Sabit yük deneyi verilerinden kazıklı hafif çakım kazıkların taşıma kapasitesini tahmin etmek için Pareto-optimize edilmiş yığılmış toplu makine öğrenmesi çerçevesi

Neden sağlam temeller önemlidir

Her bina, köprü ya da rüzgâr türbini nihayetinde altındakilere dayanır. Yüzeyin altında gizlenen, uzun beton kolonlar olan kazıklar yapının yükünü sağlam zemin veya kayanın derinliklerine aktarır. Mühendisler bu kazıkların güvenli taşıma kapasetini olduğundan az tahmin ederse oturmalar, çatlaklar veya hatta hasar ortaya çıkabilir. Fazla tahmin edilirse projeler gereksiz yere maliyetli hale gelir. Bu çalışma, modern makine öğrenmesinin rutin saha testlerini kazık dayanımına ilişkin çok daha doğru tahminlere dönüştürerek inşaatı hem daha güvenli hem de daha ekonomik hâle nasıl getirebileceğini araştırıyor.

Basit kurallardan veri odaklı içgörüye

Geleneksel olarak mühendisler, çakılmış kazıkların taşıma kapasitesini tahmin etmek için formüllere, küçük ölçekli deneylere ve sayısal simülasyonlara güvenirler. Bu yöntemler makul şekilde çalışır, ancak tabakalı zeminler, yeraltı suyu ve montaj etkileri gibi karmaşık gerçekliklerle başa çıkmakta zorlanır. Sabit yük deneyi olarak bilinen bir saha testi altın standart olarak kabul edilir: bir kazık adım adım yüklenir ve oturması ölçülür. Ancak bu yöntem yavaş, maliyetli ve birçok noktada tekrarlanması zordur. Aynı zamanda geoteknik uygulamalarda standart penetrasyon deneyi (SPT) ile elde edilen çekiç darbeleri gibi basit veriler rutin olarak toplanır; bunlar derinlikle birlikte zeminin direncinin kaba bir göstergesini verir. Bu makalenin temel fikri, yaygın olarak bulunan SPT sonuçlarını, kazık geometrisini ve saha bilgilerini makine öğrenmesi ile yüksek kaliteli yük deneyi sonuçlarına doğrudan bağlamaktır.

Daha akıllı bir tahmin motoru inşa etmek

Yazarlar, değişken ancak sistematik olarak belgelendirilmiş zemin koşullarına sahip bir Vietnam eyaletinde çakılmış donatılı beton kazıklar üzerinde yapılmış 472 sabit yük deneyinin bir veritabanını derlediler. Her bir test için kazık çapı, birkaç zemin tabakasının kalınlığı, zemin ve kazık kotları, kazık ucunun derinliği ve kazık gövdesi boyunca ile uçta ortalama SPT çekiç darbe sayıları kaydedildi. Bu girdiler hem kazığın boyutunu hem de çevreleyen zeminin dayanımını yakalar; bunların birlikte kazığın taşıyabileceği yükü belirlediği kabul edilir. Amaç, bu girdiler verildiğinde yeni bir saha için tam ölçekli bir yük deneyine gerek kalmadan kazığın aksiyel taşıma kapasitesini güvenilir şekilde tahmin eden bir model eğitmekti.

Birden çok zekâyı birleştirmek

Çalışmada tek bir algoritmaya güvenmek yerine "yığılmış" bir toplu yöntem kullanıldı: rastgele orman (random forest), k-en yakın komşu (k-NN) ve eXtreme Gradient Boosting (XGBoost) olmak üzere üç farklı makine öğrenmesi modeli paralel olarak eğitildi ve tahminleri ikinci seviye bir model tarafından birleştirildi. Bu meta-model, Pareto optimizasyonu olarak bilinen evrimsel stratejilerden esinlenmiş çok amaçlı bir arama ile ayarlandı. Optimizasyon, görünmemiş verilerde doğruluğu maksimize ederken aşırı uyumdan kaçınmak gibi rekabet eden hedefler arasında denge kuruyor. Tekrar edilen testler ve beş katlı çapraz doğrulama sayesinde en iyi kombinasyon, test setinde yaklaşık 0,95’e yakın determinasyon katsayısı (tahminlerin gerçeğe ne kadar uyduğunu ölçen bir gösterge) elde etti ve tek bir modelin performansına kıyasla hatayı önemli ölçüde azalttı.

Siyah kutunun içini görmek

Sistemin pratikte kullanılabilir olması için mühendislerin tahminleri neyin yönlendirdiğini anlaması gerekir. Bu nedenle yazarlar SHAP (Shapley Additive ExPlanations), duyarlılık analizi ve basit parametre taramaları gibi modern yorumlanabilirlik araçlarını kullandılar. Bu yöntemler, kazık çapının en etkili tek faktör olduğunu; çap değişikliklerinin tahmin edilen kapasiteyi güçlü şekilde kaydırdığını gösterdi. Zemin özellikleri de önemli rol oynuyor: kazık gövdesi boyunca ve uçtaki ortalama SPT sayıları, hem yan sürtünme hem de uç taşıması açısından ana katkı sağlayıcılar olarak öne çıkıyor. Üst zemin tabakalarının kalınlığı da önem taşıyor; buna karşın bazı kotla ilgili değişkenlerin etkisi daha sınırlı. Model girdileri fiziksel olarak anlamlı biçimlerde değiştirildiğinde —örneğin kazık çapının arttırılması veya ucu daha yoğun zemine yerleştirme gibi— tahmin edilen kapasiteler temel geoteknik ilkeleriyle uyumlu şekilde tepki veriyor; bu da modelin anlamsız değil, mantıklı desenler öğrendiğini düşündürüyor.

Bu, gerçek dünya projelerine nasıl yardımcı olur

Birkaç makine öğrenmesi yaklaşımını dikkatle harmanlayıp bunları çok amaçlı hedeflere göre optimize ederek bu çalışma, hem doğru hem de yorumlanabilir bir tahmin aracı sunuyor. Çalışmadaki jeoloji ve test uygulamalarıyla benzer sahalarda mühendisler, standart SPT verileri ve tasarım parametrelerini kullanarak kazık kapasitesi için güvenilir tahminler elde edebilir, pahalı yük deneylerini azaltabilir ve emniyet paylarını daha iyi hedefleyebilirler. Yazarlar verilerinin tek bir bölgeden geldiği ve uzun dönemli zaman etkileriyle bazı montaj detaylarının tam olarak yakalanmadığı konusunda uyarıyor; bu yüzden yerel kalibrasyon ve mühendislik takdiri hâlâ elzem. Buna rağmen, çerçevenin şeffaf şekilde analiz edildiğinde veri odaklı modellerin temel tasarımda gizemli siyah kutular yerine pratik ortaklar olabileceğini gösteriyor.

Atıf: Abdellatief, M., ElNemr, A. & Altahrany, A. Pareto-optimized stacked ensemble machine learning framework for predicting bearing capacity of driven piles from static load test data. Sci Rep 16, 11360 (2026). https://doi.org/10.1038/s41598-026-43660-z

Anahtar kelimeler: kazık temeli, taşıma kapasitesi, geoteknik mühendisliği, makine öğrenmesi, sabit yük deneyi