Page 27 - E-Tez Bülteni Mart 2025, SAYI 2
P. 27
Tez Özeti
Bu tez, temassız optik akış teknikleri, istatistiksel özellik çıkarımı ve makine öğrenmesi yöntemlerini bir araya getirerek yapısal hasarların doğru bir şekilde
tespit edilmesini ve derin öğrenme aracılığıyla hasarların yerinin belirlenmesini sağlayan gelişmiş, görüntü tabanlı bir Yapısal Sağlık İzleme (SHM) çerçevesi
sunmaktadır. Laboratuvar ortamında kurulan çelik çerçeve yapı üzerine yerleştirilen QR kodları aracılığıyla tanımlanan çoklu ölçüm noktalarındaki yer
değiştirmeler, yüksek çözünürlüklü kameralar ile kaydedilmiş ve Lucas-Kanade optik akış yöntemi kullanılarak zaman serisi biçiminde elde edilmiştir. Elde
edilen yer değiştirme verileri, Otoregresyon (AR), Vektörel Otoregresyon (VAR) ve Tekil Değer Ayrıştırması (SVD) yöntemleri ile analiz edilerek, yapısal
anomalilere duyarlı, kalıntı tabanlı özellikler çıkarılmıştır. Bu özellikler, Destek Vektör Makineleri (SVM) kullanılarak sınıflandırılmış ve sağlıklı ile hasarlı
durumlar arasında yüksek doğrulukla ayrım yapılmıştır. Ayrıca, derin öğrenmeye dayalı bir nedensel çıkarım modeli olan Zamansal Nedensel Keşif
Çerçevesi (TCDF), izlenen noktalar arasındaki doğrudan ve dolaylı nedensel ilişkileri ortaya koymak ve yapısal hasarları etkili bir şekilde yerelleştirmek
amacıyla uygulanmıştır. AR, VAR ve SVD tabanlı özellik çıkarımı yöntemlerinin karşılaştırmalı değerlendirmeleri, her bir yöntemin belirli avantajlarını ortaya
koymuştur. SVD, SVM sınıflandırmasında en yüksek genel performansı sağlarken, AR yöntemi daha ince anomalilerin tespitinde üstün hassasiyet
göstermiştir. TCDF ile elde edilen nedensel grafikler, fiziksel hasar senaryolarıyla büyük ölçüde örtüşmüş; böylece zarar gören yapısal bileşenlerin doğru
bir şekilde belirlenmesini sağlamış ve hasarın yayılma mekanizmalarına dair daha derin bir anlayış sunmuştur. Elde edilen bulgular, önerilen çerçevenin
sağlamlık, ölçeklenebilirlik ve hassasiyet açısından etkinliğini ortaya koymakta; bu yaklaşımın gerçek zamanlı SHM uygulamaları için güvenilir bir çözüm
potansiyeli taşıdığını göstermektedir. Görüntü tabanlı ve yapay zekâ destekli bu yöntem, yalnızca yapısal bozulmaların erken tespitini iyileştirmekle
kalmayıp, aynı zamanda manuel denetim ihtiyacını da önemli ölçüde azaltarak daha güvenli ve dayanıklı bir inşaat altyapısına katkı sağlamaktadır.
Anahtar kelimeler: Yapısal Sağlık İzleme; Optik Akış; Özellik Çıkarımı; Makine Öğrenmesi;
Derin Öğrenme; Hasar Lokalizasyonu