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
   22   23   24   25   26   27   28   29   30   31   32