L’Aquila 2009 vakası: Yapı hasar değerlendirmesi için birleşik makine öğrenimi - 3B fizik tabanlı yaklaşım

Depremle yaşayan insanlar için bunun önemi nedir

Şiddetli bir deprem sonrası en acil soru, hangi binaların yeniden girilebileceği ve hangilerinin yasaklı kalması gerektiğidir. Geleneksel olarak bu, yavaş yerinde yapılacak incelemeler gerektirir ve yerel arazi özellikleri ile kent dokusundaki tuhaflıkları gözden kaçırabilecek geniş çaplı sarsıntı haritalarına dayanır. Bu çalışma, İtalya’daki yıkıcı 2009 L’Aquila depremini inceleyerek, sarsıntıyı ileri düzey bilgisayar modelleriyle ve yapay zekâyla birleştirmenin en hasarlı binaları hızlıca işaretlemeye ve gelecekteki depremlere daha iyi hazırlanılmasına nasıl yardımcı olabileceğini gösterir.

İtalyan bir kentine daha yakından bakış

Yazarlar, ana sarsıntının güçlü, iyi kaydedilmiş ve kapsamlı biçimde incelenmiş olması ile kentin jeolojisinin istisnai ayrıntıda haritalanmış olması nedeniyle L’Aquila’yı gerçek dünya test vakası olarak kullanır. 6.1 büyüklüğündeki olay sonrası hasarı dikkatle incelenmiş yaklaşık 3.000 bina verisiyle çalışırlar. Her yapı için yalnızca ne kadar hasar gördüğü değil, nasıl inşa edildiği, ne kadar büyük olduğu, ne zaman yapıldığı ve fay ile yerel araziye göre nerede konumlandığı bilgileri de vardır. Bu zengin veri tabanı, bir binanın depremi hafif sıyrıkla atlatıp atlatmadığını veya çöküşün eşiğine itilip itilmeyeceğini gerçekten hangi faktörlerin kontrol ettiğini araştırmalarına olanak tanır.

Sarsıntı tahminlerini iyileştirmek için yeraltını simüle etmek

Standart deprem hasar araçları genellikle sınırlı sayıda yer sensörünü basitleştirilmiş formüllerle harmanlayan ShakeMap’lerden başlar. Ekip bunun yerine L’Aquila çevresindeki kabuk ve çökelti havzalarının yaklaşık 20 kilometre derinliğe kadar ve yatayda yaklaşık 60 kilometreyi kapsayan ayrıntılı üç boyutlu dijital modelini oluşturur. Yüksek performanslı hesaplama ve uzmanlaşmış bir kod kullanarak, sismik dalgaların faydan bu karmaşık yeraltı peyzajı boyunca nasıl yayıldığını simüle ederler. Ardından bu simülasyonları hem düşük hem yüksek frekanslı hareketleri kapsayacak şekilde genişleterek, binaların gerçekten bulunduğu binlerce noktada yerin ne kadar hızlı hareket ettiğine ve ne kadar şiddetle ivmelendiğine dair gerçekçi ölçümler üretirler.

Hasarı tanıması için dijital bir ormanı eğitmek

Yapı başına düşen bu sarsıntı tablosuyla araştırmacılar makine öğrenimi modelleri—özellikle rastgele ormanlar olarak bilinen karar ağacı toplulukları—eğiterek hasar seviyelerini tahmin ederler. Problemi daha yönetilebilir kılmak için, orijinal altı hasar derecesini “hafif ile orta-ağır” veya “hafif-orta ile ağır” gibi iki veya üç daha geniş sınıfa yeniden gruplayarak kullanırlar. Her model, yükseklik, taban alanı ve yapının yaşı gibi yapı ile ilgili özellikler ile faydan uzaklık ve yerel zemin özellikleri gibi saha ile ilgili özelliklerin bir karışımını ve simüle edilmiş sarsıntı ölçümlerini veya ShakeMap’lerden alınan değerleri görür. Bilinmeyen inşa yılları gibi eksik bilgileri dikkatli veri tamamlama stratejileriyle ele alırlar ve nadir ama önemli ağır hasarlı durumların göz ardı edilmemesi için dengesiz sınıf boyutlarını sentetik örneklerle dengelerler.

Modellerin risk hakkında ortaya koydukları

Analiz, hasarın en etkili öngörücülerinin ortalama yüzey alanı (bina veya blok), kaymanın çoğunun gerçekleştiği fay parçasından uzaklık, yerel zemin sertliği ve—özellikle—fizik tabanlı simülasyonlardan hesaplanan sarsıntı ölçümleri olduğunu gösterir. Buna karşılık, ShakeMap’lerden elde edilen benzer değerler üst değişkenler arasında neredeyse görünmez. Modeller simüle edilmiş sarsıntılara dayandığında, daha basit iki sınıflı problemlerde yaklaşık %80 doğruluğa ulaşır ve önceden görülmemiş ayrı bir test setinde sağlam performans sergiler. Bu, sismik dalgaların gerçek üç boyutlu yolunu yakalamanın, onları geniş bölgesel formüllerle düzleştirmek yerine, hafif hasarlı yapıları ciddi şekilde zarar görmüş olanlardan ayırt etme yeteneğimizi önemli ölçüde keskinleştirebileceğini düşündürür.

Gelecekteki depremler için bunun anlamı

Uzman olmayanlar için ana çıkarım, yerin gerçekten nasıl hareket ettiğine dair gerçekçi bilgisayar simülasyonlarını modern desen tanıma algoritmalarıyla eşleştirmenin dağınık ölçümleri ve yapı kayıtlarını kriz müdahalesi için pratik bir araca dönüştürebileceğidir. Gelecekteki bir depremde, bu doğrultuda kurulan bir sistem en çok hasarın muhtemel olduğu mahalleleri hızla vurgulayabilir; bu da inceleme, barınma planlaması ve daha uzun vadeli yeniden inşa çalışmalarına rehberlik edebilir. Yazarlar mevcut modellerinin belirli bir bölge ve yapı stokuna göre ayarlı olduğunu ve başka yerde kullanılmadan önce test edilip uyarlanması gerektiğini belirterek ihtiyatlı davranırlar. Yine de bulguları, detaylı yeraltı dijital ikizlerinin akıllı veri odaklı modellerle birleştiği bir geleceğe işaret eder; bu sayede topluluklar deprem risklerini daha iyi anlayıp yönetebilirler.

Atıf: Di Michele, F., Pera, D., Mazzieri, I. et al. Combined machine learning - 3D physics based approach for building damage evaluation: the case of L’Aquila 2009. Sci Rep 16, 10919 (2026). https://doi.org/10.1038/s41598-026-45377-5

Anahtar kelimeler: deprem hasarı, makine öğrenimi, fizik tabanlı simülasyon, yapı riski, L’Aquila 2009