Otonom Perceptron Model APM tabanlı kuantum esintili sınıflandırma başlığına sahip hibrit LSTM-RNN ile hızlı deprem hasar değerlendirmesi

Neden hızlı deprem kontrolleri önemli

Güçlü bir depremin hemen ardından en acil soru basittir: hangi binalar güvenli, hangileri değil? Bugün buna cevap vermek hâlâ zaman, uzman ve sıklıkla yerinde denetimler gerektiriyor. Bu makale, sarsılma sırasında binaların hareket örüntülerini kullanarak muhtemel hasarı hızla tahmin etmeye yönelik veri odaklı bir yaklaşım sunuyor. Amaç, acil durum ekiplerinin denetçilerden nereye göndereceklerine, kurtarma operasyonlarını nasıl yönlendireceklerine ve hangi yapıların önce ilgilenilmesi gerektiğine hızlıca karar vermesine yardımcı olmak.

Sarsılma sinyallerinden bina sağlığına

Yavaş, elle yapılan anketlere dayanmak yerine yazarlar, bir binanın deprem sırasındaki davranışının dört temel belirtisini okuyan bilgisayar modelleri kullanıyor: ne kadar sallandığı (yer değiştirme), ne kadar hızlı hareket ettiği (hız), ne kadar ani hızlandığı veya yavaşladığı (ivme) ve hasarı özetleyen genel bir puan olan hasar indeksi. Bu sinyaller, yaklaşık dört onda bir saniyelik kısa zaman pencereleri — bir yapının nasıl hareket ettiğine dair anlık görüntüler — olarak düzenleniyor. Sistem, binlerce böyle pencereden tipik hareket örüntülerinin sonraki hasarla nasıl ilişkili olduğunu öğrenerek, yapının yanıtının bir sonraki adımını öngörebiliyor ve yapının muhtemelen sağlam, onarılabilir veya ciddi şekilde etkilenmiş olup olmadığını değerlendirebiliyor.

Tek bir boru hattı, birçok karar

Bu çalışmadaki ana fikirlerden biri, birkaç ilişkili görevi tek, tutarlı bir boru hattında birleştirmek. Paylaşılan bir sıra işleme çekirdeği kullanarak sistem aynı anda dört işi yapıyor: yer değiştirme, hız, ivme ve hasar indeksinin sonraki değerlerini tahmin ediyor; binanın hasarlı olup olmadığına karar veriyor; hasarlı vakalara aciliyetini yansıtan sayısal bir ağırlık atıyor; ve hasarın önemsiz olduğu durumlarda hangi girdi özelliklerinin eğilimli olduğunu analiz ediyor. Bu görevleri birleştirerek, aynı gelen hareket kaydı anında bina düzeyindeki kararlara ve ardından onarımları planlayan ile temel hizmetleri eski haline getiren kent ölçekli planlama modellerine besleme sağlayabiliyor.

Akıllı sıra modelinin çalışma biçimi

Boru hattının merkezinde, İleri-geri bellek birimleri (Long Short-Term Memory) ile daha basit tekrarlayan birimleri birleştiren hibrit bir ağ bulunuyor. Her ikisi de dizileri işlemek, yakın geçmişi hatırlamak ve zaman içinde ana örüntülere odaklanmak üzere tasarlanmış. Yazarlar bu hibrit tasarımı yalnızca daha derin bir LSTM katman yığınıyla karşılaştırıyor. Donatılmış beton bir sistem için yüksek doğruluklu simüle edilmiş deprem yanıtlarında eğitilen hibrit model tutarlı şekilde daha doğru tahminler veriyor. Özellikle hasar indeksini iyi izliyor, tipik hataları birkaç kat azaltıyor ve simüle edilmiş hasar sinyalindeki varyasyonun neredeyse tamamını açıklıyor. Bu, modelin sarsılma sırasında hasarın nasıl biriktiğini yakından takip edebileceği anlamına geliyor; bu da güvenilir hızlı değerlendirme için kritik bir adım.

Hasar etiketleri için kuantum esintili bir dokunuş

Standart sinir ağı çıktılarının ötesinde yazarlar, Otonom Perceptron Model adını verdikleri sıra dışı bir “kuantum esintili” sınıflandırma başlığını test ediyor. Geniş bir sıradan ağırlık katmanı kullanmak yerine bu modül bilgiyi küçük iki bileşenli vektörlere sıkıştırıyor ve onları kuantum fiziğinden esinlenen girişim etkilerini taklit eden küçük operatörlerden geçiriyor. Bu kompakt tasarımın hâlâ hasar düzeylerini ayırt edip edemeyeceğini sınamak için ekip, kontrollü patlama benzeri yüklemelere maruz bırakılmış binalardan oluşan ayrı bir veri seti üretiyor. Bu testte kuantum esintili sınıflandırıcı, yapıları dört hasar kategorisine ayırmada yüksek doğruluk sağlıyor; bu da veri ve hesaplama gücü sınırlı olduğunda operatör tabanlı, daha ince bileşenlerin aynı boru hattına entegre edilebileceğini gösteriyor.

Model çıktılarını gerçek dünyaya dönüştürmek

Nihai adım sonuçları saha çalışanları için kullanılabilir kılmak. Yeni bir hareket kaydı geldiğinde paylaşılan çekirdek onu bir kez işler, ardından anında yapının nasıl hareket edeceğine dair tahminleri, bir hasar etiketini, hasarlı vakalar için bir öncelik puanını ve düşük hasarla ilişkili koşullara dair ipuçlarını üretir. Bu çıktılar birlikte iki aşamalı bir triyajı destekler: önce muhtemelen hasarlı olanlar ile muhtemelen sağlam olanları ayırmak; sonra hasarlı olanlar arasında, başarısızlığı en önemli olanlar için alarmı yükseltmek. Mevcut çalışma gerçek sensör verilerinden ziyade simülasyonlara dayandığı için yazarlar, uygulamaya almadan önce enstrümanlı binalarda ek testlerin gerekli olacağını vurguluyor. Buna rağmen, dikkatle tasarlanmış sıra modellerinin ve veri sızıntısını önlemek için sıkı kontrollerin, hızlı veri odaklı deprem hasar kontrolleri ve daha akıllı iyileşme planlaması için pratik bir temel oluşturabileceğini gösteriyor.

Atıf: Alotaibi, A., Alharbi, S. & Elshewey, A.M. Rapid earthquake damage assessment via hybrid LSTM-RNN with a quantum-inspired classification head based on Autonomous Perceptron Model APM. Sci Rep 16, 9686 (2026). https://doi.org/10.1038/s41598-026-38982-x

Anahtar kelimeler: deprem hasar değerlendirmesi, yapısal sağlık izleme, derin öğrenme, tekrarlayan sinir ağları, afet dayanıklılığı