Deneysel veri tabanını kullanarak korozyona uğramış donatılı beton kolonlar için omurga eğrisinin topluluk öğrenmesi tabanlı tahmini

Neden yaşlanan beton kolonlar önemli

Günlük kullandığımız köprü ve binaların çoğu, onlarca yıl boyunca sessizce paslanan donatılı beton kolonlar üzerinde durur. Buz çözücü tuzlar, deniz spreyi ve kirli hava, içte gizli çeliği yavaşça aşındırarak bu taşıyıcıları zayıflatabilir; oysa bu kolonlar depremlerde görev alabilir. Bu makale, büyük miktarda deney verisini ve modern makine öğrenmesini kullanarak hasar görmüş kolonların kuvvetli sarsıntı sırasındaki davranışını tahmin etmenin yeni bir yolunu sunuyor; mühendislerin ne zaman onarım, güçlendirme ya da değiştirme yapacaklarına karar vermelerine yardımcı oluyor.

Pas gücü nasıl değiştirir

Bir beton kolonun içindeki çelik korozyona uğradığında, pas orijinal metale göre daha fazla hacim kaplar. Bu genleşme çevreleyen betonu önce ince iç çatlaklar, sonra görünür ayrılma ve dökülmeler halinde çatlatır. Aynı zamanda, çubuklar kesit kaybı, dayanım ve süneklik yitirir; betona tutunma zayıflar. Deprem benzeri ileri‑geri yükleme altında, sağlıklı kolonlar kuvvet‑yer değiştirme grafiğinde geniş, yuvarlak döngüler çizer; bu da yüksek enerji sönümlenmesini gösterir. Buna karşılık korozyona uğramış kolonlar daha dar, sıkışmış döngüler çizer ve ilk gevşemeden sonra gücü daha hızlı kaybeder; bu, kırılgan ve daha az hoşgörülü bir davranışa işaret eder ve yapıları göçmeye daha açık bırakabilir.

Dağınık deneylerden tek büyük resme

Dünya çapındaki araştırmacılar, farklı laboratuvarlarda çok çeşitli boyutlar, donatı düzenleri, malzemeler, korozyon seviyeleri ve yükleme koşulları kullanarak bireysel korozyona uğramış kolonları test ettiler. Bu çalışma, kolon geometrisi, çelik ve beton dayanımı, eksenel yük ve hem ana donatının hem de etriyelerin ölçülen korozyonunu kapsayan gerçekçi aralıkları içeren 200 örneği tek bir deneysel veri tabanında bir araya getiriyor. Her kolonun davranışını birkaç ideal noktayla basitleştirmek yerine yazarlar, yatay dayanımın nasıl büyüdüğünü, tepeye ulaştığını ve sonra azalırken izlediği düzgün zarf olan tam omurga eğrisini çıkarıyor. Ardından bu ölçülen eğrileri, önceden seçilmiş formüllerden ziyade doğrudan deneylerden öğrenen veri odaklı modeller için hedef olarak kullanıyorlar.

Makinelere hasarı okumayı öğretmek

Ekip, her kolonun omurga eğrisi boyunca ilk akma dayanımı, tepe dayanımı ve şiddetli hasardan sonraki kalan dayanım gibi kilit aşamaları tahmin etmek için birçok küçük karar ağacından oluşan topluluk öğrenme yöntemlerinin birkaçını eğitiyor. Veri tabanının bir kısmını eğitim için kullanıp geri kalanını test için ayırarak, modelleri bireysel örnekleri ezberlemeden genel kalıpları yakalayacak şekilde Bayesçi arama ile ayarlıyorlar. Test edilen tüm yaklaşımlar arasında, aşırı gradyan artırma (extreme gradient boosting) modeli en güvenilir çıkıyor; akma, tepe ve artık aşamalarında yüksek doğruluk sağlamakla kalmıyor, aynı zamanda daha basit, idealize modellerin sıkça kaçırdığı veya küçümsediği tepe sonrası dik yumuşamayı doğru şekilde çoğaltıyor.

Hangi ayrıntıların en çok etkilediğini görmek

Bir kara kutu tahmininin ötesine geçmek için yazarlar, oyun teorisinden ödünç alınan SHAP adlı bir tekniği uygulayarak her bir giriş değişkeninin tahmin edilen dayanımı ne kadar yukarı veya aşağı ittiğini ölçüyor. İlk akma ve tepe dayanımında kolonun kesme açıklığı ve toplam derinliği gibi temel şekil ve oranların ile çubukların azalmış dayanımının en önemli faktörler olduğunu buluyorlar. Hasar ilerledikçe, kırılma ve başarım moduyla ilişkili sıkıştırma özellikleri daha kritik hale geliyor; bu, çatlama, ezilme ve donatı burulmasının basit geometrinin yerini aldığı gerçeğini yansıtıyor. Bu tür içgörüler mühendislerin bir kolonun zayıflığının ağırlıklı olarak yüksek eksenel yükten, yetersiz detaylandırmadan mı yoksa şiddetli korozyondan mı kaynaklandığını görmesine olanak tanır ve daha hedefli güçlendirmeleri yönlendirir.

Günlük güvenlik için bunun anlamı

Uygulamada, çalışma, dikkatle eğitilmiş, şeffaf bir makine öğrenmesi modelinin ölçülebilir özellikler ve korozyon göstergelerini kullanarak korozyona uğramış bir beton kolonun tüm dayanım‑sapma yolunu güvenilir şekilde yeniden inşa edebileceğini gösteriyor. Eski, idealize omurga formülleriyle karşılaştırıldığında yeni yaklaşım, özellikle artık kapasitenin sıklıkla fazla tahmin edildiği şiddetli korozyon durumlarında, tepe sonrası dayanımın ne kadar hızlı düştüğünü daha iyi yakalıyor. Bu, köprü ve bina sahiplerine yaşlanan taşıyıcılarda ne kadar sismik rezerv kaldığına dair daha keskin bir tablo sunuyor ve bir sonraki büyük depremden önce onarımları önceliklendirmelerine yardımcı olarak dağınık laboratuvar testlerini gerçek dünya karar alma için güçlü bir araca dönüştürüyor.

Atıf: Sadeghi, M., Poorahad, P., Shiravand, M.R. et al. Ensemble learning-based prediction of the backbone curve for corroded reinforced concrete columns using experimental database. Sci Rep 16, 9367 (2026). https://doi.org/10.1038/s41598-026-40488-5

Anahtar kelimeler: donatılı beton korozyonu, sismik performans, inşaat mühendisliğinde makine öğrenmesi, omurga eğrisi tahmini, yaşlanan altyapı