Salgın nedeniyle sıvılaşma kaynaklı yüzeysel temel oturmasının dengesiz verilerle makine öğrenmesi kullanılarak tahmini

Günlük Yapılar İçin Sarsılan Zeminin Neden Önemli Olduğu

Güçlü bir deprem meydana geldiğinde, sağlam görünen zemin kısa süreliğine sıvı gibi davranarak binaların batmasına, eğilmesine veya çatlamasına yol açabilir. Bu olgu, sıvılaşma olarak adlandırılır ve Türkiye’den Japonya’ya birçok yakın tarihli depremde konutlar ile altyapıya zarar vermiştir. Mühendisler, birkaç on santimetrelik düzensiz oturmanın bile bir binayı güvensiz veya kullanılamaz hale getirebileceğini bilir. Yine de sınırlı saha verilerine dayanarak belirli bir binanın ne kadar oturacağını tahmin etmek zordur. Bu çalışma, modern makine öğrenmesi araçlarının gerçek depremlerden gelen dağınık vaka geçmişlerini sıvılaşma kaynaklı hasarı öngörmeye ve daha güvenli tasarımlar, sigorta kararları ile afet sonrası denetimlere rehberlik etmeye yarayacak pratik bir araca nasıl dönüştürebileceğini araştırıyor.

Dağınık Vaka Raporlarından Küresel Bir Deprem Veri Setine

Araştırmacılar, geçmiş depremlerde sıvılaşma kaynaklı zemin hasarı yaşamış 206 binadan oluşan dünya çapında bir veri tabanı oluşturarak işe başladılar. Her vaka için uygulamada sıklıkla bulunan basit bilgileri topladılar: saha düzeyindeki sarsıntı şiddeti, binanın toplam yüksekliği ve genişliği, binanın temel üzerine uyguladığı basınç ve özellikle yüzeyin altında ilk sıvılaşabilir tabakanın derinliği ve kalınlığı gibi temel zemin özellikleri. Kesin bir santimetre cinsinden oturma hesaplamaya çalışmak yerine, sonuçları görünür oturmanın olmadığı durumdan yaygın batma ve eğilmeye kadar dört hasar seviyesine ayırdılar. Bu "zemin hasar indeksi" gerçek dünya ölçümlerindeki karmaşıklığı makine öğrenmesi modellerini eğitmek ve test etmek için kullanılabilecek açık kategorilere dönüştürüyor.

Düzensiz Veride Tehlikeli Desenleri Bilgisayarlara Öğretmek

Gerçek deprem kayıtları düzenli olmaktan uzaktır: bazı hasar türleri yaygınken diğerleri nadirdir ve giriş değişkenleri aykırı değerler ile gürültü içerebilir. Bu veri setinde ciddi hasar vakaları orta şiddetteki vakalardan çok daha sık görülmüş, bu da birçok algoritmayı nadir sınıfı göz ardı etmeye yönlendirebilecek güçlü bir dengesizlik yaratmıştır. Bununla başa çıkmak için yazarlar birkaç stratejiyi sistematik olarak birleştirdiler. Veriyi aykırı değer filtreleme yöntemleriyle temizlediler, ardından dengesizlikle başa çıkmak için iki tamamlayıcı yaklaşımı araştırdılar: azınlık sınıfların örneklerini yapay olarak çoğaltma (rastgele oversampling) ve algoritmalara nadir sınıflarda yapılan hataları daha maliyetliymiş gibi işleme (maliyet-duyarlı öğrenme). Aşırı iyimser sonuçlardan kaçınmak için tüm bu adımlar, test verilerinin model eğitimi, ayarlama ve yeniden örnekleme sırasında tamamen görünmediği katı bir "sızıntısız" iş akışına sarıldı.

Hangi Faktörler ve Modeller Oturma Riskini En İyi Yakalar?

