Gauss ile zenginleştirilmiş optimize edilmiş aşırı gradyan artırma modelleri kullanarak kaya-soketli kazıkların uç taşıma kapasitesi tahmininin iyileştirilmesi

Tahmin Yerine Kaya Üzerine İnşa Etmek

Mühendisler köprüler ve gökdelenler tasarladığında sıklıkla sağlam kaya içine uzanan derin temellere dayanır. Bu “kaya‑soketli kazıkların” dayanımı güvenlik ve maliyet açısından kritik olup, uçtaki gerçek kapasitenin doğrudan ölçülmesi zordur. Bu çalışma, modern makine öğrenimi araçlarının akıllı veri üretme teknikleriyle birleştiğinde mühendislerin bu derin temellerin güvenle taşıyabileceği yükü çok daha hassas tahmin edebileceğini gösteriyor—bu da yapıları güvenli tutarken inşaat maliyetlerinde tasarruf sağlama potansiyeli taşıyor.

Derin Temelleri Değerlendirmeyi Zorlaştıran Nedenler

Kaya‑soketli kazıklar zayıf zemin içinden delinmiş ve daha sağlam kayaç içinde ankrajlanmış büyük beton kolonlardır. Teoride, kaya ne kadar sert ve yapım ne kadar iyi olursa bir kazık uçta o kadar fazla ağırlık taşıyabilir. Pratikte işler karışıktır: deliğin tabanında çamur ve şlam birikebilir, soketin pürüzlülüğü ve şekli değişkenlik gösterir ve kaya içindeki gizli boşluklar veya çatlaklar görmekte zordur. Bu belirsizlikler nedeniyle tasarımcılar genellikle uçtan az veya hiç destek varsayarak temkinli davranır; bu da gereğinden uzun ve daha pahalı temellere yol açar.

Basit Formüllerden Daha Akıllı Tahminlere

Kazık kapasitesini tahmin etmek için geçmiş yöntemler basitleştirilmiş denklemlere veya geleneksel bilgisayar modellerine dayanıyordu. Bunlar genellikle birkaç özelliğe—örneğin kayanın basınç dayanımına—odaklanır ve kaya kütlesini idealize edilmiş biçimde ele alır. Son yıllarda araştırmacılar, kazıkların davranışı iyi anlaşılana dek itildiği yük denemeleri veritabanlarından doğrudan öğrenen yapay zeka tekniklerini kullanmaya başladı. Bu yaklaşımlar çap, zemin ve kaya derinlikleri ile kaya kalitesi ölçümleri gibi çok sayıda girdiyi aynı anda işleyebilir, ancak veri sınırlı olduğunda aşırı öğrenmeye yatkın “kara kutu” modeller olabilirler.

Algoritmayı Gerçek ve Sentetik Verilerle Beslemek

Yazarlar, uç taşıma faktörünü (uçun taşıyabileceği yükün bir ölçüsü) ve sekiz tanımlayıcı özelliği kaydeden yayımlanmış 151 kaya‑soketli kazık denemesi seti üzerine çalıştı. Aykırı değerleri ve boşlukları çıkarmak için verileri dikkatle temizledikten sonra 136 gerçek kazığı sakladılar. Geoteknik mühendisliğinde yaygın bir sorun olan küçük örnek boyutunu aşmak için mevcut kayıtlara hafif, rastgele Gauss gürültüsü ekleyerek ek “sentetik” veriler ürettiler. Bu, orijinal desenleri korurken makine öğrenimi modellerinin eğitimi için daha fazla çeşitlilik sağlayan toplam 460 kazıktan oluşan daha geniş, istatistiksel olarak tutarlı bir set oluşturdu.

Öğrenen Makinelerin Eğitimi ve Ayarlanması

Çalışma, birçok basit karar ağacını güçlü bir tahmin ediciye birleştiren Extreme Gradient Boosting (XGBoost) adlı algoritmaya odaklandı. XGBoost’tan en iyi performansı elde etmek için aritmetik kurallar, beyin fırtınası davranışı ve balina avcılığı stratejilerine dayanan üç doğadan ilham alan optimizasyon şemasıyla eşleştirildi. Bu optimizatörler otomatik olarak ağaç derinliği ve öğrenme hızı gibi ana ayarları ayarlayarak bilinen verilere uyumu aşırıya kaçmadan dengelemeyi buldular. Varyantlar arasında Aritmetik Optimizasyon Algoritması ile ayarlanmış XGBoost (XGBoost_AOA) en doğru ve en kararlı model olarak öne çıktı.

Modellerin Kaya ve Kazıklar Hakkında Öğrendikleri

Sadece orijinal 136 kazık kullanıldığında bile optimize edilmiş model önceki yöntemlerden daha iyi performans gösterdi. 460‑kazık genişletilmiş set üzerinde eğitildiğinde doğruluğu dramatik şekilde arttı: tahmin hataları öncekinin kesirlerine indi ve tahmin edilen ile gözlemlenen kapasiteler arasındaki uyum neredeyse ideal bir bire‑bir çizgiye yaklaştı. Analiz ayrıca hangi girdilerin en etkili olduğunu ortaya koydu. Kaya basınç dayanımı ve bir kaya kütlesi derecelendirmesi baskın öngörücülerdi; kazık çapı ve genel yük seviyesi de güçlü roller oynadı. İki farklı kaya kalitesi puanı gibi birbirine yakın ölçümler yüksek derecede gereksiz eşdeğerlik (redundancy) gösterdi; bu durum örtüşen bilgilerin dikkatle ele alınmadığında aşırı öğrenmeyi teşvik edebileceğini vurguladı.

Araştırma Kodundan Pratik Bir Araca

Sonuçları laboratuvar dışına kullanılabilir kılmak için yazarlar en iyi performans gösteren modellerini kullanımı kolay bir bilgisayar arayüzüne sardı. Mühendisler temel kazık ve kaya parametrelerini girip uç kapasitesi için anında bir tahmin alabilir ve modelin bağımsız olgu geçmişlerine karşı kontrol edildiğine dair kanıtları görebilir. Yaklaşım hâlâ temel verilerin kalite ve kapsamına bağlı olsa da makine öğrenimi, sentetik veri üretimi ve yorumlanabilirlik araçlarını birleştirmenin dağınık test sonuçlarını pratik bir tasarım yardımına dönüştürebileceğini gösteriyor—tahminleri azaltmaya, gereksiz tutuculuğu kırpmaya ve daha güvenli, daha ekonomik temeller tasarlamaya yardımcı olarak.

Atıf: Khatti, J., Fissha, Y. & Cheepurupalli, N. Improving end-bearing capacity prediction of rock-socketed shafts using Gaussian-augmented optimized extreme gradient boosting models. Sci Rep 16, 7664 (2026). https://doi.org/10.1038/s41598-026-38646-w

Anahtar kelimeler: kaya-soketli kazıklar, derin temeller, makine öğrenimi, veri çoğaltma, geoteknik mühendisliği