Çubuk bütünlük testinin ham verilerini kullanarak kazık ucunu tespit etmek için tekrarlayan sinir ağı uzun kısa süreli bellek modeli

Gizli temeller için daha akıllı kontroller

Birçok bina ve köprü, kazık adı verilen uzun yeraltı beton sütunları üzerine oturur. Bu kazıklar gömülü olduğundan mühendisler onları doğru yapılmış mı veya ne kadar derine iniyorlar mı diye doğrudan göremezler. Bu çalışma, yapay zeka modelinin basit bir çekiç testiyle elde edilen ince titreşim sinyallerini okuyup otomatik olarak kazığın ucunu — zeminde sonlandığı noktayı — belirleyebileceğini gösteriyor; böylece bu gizli kontroller daha hızlı, daha güvenilir ve bireysel ekspertiz yargısına daha az bağımlı hale geliyor.

Mühendisler gömülü sütunları nasıl dinliyor

Bir kazığı kazmadan incelemek için mühendisler düşük deformasyonlu bütünlük testi kullanır. Bir işçi küçük bir çekiçle kazığın üstüne vurur ve bir sensör kazığın nasıl titreştiğini kaydeder. Darbe, kazık boyunca bir gerilme dalgası gönderir; dalga bir değişiklikle — örneğin kazık ucu veya bir kusurla — karşılaştığında geri yansır. Taşınabilir bir cihaz bu titreşimleri zaman veya derinlik ile değişimi gösteren bir iz olan reflektograma dönüştürür. Deneyimli mühendisler bu izi, saha bilgilerini ve ASTM D5882 ile Eurocode tabanlı kurallar gibi standartları birlikte inceleyerek kazığın sağlam olup olmadığına ve ucunun nerede olduğuna karar verirler. Ancak bu yorum sübjektif, zaman alıcı ve gürültü ile zemin koşullarına duyarlı olabilir.

Derin öğrenmeyi neden işe katmalı

Son yıllarda araştırmacılar, klasik sinir ağlarından görüntü tabanlı yöntemlere ve sinyal sınıflandırıcılarına kadar pek çok yapay zeka yaklaşımını kazık test verilerini anlamlandırmak için denediler. Bu yaklaşımlar genellikle kaydedilen sinyallerden manuel özellik çıkarımı yapmayı veya bunları görüntülere dönüştürmeyi gerektirir ve dalgaların kazık boyunca zaman içinde nasıl evrildiğini yakalamakta zorlanabilirler. Bu makalenin yazarları ise zaman dizileri için özel olarak tasarlanmış modellere odaklanıyor: uzun kısa süreli belleğe sahip tekrarlayan sinir ağları (RNN‑LSTM). Bu ağlar bir zaman serisinde önce olanları “hatırlamak” üzere kuruludur ve çekiç kaynaklı bir dalganın kazık içinde seyretmesini, yansıyıp sönmesini takip etmek için uygun bir yapı sunar.

Ham çekiç darbelerini temiz verilere dönüştürmek

Ekip, tabakalı zeminlerde 12 ila 30 metre uzunluğunda fore kazıkların bulunduğu Mısır inşaat projelerinden 500 düşük deformasyon test kaydından oluşan bir veri tabanı derledi. Her kazık için zamana karşı ham ivme ölçümleri ve insan tarafından çizilip yorumlanmış karşılık gelen bir reflektogram vardı. Bu grafikler dikkatle dijital hale getirildi, bilinen dalga hızları kullanılarak derinlik zamana dönüştürüldü ve farklı kazıklardan gelen sinyallerin karşılaştırılabilmesi için dikey ölçek normalize edildi. Ham sensör tarafında yüksek frekanslı gürültü yumuşatıldı, sinyaller sağlam istatistiksel bir ölçek kullanılarak standartlaştırıldı ve sinir ağının farklı uzunluklardaki dizilerle desenleri bozmadan başa çıkabilmesi için akıllı doldurma (padding) ve küçük rastgele varyasyonlar uygulandı.

Sinir ağını tasarlamak ve test etmek

Birkaç ağ düzeni denendi; modelin kaç katman ve sanal “nöron” kullandığı değiştirildi. Araştırmacılar güçlü bir tahmin doğruluğu ile hesaplama maliyetinde patlama veya eğitim verisini ezberleme eğilimi arasında bir denge aradılar. Altı katmanlı ve her katmanda 32 ünitelik bir LSTM modelinin bu uzlaşmayı sağladığını buldular. Modelin sinyalin önemli kısımlarını takip etmesine yardımcı olmak için katmanlar arasında kısa yollar ve ağın belirli zaman aralıklarına odaklanmasını sağlayan bir dikkat (attention) mekanizması eklediler. 400 kazık üzerinde eğitilen ve görülmemiş 100 vaka üzerinde doğrulanan nihai model, insan tarafından üretilmiş hız izlerini yüksek istatistiksel doğrulukla yeniden üretti ve tahmin edilen ile dijitalize edilmiş sinyaller arasında güçlü bir uyum gösterdi.

Sayıları pratik kazık kararlarına çevirmek

İstatistiklerin ötesinde, asıl pratik soru modelin kazık ucunu doğru işaretleyip işaretleyemeyeceğidir. Araştırmacılar her tahmin edilen reflektogramı görsel olarak inceledi ve uç konumunu dijitalize edilmiş referansla karşılaştırdı. Eşleşme yüzde 5 içinde ise “İyi”, yüzde 10’a kadar “Orta”, bunun ötesindeyse “Kötü” olarak değerlendirildi. Eğitim setinde yaklaşık olarak kazıkların yüzde 90’ı “İyi” ve yalnızca yüzde 4’ü “Kötü” olarak sınıflandı. Doğrulama setinde ise yüzde 84 “İyi” ve yüzde 6 “Kötü” çıktı. Bu sonuçlar, yapay zeka sisteminin, eğitildiği kazık boyutları, beton dayanımları ve test tipleri kapsamı içinde, günlük test uygulamalarında uzman yorumunu yeterince iyi taklit edebileceğini düşündürüyor.

Daha güvenli yapılar için anlamı

Basitçe ifade etmek gerekirse, çalışma iyi tasarlanmış bir derin öğrenme modelinin kazığa yapılan çekiç darbesinden elde edilen ham titreşim kaydını alıp bir uzmanın kazık ucunu bulmak için kullanacağı aynı tür eğriyi otomatik olarak çizebileceğini gösteriyor. Bu, manuel adım sayısını ve insan hatası payını azaltırken nihai kalite yargısını tanıdık grafiklere dayandırarak şeffaf tutuyor. Şimdilik model yalnızca belirli bir sensör türüne ve çalışmadaki kazıklara benzer kazıklara uygulanabiliyor, fakat rutin gizli temel kontrollerinin yoğun inşaat sahalarında daha hızlı, daha tutarlı ve daha kolay uygulanır hâle geleceği bir geleceğe işaret ediyor.

Atıf: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Anahtar kelimeler: kazık bütünlük testi, derin öğrenme, tekrarlayan sinir ağı, tahribatsız muayene, inşaat mühendisliği