Detection of Plan Irregularities in Earthquake Resistant Architectural Design Through Machine Learning and Artificial Intelligence Integration

Abstract

Depremlerin yol açtığı can ve mal kayıplarını en aza indirmek için yapıların tasarım aşamasında düzenlilik ve düzensizlik durumlarının doğru bir şekilde değerlendirilmesi kritik öneme sahiptir. Bu tez, Türkiye Deprem Yönetmeliği kapsamında tanımlanan A1 burulma düzensizliği ve A2 döşeme süreksizliği gibi plan düzensizliklerinin, makine öğrenmesi ve görüntü sınıflandırma teknikleri kullanılarak tespit edilmesini amaçlamaktadır. Bu çalışmada, taşıyıcı sistemlerin plan düzenliliklerinin ve düzensizliklerinin otomatik olarak sınıflandırılması için bir derin öğrenme modeli geliştirilmiştir. Model, A1 ve A2 düzensizliklerini belirlemek amacıyla eğitilmiş ve bu düzensizlikleri taşıyan yapı planlarını doğru bir şekilde sınıflandırabilme yeteneğine sahip olmuştur. Elde edilen sonuçlar, geliştirilen modelin doğruluk oranının yüksek olduğunu ve taşıyıcı sistemlerdeki düzensizliklerin erken tespitinde güvenilir bir araç olarak kullanılabileceğini göstermiştir. Bu tez, makine öğrenmesi algoritmalarının mimari tasarım süreçlerine entegrasyonunun, deprem riskini azaltmada önemli bir katkı sağlayabileceğini ortaya koymaktadır. Gelecekte, farklı düzensizlik türlerinin tespiti ve modelin genel performansının artırılması üzerine çalışmalar yapılması önerilmektedir.Accurately assessing the regularity and irregularity of structures during the design phase is critical to minimizing loss of life and property caused by earthquakes. This thesis aims to detect plan irregularities, such as A1 torsional irregularity and A2 floor discontinuity, defined under the Turkish Earthquake Code, using machine learning and image classification techniques.. In this study, a deep learning model was developed to automatically classify the regularity and irregularity of structural systems. The model was trained to detect A1 and A2 irregularities and was capable of accurately classifying building plans exhibiting these irregularities. The results show that the developed model has a high accuracy rate and can be used as a reliable tool for the early detection of irregularities in structural systems. This thesis demonstrates that the integration of machine learning algorithms into architectural design processes can significantly contribute to reducing earthquake risks. Future studies are recommended to focus on detecting different types of irregularities and improving the overall performance of the model.