Developing a Cross-Section Model by K-Means Clustering Algorithm for Determining the Underground Deformations

Öz

The scientific studies on determination of deformations for underground structures by terrestrial laser scanner have been developing with the increasing of the usage of terrestrail laser scanners in underground structures. One of the most known research subject is the determination of deformation from the cross-sections which derived from point clouds acquired by terrestrail laser scanners. Because of the difficulty of proccessing the thousand of points on cross sections developing a best-fit cross-section model  from raw data has been studied by many researchers in recent years. In this study first a new cross-section model has been developed by using k-means clustering machine learning algorithm from a  raw point cloud data then deformation analyses have been carrried out on these models. Also mesh models have been  created from point cloud data and a standard deformation study have been performed on mesh models. The deformation results of k-means algorithm and mesh models have been compared and advantage of k-means algortihm has  been revealed

Anahtar Kelimeler

• Terrestrian Laser Scanner,Cross-section Analyse,Deformation Analyse,K-means Algorithm

Proje Numarası

BİDEB-2219

Yeraltı deformasyonlarının belirlenmesi amacıyla K-ortalamalar kümeleme algoritması kullanılarak kesit model geliştirilmesi

Öz

Yersel lazer tarayıcıların yeraltı yapılarındaki deformasyonların belirlenmesi amacıyla kullanımının son yıllarda hızla artmasıyla bu alandaki bilimsel çalışmalarda buna paralel olarak artmaktadır. Bu çalışmalardan biri de lazer tarayıcı ile elde edilen nokta bulutu verileri üzerinden alınan kesitlerden üzerinden yapılan deformasyon çalışmalarıdır. Nokta bulutu üzerinden alınan kesitler üzerindeki binlerce veriden analiz yapmanın zorluğundan dolayı kesiti en iyi temsil eden kesit model oluşturma  yöntemi son yıllarda bir çok araştırmanın konusu olmaktadır.  Bu çalışmada da yersel lazer tarayıcı ile taranmış olan bir yeraltı galerisinde nokta bulutu verileri üzerinden alınan kesitler üzerinden k-ortalamalar makina öğrenme algoritması yeni bir kesit modeli oluşturulmuş ve bu kesit model üzerinden deformasyon analizleri yapılmıştır. Yapılan analizler mevcut yöntemlerden olan meshlenmiş yüzeyler üzerinden yapılan analizlerle karşılaştırılmış ve geliştirilen yöntemin üstünlükleri ortaya konmuştur.  

Anahtar Kelimeler

• Yersel Lazer Tarayıcı,Kesit Analizi,Deformasyon Analizi,K-ortalamalar Algoritması

Destekleyen Kurum

Tubitak - BİDEB

Proje Numarası

BİDEB-2219

Teşekkür

Bu çalışmaya esas olan k-ortalamalar algoritmasının geliştirilmesi TUBİTAKBİDEB-2219 bursu kapsamında gerçekleştirilen “Yeraltı boşluklarında meydana gelen deformasyonların yersel lazer tarayıcı ölçümleri ile değerlendirilmesinde yeni algoritmaların geliştirilmesi” konu başlıklı çalışmadan üretilmiştir. Yazar desteklerinden dolayı TUBİTAK BİDEB Daire Başkanlığına desteklerinden dolayı teşekkürlerini sunmaktadır.

Kaynakça

1. Ozdogan, M.V., Deliormanli A.H. 2018. Yersel Lazer Tarayıcı ile Yeraltı Galerisinde Meydana Gelen Deformasyonların Belirlenmesi, Dokuz Eylül Üniversitesi-Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt 20, Sayı 59. DOI: 10.21205/deufmd. 2018205952
2. Bizjak, K.F., Petkovsek, B. 2004. Displacement analysis of tunnel support in soft rock around a shallow highway tunnel at Golovec, Eng. Geol. Cilt. 75 s. 89–106. DOI: 10.1016/j.enggeo.2004.05.003
3. Stiros, S.C., Psimoulis, P.A. 2012. Response of a historical short-span railway bridge to passing trains: 3-D deflections and dominant frequencies derived from Robotic Total Station (RTS) measurements, Eng. Struct., Cilt. 45, s. 362–371. DOI: 10.1016/j.engstruct.2012.06.029
4. Lindenbergh, R.，Pfeifer，N., Rabbani，T. 2005. Accuracy analysis of the Leica HDS3000 and feasibility of tunnel deformation monitoring, IAPRS XXXVI ( 3/W3 )．Proceedings of Laser scanning, Enschede．
5. Van Gosliga, R., Lindenbergh, R., Pfeifer, N., 2006. Deformation analysis of a bored tunnel by means of terrestrial laser scanning. Image Engineering and Vision Metrology. ISPRS Commission, Cilt. 36, s. 167–172.
6. Nuttens, T., De Wulf, A., Bral, L., De Wit, B., Carlier, L., De Ryck, M., vd., 2010. High resolution terrestrial laser scanning for tunnel deformation measurements, In:he FIG Congress 2010 Facing the Challenges – Building the Capacity.
7. Han，J.Y.，Guo，J，Jiang，Y.S，2013. Monitoring tunnel deformations by means of multi-epoch dispersed 3D LIDAR point clouds: an improved approach． Tunnelling and Underground Space Technology, Cilt. 38 s. 385-389．DOI: 10.1016/j.tust.2013.07.022
8. Han, J.Y., Guo, J., Jiang, Y.S. 2013. Monitoring tunnel profile by means of multi-epoch dispersed 3-D LiDAR point clouds. Tunn. Undergr. Space Technol., Cilt 33, s. 186–192. DOI:10.1016/j.tust.2012.08.008

