Hızlı Değerlendirme Yöntemleri ve Makine Öğrenmesi Kullanılarak Binaların Sismik Performansının Tahmini: Elazığ ili Örneği

Öz

Bu çalışmanın amacı Elazığ ilindeki mevcut binaların sismik performans düzeylerinin hızlı ve veri odaklı yöntemlerle yüksek doğrulukta tahmin edilmesidir. Bu kapsamda Elazığ Merkez mahallelerinde yapılan saha çalışmaları kapsamında toplam 4200 adet bina incelenmiştir. Elde edilen bina verileri, Kanada Sismik Tarama Yöntemi ve Hindistan Hızlı Görsel Değerlendirme yöntemi kullanılarak her bina için performans puanları hesaplanmıştır. Elde edilen puanlar, yapıların potansiyel deprem riski açısından sınıflandırılmasında referans olarak kullanılmıştır. Çalışmanın ikinci aşamasında, bu performans puanlarının yüksek doğrulukta tahmin edilmesi için XGBoost makine öğrenmesi modeli kullanılmıştır. Modelde girdi olarak sahadan alınan binaya ait kimlik bilgileri ve yapısal özellikler kullanılmıştır. Modelin hedef çıktısı olarak ise, bu yöntemlerle hesaplanan performans puanları belirlenmiştir. XGBoost modeli, doğruluk ve hata metrikleri açısından karşılaştırılarak performansları değerlendirilmiştir. Sonuçlar, uluslararası hızlı değerlendirme yöntemlerinin saha verileri ile desteklendiğinde etkili sonuçlar verdiğini ve makine öğrenmesi modelleriyle entegre edildiğinde bina performanslarının yüksek doğrulukla tahmin edilebildiğini ortaya koymaktadır. Bu yaklaşım, özellikle afet öncesi ve sonrası risk yönetimi ve müdahale planlaması süreçlerinde karar vericilere hızlı ve güvenilir bilgi sağlamayı amaçlamaktadır.

Anahtar Kelimeler

• Hızlı Değerlendirme Yöntemleri
• Hindistan Hızlı Görsel Değerlendirme
• Kanada Sismik Tarama
• makine öğrenmesi yöntemleri
• sismik performans tahmini

Seismic Performance Prediction of Buildings Using Rapid Assessment Methods and a Machine Learning-Based Approach: A Case Study of Elazığ Province

Öz

The aim of this study is to estimate the seismic performance levels of existing buildings in Elazığ province with high accuracy using fast and data-driven methods. In this context, performance scores were calculated for each building by using building data obtained as a result of field investigations, Canadian Seismic Screening Method and Indian Rapid Visual Assessment methods. The obtained scores were used as a reference to classify the buildings in terms of potential earthquake risk. In the second stage of the study, the XGBoost machine learning model was used to predict these performance scores with high accuracy. Identification information and structural characteristics of the building taken from the field were used as input. The calculated performance scores were used as output. The XGBoost model was compared in terms of accuracy and error metrics and their performances were evaluated. The results show that international rapid assessment methods provide effective results when supported with field data and when integrated with machine learning models, building performances can be predicted with high accuracy. This approach aims to provide fast and reliable information to decision makers, especially in pre- and post-disaster risk management and response planning processes.

Anahtar Kelimeler

• Rapid assessment methods
• India rapid visual screening
• Canada seismic screening
• machine learning methods
• seismic performance prediction

Kaynakça

1. AFAD. Kahramanmaraş Depremleri Değerlendirme Raporu. T.C. İçişleri Bakanlığı Afet ve Acil Durum Yönetimi Başkanlığı. 2023.
2. AFAD. Elazığ Depremi Teknik Değerlendirme Raporu. T.C. İçişleri Bakanlığı. Ankara. 2020.
3. National Disaster Management Authority India. Seismic Vulnerability Assessment of Buildings using Rapid Visual Screening (RVS). Government of India. New Delhi. 2010.
4. Rainer J.H., Allen D.E., Jablonski A.M. Manual for Screening of Buildings for Seismic Investigation. 1993
5. Arya A.S., Boen T., Ishiyama Y. Guidelines for Earthquake Resistant Non-Engineered Construction. UNESCO. Paris. 2006.
6. Yakut A. Preliminary seismic performance assessment procedure for existing RC buildings. Engineering Structures. 26(10). 1447–1461. 2004.
7. Gulkan P., Langenbach R. The earthquake resistance of traditional timber and masonry dwellings in Turkey. 13th World Conference on Earthquake Engineering. Vancouver. 2004.
8. Akkar S., Sandıkkaya M.A., Ay B.O. A ground-motion predictive model for Turkey. Bulletin of Earthquake Engineering. 12(1). 517–547. 2014.

9. Salehi H., Burgueño R. Emerging artificial intelligence methods in structural engineering. Engineering Structures. 171. 170–189. 2018.
10. Çevik A., Kurtoğlu A.E., Bilgehan M., Gülşan M.E., Albegmprli H.M. Support vector machines in structural engineering: a review. Journal of Civil Engineering and Management. 21(3). 261–281. 2015.
11. A. Baghbani, T. Choudhury, S. Costa, and J. Reiner, “Application of artificial intelligence in geotechnical engineering: A state-of-the-art review,” Earth-Science Rev., vol. 228, p. 103991, 2022.
12. F. Khademi, S. M. Jamal, N. Deshpande, and S. Londhe, “Predicting strength of recycled aggregate concrete using artificial neural network, adaptive neuro-fuzzy inference system and multiple linear regression,” Int. J. Sustain. built Environ., vol. 5, no. 2, pp. 355–369, 2016.
13. Imam M.H., Mohiuddin M., Shuman N.M., Oyshi T.I., Debnath B., Liham M.I.M.H. Prediction of seismic performance of steel frame structures: A machine learning approach. Structures. 69. 107547. 2024.
14. Zhang H., Cheng X., Li Y., He D., Du X. Rapid seismic damage state assessment of RC frames using machine learning methods. Journal of Building Engineering. 65. 105797. 2023.
15. Xinzhe Y., Liujun L., Haibin Z., Yanping Z., Genda C., Cihan D. Machine learning-based seismic damage assessment of residential buildings considering multiple earthquake and structure uncertainties. Natural Hazards Review. 24(3). 04023024. 2023.
16. Z. Cahya, D. Cahya, T. Nugroho, A. Zuhri, and W. Agusta, “CNN Model with Parameter Optimisation for Fine-Grained Banana Ripening Stage Classification,” ACM Int. Conf. Proceeding Ser., vol. 13, pp. 90–94, 2022, doi: 10.1145/3575882.3575900.