Plaka-kolon bağlantılarının sismik tepkisini tahmin etmek için makine öğrenimi ve derin öğrenme yaklaşımlarının karşılaştırılması

Neden depremlerde daha güvenli döşemeler önemli

Birçok şehir yapısı, derin kirişler olmadan doğrudan kolonların üzerine oturan düz beton döşemelere dayanır. Deprem sırasında plaka ile kolonun buluştuğu eklemler aniden hasar görebilir; bu da döşemelerin çökmesine ve binaların kısmi göçüne yol açabilir. Bu çalışma, modern veriye dayalı araçların mühendislerin bu kritik eklemlerin şiddetli sarsıntıda nasıl davranacağını daha iyi tahmin etmesine nasıl yardımcı olabileceğini araştırıyor; böylece binalar daha yüksek güvenle tasarlanabilir veya denetlenebilir.

Binanın eklemlerinin ani biçimde nasıl kırılabileceği

Düz plaka binalarda kolon, hem dikey yükü hem de depremden kaynaklanan yatay kuvvetleri döşeme plakaya aktarmak zorundadır. Gerilmeler kolona yakın bölgede çok yoğunlaşırsa, döşeme kolon etrafında bir kağıdı damgalamak gibi kesilerek delinebilir. Bu gevrek kırılma çok az uyarı verir ve kademeli göçü tetikleyebilir. Aynı zamanda tüm yapı bir sapma ile sallanır; mühendislerin yapının yüksekliğine göre ne kadar eğildiğini gösteren bu ölçüye sapma oranı denir. Yerel eklemdeki delme momenti ve genel sapma, plaka kalınlığı, kolon boyutu, donatı miktarı, beton dayanımı ve deprem yükleme düzeni gibi birçok faktör tarafından kontrol edilir.

Geçmiş testleri ve bilgisayarları öğrenme aracı olarak kullanmak

Yazarlar, deprem benzeri yükleme altında plaka-kolon bağlantılarına ilişkin 217 dikkatle belgelenmiş laboratuvar testinden oluşan bir veritabanı derlediler. Her test, geometrik boyutlar, malzeme dayanımları, donatı ayrıntıları, uygulanan ağır yük, yükleme tipi ve kırılma anında ölçülen delme momenti ile sapma oranını içeriyordu. Ardından bu bilgileri bilgisayar modellerinin daha önce görmedikleri sonuçları tahmin etme yeteneklerine göre değerlendirilebilmesi için eğitim ve test kümelerine ayırdılar. Modellemeden önce ekip veriyi temizledi, eksik değerleri ele aldı, sayısal aralıkları ölçeklendirdi ve her değişkenin kırılma ile ilişkisini kutu grafikleri ve saçılma grafikleri gibi görsel araçlarla inceledi.

Bilgisayarlara öğrenme yollarının birçok yolunu karşılaştırmak

Hangi tekniklerin en iyi çalıştığını bulmak için çalışma, geniş bir makine öğrenimi yöntemleri yelpazesini birkaç derin öğrenme yaklaşımıyla karşılaştırdı. Makine öğrenimi grubunda basit doğrusal formüller, aşırı uyumu önlemeye çalışan düzenlileştirilmiş versiyonlar ve rastgele orman, gradyan artırma ve XGBoost gibi daha esnek ağaç tabanlı topluluklar yer aldı. Derin öğrenme grubunda ise konvolüsyonel ağlar, tekrarlayan ağlar, uzun-kısa süreli hafıza ağları (LSTM) ve konvolüsyonel ile tekrarlayan katmanları birleştiren hibrit bir model gibi görüntü veya sıra analizinde daha sık görülen sinir ağı mimarileri kullanıldı. Görüntü problemlerinin aksine, bu derin ağlara burada bir boyutlu diziler haline getirilmiş mühendislik sayılarından oluşan yapılandırılmış tablolar verildi.

Modellerin dayanım ve sapma hakkında ortaya koydukları

Plaka-kolon eklemindeki delme momentini tahmin etmede en başarılı olanlar çok sayıda karar ağacından oluşturulan makine öğrenimi modelleriydi. Gradyan artırma, görülmemiş testlerde en yüksek doğruluğa ulaştı; bunu sırasıyla XGBoost ve rastgele orman izledi. Bu modeller, yerel eklem dayanımını belirleyen geometri, malzemeler ve yüklemenin karmaşık, doğrusal olmayan karışımını yakalayabildi. Tüm sistemin nasıl sallandığını yansıtan sapma oranını tahmin etmede ise rastgele orman diğer yaklaşımların önüne geçti, fakat tüm modeller bu görevi daha zor buldu ve daha fazla dağınıklık üretti. Derin öğrenme modelleri, özellikle hibrit tip, bu nispeten küçük ve tabüler veri setinde ağaç tabanlı yöntemleri geçemedi ve çok daha fazla hesaplama çabası gerektirdi.

Daha güvenli bina tasarımı için bunun anlamı

Bir uzman olmayan için temel mesaj, özenle seçilmiş makine öğrenimi araçlarının mühendislerin depremde plaka-kolon eklemlerinin nasıl ve ne zaman kırılabileceğine dair daha doğru tahminler sağlayabileceğidir; özellikle yerel delme dayanımı ve daha az ölçüde genel sapma için. Bu çalışmada geleneksel ağaç tabanlı makine öğrenimi, mevcut veri için daha moda olan derin öğrenme ağlarını daha iyi doğruluk ve daha az karmaşıklıkla geride bıraktı. Yazarlar, bu tür modellerin mühendislik yargısını tamamen ikame etmek yerine mevcut tasarım kurallarıyla birlikte karar destek aracı olarak kullanılmasını tavsiye ediyor. Daha büyük veri setleri ve geliştirilmiş özelliklerle, bu veriye dayalı yöntemler düz plaka binaların rutin sismik değerlendirmesinin pratik bir parçası haline gelebilir.

Atıf: El-Mandouh, M.A., Youssef, H., Elborlsy, M.S. et al. Comparing machine learning and deep learning approaches to predicting the seismic response of slab-column connections. Sci Rep 16, 14718 (2026). https://doi.org/10.1038/s41598-026-50962-9

Anahtar kelimeler: sismik tasarım, düz plaka binalar, makine öğrenimi, delme kesme (punching shear), sapma oranı