9. Yang, Q., Zhang, Z., Liu, X., Ma, S. 2017. Development of Laser Scanner for Full Cross-Sectional Deformation Monitoring of Underground Gateroads, Sensors (Basel), Cilt. 17, s. 1-14. DOI:10.3390/s17061311
10. Lindenberg, R., Uchanski, L., Bucksch, A., Van Gosliga, R. 2009. Structural monitoring of tunnels using terrestrial laser scanning. Rep Geod., Cilt. 2(87), s.231–239.
11. Delaloye, D. 2012. Development of a new methodology for measuring deformation in tunnels and shafts with terrestrial laser scanning (LiDAR) using elliptical fitting algorithms. Queen’s University. Master of Applied Science. 202s, Ontario, Canada
12. Nuttens, T., Stal, C., De Backer, H., Schotte, K., Van Bogaert, P., De Wulf, A. 2014. Methodology for the ovalization monitoring of newly built circular train tunnels based on laser scanning: liefkenshoek Rail Link (Belgium), Autom Constr., Cilt. 43, s. 1–9. DOI: 10.1016/j.autcon.2014.02.017
13. Xie, X., Lu, X. 2017. Development of a 3D Modeling Algorithm for Tunnel Deformation Monitoring Based on Terrestrial Laser Scanning, Underground Space, Cilt. 2(1), s. 16-29. DOI: 10.1016/j.undsp.2017.02.001
14. Dinçer, E. 2006. Veri Madenciliğinde K-Means Algoritması ve Tıp Alanında Uygulanması, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 101s, Kocaeli.
15. Sarıman, G. 2011. Veri Madenciliğinde Kümeleme Teknikleri Üzerine Bir Çalışma: K-Means ve K-Medoids Kümeleme Algoritmalarının Karşılaştırılması, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt. 15(3), s. 192-202.
16. Ali, H.H., Kadhum, L.E. 2017. K- Means Clustering Algorithm Applications in Data Mining and Pattern Recognition, International Journal of Science and Research, Cilt. 6(8), s. 1577-1584. DOI: 10.21275/ART20176024
17. Han, J. ve Kamber, M. 2001. Data Mining Concepts and Techniques, Morgan Kauffmann Publishers Inc.
18. Berkhin, P. 2002. Survey of Clustering Data Mining Techniques, San Jose, California, USA, Accrue Software Inc.
19. Demiralay, M., Çamurcu, A.Y. 2005. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt. 4(8), s. 1-18
20. Cebeci, Z., Yıldız, F., Kayaalp T. 2015. K-Ortalamalar Kümelemesinde Optimum K Değeri Seçilmesi, 2. Ulusal Yönetim Bilişim Sistemleri Kongresi, 8-10 Ekim 2015, Erzurum, s. 231-242
21. Saraswathi, D., Sheela, L.M.I. 2016. Lung image segmentation using k-means clustering algorithm with novel distance metric, International Journal of Recent Trends in Engineering & Research, Cilt 2 Sayı 12, s. 236-245.
22. Osadchy, R. 2011. Lecture Notes: K-MEANS http://www.cs.haifa.ac.il/~rita/uml_course/lectures/kmeans.pdf
23. Wei, C. T., Ling, C. Y., Shao, C. Y. 2008. Fast image segmentation based on KMeans clustering with histograms in HSV color space,ʼ IEEE 10th Workshop on Multimedia Signal Processing, Cilt. 4, s. 322-325.