmesi. Teknik Dergi, 23(112), 5957-5966.
• Onat M. (2008) Dijital Görüntü İşleme Yöntemleriyle Lifli Beton Numunelerindeki Çatlakların Belirlenmesi, Yüksek Lisans Tezi, Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ.
• Özbayrak A. (2019). Deprem Etkisi Altındaki Betonarme Kirişsiz Plak Döşemelerin Eğilme Momentlerinin Ysa Analizi ile Tahmin Edilmesi. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 8(2), 979-991.
• Özdülkar K., Fatih Ü. N. E. Ş., DEMİRCİ M., Kaya Y. Z. (2019). Günlük Buharlaşma Miktarının Bulanık Mantık Yöntemleri Kullanılarak Bölgesel Olarak Modellenmesi. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2(1), 23-29.
• Özel A., Büyükyıldız M. (2019). Aylık Buharlaşma Tahmininde Yapay Zekâ Yöntemlerinin Kullanılabilirliği.
• Öztürk K., Şahin M. E. (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış. Takvim-İ Vekayi, 6(2), 25-36.
• Pathirage C. S. N., Li J., Li L., Hao H., Liu W., Ni P. (2018). Structural Damage İdentification Based On Autoencoder Neural Networks And Deep Learning. Engineering Structures, 172, 13-28.
• Patterson B., Leone G., Pantoja,M., Behrouzi A (2018). Yapılı Altyapıya Sismik Hasarın Otomatik Görüntü Sınıflandırması İçin Derin Öğrenme. Deprem Mühendisliği On birinci ABD Ulusal Konferansı.
• Pekgöz M., (2020). Görüntü İşleme Yöntemiyle Betonda Gerilme-Şekil Değiştirme Davranışının Değerlendirilmesi, Yüksek Lisans Tezi, Adıyaman Üniversitesi Fen Bilimleri Enstitüsü, Adıyaman.
• Pınar U. S. T. A., Nihat M. O. R. O. V. A., Ahmet E. V. C. İ., Ergün S. (2018). Assessment of seismic damage on the exist buildings using fuzzy logic. In IOP Conference Series: Materials Science and Engineering, 300(1), (p. 012062). IOP Publishing.
• Prayogo D. (2018). Metaheuristic-Based Machine Learning System For Prediction Of Compressive Strength Based On Concrete Mixture Properties And Early-Age Strength Test Results. Civil Engineering Dimension, 20(1), 21-29.
• Rafiei M. H., Adeli H. (2017). A Novel Machine Learning‐Based Algorithm To Detect Damage İn High‐Rise Building Structures. The Structural Design Of Tall And Special Buildings, 26(18), E1400.
• Ramazan A. C. A. R., Saplıoğlu K. Akarsulardaki Sediment Taşınımının Yapay Sinir Ağları ve Anfıs Yöntemleri Kullanılarak Tespiti. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 9(1), 437-450.
• Salam Z. K. A. A., Keskin M. E. (2018). Yapay Sinir Ağları ile Dibis Barajı’nın Seviye Tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 6(4), 564-569.
• Salehi H., Burgueño R. (2018). Emerging Artificial İntelligence Methods İn Structural Engineering. Engineering Structures, 171, 170-189.
• Samui P., Sitharam, T. G. (2011). Machine Learning Modelling For Predicting Soil Liquefaction Susceptibility. Natural Hazards And Earth System Sciences, 11(1), 1-9.
• Santos A., Figueiredo E., Silva M. F. M., Sales C. S., Costa J. C. W. A. (2016). Machine Learning Algorithms For Damage Detection: Kernel-Based Approaches. Journal Of Sound And Vibration, 363, 584-599.
• Sezer A., (2008). Görüntü İşleme Yöntemleri Kullanılarak Farklı Türdeki Zeminlerin Mikroyapısal Özelliklerinin Belirlenmesi, Doktora Tezi, Ege Üniversitesi Fen Bilimleri Enstitüsü, İzmir.
• Sudheer C., Maheswaran R., Panigrahi B. K., Mathur S. (2014). A hybrid SVM-PSO model for forecasting monthly streamflow. Neural Computing and Applications, 24(6), 1381-1389.
• Sunbul A. B., Erkaymaz H., Rukiye U. (2016). Zemin sıvılaşma potansiyelinin bulanık mantık ile modellenmesi. Karaelmas Fen ve Mühendislik Dergisi, 5(2), 101-104.