Bir dizi yaygın kullanılan model test edildi; bunlar arasında rastgele ormanlar, gradyan güçlendirme yöntemleri, bir yapay sinir ağı ve birden çok modelin tahminlerini ortalayan bir topluluk modeli vardı. Genel doğruluk nadir ama önemli hasar seviyelerindeki kötü performansı gizleyebileceğinden ekip, gerçekten ciddi vakaların model tarafından ne kadarının doğru şekilde tespit edildiğini gösteren geri çağırma (recall) metriğini vurguladı. Gradyan Güçlendirme ve ağaç tabanlı modellerin bir topluluğu, özellikle rastgele oversampling, dikkatli aykırı değer işlemi ve ince ayarlı karar eşiklerinin bir arada kullanılmasıyla en güvenilir seçenekler olarak öne çıktı. Modellerin "neye baktığını" anlamak için yazarlar, her tahmini bireysel özelliklerin katkılarına ayıran SHAP adlı aracı kullandılar. Bu analiz, ilk sıvılaşabilir tabakanın derinliğinin en etkili tek faktör olduğunu, bunu sarsıntı şiddeti ve bina genişliği gibi temel temel geometrisinin izlediğini gösterdi. Basitçe söylemek gerekirse, dar temellerin altında yüzeye yakın ve kolay sıvılaşabilen tabakalar en ciddi hasarla tutarlı bir şekilde ilişkilendirildi.

Yaklaşımın Gerçek Deprem Vaka İncelemelerinde Test Edilmesi

Yöntemlerinin eğitim örnekleminin dışında da işe yarayıp yaramadığını kontrol etmek için araştırmacılar son modelleri 1989 Loma Prieta (Kaliforniya), 1999 Kocaeli (Türkiye), 2016 Kumamoto (Japonya) ve 2023 Kahramanmaraş (Türkiye) depremlerinden dört ayrıntılı vaka incelemesine uyguladılar. Bu örneklerde tek girdiler sarsıntı şiddeti, bina boyutları ve yükleri ile saha testlerinden elde edilen sıvılaşabilir tabakaların derinlik ve kalınlığına dair basit tahminlerdi. Modeller genel olarak gözlemlenen oturma şiddetiyle uyum gösterdi ve hem hafif hem de yaygın hasar seviyelerini doğru şekilde belirledi. Bir vakada model, bildirilenin üzerinde bir hasar sınıfı tahmin ederek kasıtlı şekilde güvenli tarafta hata yaptı. Yazarlar, deprem dayanıklılığı gibi yüksek riskli durumlarda bu tür muhafazakar tahminlerin ciddi hasarlı binaları kaçırmaktan daha iyi olduğunu savunuyorlar.

Yumuşak Zeminde Daha Güvenli Kentler İçin Veri Odaklı Bir Yardımcı

Bu çalışma, ayrıntılı zemin test sonuçları mevcut olduğunda hâlâ gerekli olan geleneksel fizik tabanlı oturma formüllerinin yerini almaz. Bunun yerine tamamlayıcı bir araç sunar: rutin olarak toplanan küçük bir parametre seti kullanarak binaları geniş risk kategorilerine ayırmaya yönelik şeffaf, veri odaklı bir yöntem. Dengesiz verilerle dikkatli başa çıkma, değerlendirmedeki gizli önyargalardan kaçınma ve hangi zemin ile bina özelliklerinin en çok önem taşıdığını açığa çıkarma sayesinde önerilen makine öğrenmesi çerçevesi mühendisler, planlamacılar ve sigortacılara pratik bir erken uyarı aracı sağlar. Suya doygun yumuşak zemin üzerine kurulu bölgelerde, bir sonraki büyük depremde hangi binaların tehlikeli şekilde batma ve eğilme olasılığının en yüksek olduğunu önceliklendirmeye yardımcı olabilir.

Atıf: Sargin, S., Korkmaz, G., Yildirim, A.K. et al. Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data. Sci Rep 16, 11198 (2026). https://doi.org/10.1038/s41598-026-41969-3

Anahtar kelimeler: zemin sıvılaşması, deprem mühendisliği, makine öğrenmesi, bina oturması, seismik risk