• Suryanita R., Maizir H., Yuniarto E., Zulfakar M., Jingga H. (2017). Damage Level Prediction Of Reinforced Concrete Building Based On Earthquake Time History Using Artificial Neural Network. In Matec Web Of Conferences, 138, 02024, Edp Sciences.
• Şahin U., Bedirhanoğlu İ. Lifli Polimerler ile Güçlendirilmiş Betonun Basınç Dayanımının Bulanık Mantık ile Tahmin Edilmesi.
• Tezel G., Buyukyildiz M. (2016). Monthly evaporation forecasting using artificial neural networks and support vector machines. Theoretical and applied climatology, 124(1-2), 69-80.
• Topçu İ. B., Sarıdemir M. (2008). Yüksek-Düşük Kireçli Uçucu Kül İçeren Betonların Basınç Dayanımının YSA V-ve BM Kullanarak Tahmini. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 21(1), 39-56.
• URL 1: https://tr.wikipedia.org/wiki/Yapay_zek%C3%A2
• URL 2: https://www.beyaz.net/tr/yazilim/makaleler/derin_ogrenme_deep_learning_nedir.html
• URL 3: https://tr.newworldai.com/deep-learning-derin-ogrenme-nedir/
• URL 4: https://www.ibm.com/tr-tr/cloud/learn/what-is-artificial-intelligence
• URL 5: https://tr.wikipedia.org/wiki/Bulan%C4%B1k_mant%C4%B1k
• URL 6: https://medium.com/i%CC%87yi-programlama/bulan%C4%B1k-mant%C4%B1k-bula%C5%9F%C4%B1k-makinesi-modeli-b4b596a7f80e
• URL 7: https://omegapro.com.tr/insaat-sektorunde-yapay-zeka-kullanimi-ve-faydalari/
• Valença J., Puente I., Júlio E., González-Jorge H., Arias-Sánchez P. (2017). Assessment Of Cracks On Concrete Bridges Using İmage Processing Supported By Laser Scanning Survey. Construction And Building Materials, 146, 668-678.
• Worden K., Manson, G. (2007). The Application Of Machine Learning To Structural Health Monitoring. Philosophical Transactions Of The Royal Society A: Mathematical, Physical And Engineering Sciences, 365(1851), 515-537.
• Yalçın Ö. F. Basit Mesnetli Köprülerde Hareketli Yük Dağılım Faktörleri Denklemlerinin Yapay Sinir Ağları ile Elde Edilmesi. Çukurova Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 35(3), 609-622.
• Yaseen Z. M., Afan H. A., Tran M. T. (2018, April). Beam-Column Joint Shear Prediction Using Hybridized Deep Learning Neural Network With Genetic Algorithm. In Iop Conference Series: Earth And Environmental Science, 134(1), 012025, Iop Publishing.
• Yavuz G., Arslan M. H., Baykan O. K. (2014). Shear Strength Predicting Of Frp-Strengthened Rc Beams By Using Artificial Neural Networks. Science And Engineering Of Composite Materials, 21(2), 239-255.
• Yörübulut S., Dogan O., Erdugan F., Yörübulut S. (2019). Tahribatsız Yöntem Verileri Kullanılarak Yapay Sinir Ağı ve Regresyon Yöntemi ile Beton Basınç Dayanımının Tahmin Edilmesi. Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 12(2), 769-776.
• Yurtcu Ş., Özocak A. (2016). İnce Daneli Zeminlerde Sıkışma İndisi’nin İstatistiksel ve Yapay Zekâ Yöntemleri ile Tahmin Edilmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 31(3).
• Zhang W., Li H., Li Y., Liu H., Chen Y., Ding X. (2021). Application of deep learning algorithms in geotechnical engineering: a short critical review. Artificial Intelligence Review, 1-41.
• Zhang Y., Burton H. V., Sun H., Shokrabadi M. (2018). A Machine Learning Framework For Assessing Post-Earthquake Structural Safety. Structural Safety, 72, 1-16.
• Zhong B., Xing, X., Love P., Wang X. ve Luo H. (2019). Evrişimli Sinir Ağı: Bina Kalitesi Problemlerinin Derin Öğrenmeye Dayalı Sınıflandırılması. İleri Mühendislik Bilişimi, 40, 46-57.