Afet Risk Altındaki Alanların Dönüşümü Planı Kapsamında Yapısal Sağlık Değerlendirmesinde Kullanılan Kolon Kazıma Fotoğraflarının Derin Öğrenme ile Sınıflandırılması

Abstract

Aktif sismik fay hatları üzerinde yer alan Türkiye, sürekli olarak ciddi deprem risklerine maruz kalmaktadır. 1999 Marmara Depremi'nin ardından, mevcut yapı stoğunun yapısal bütünlüğü ve dayanıklılığı kamuoyunun önemli bir endişesi haline gelmiş ve bu durum ciddi düzenleyici önlemlerin alınmasını beraberinde getirmiştir. Bu bağlamda, 2012 yılında yürürlüğe giren 6306 sayılı Afet Riski Altındaki Alanların Dönüştürülmesi Hakkında Kanun, depreme karşı dayanıksız yapıların tespiti ve yenilenmesi için hukuki ve teknik bir çerçeve oluşturmuştur. Bu kanun kapsamında yayımlanan Riskli Yapıların Tespitine İlişkin Esaslar (RYTİE), yapıların sismik performansının bilimsel ve teknik kriterlere dayalı olarak değerlendirilmesini amaçlamaktadır. RYTİE'ye göre, riskli yapı; malzeme bozulması, yapısal yetersizlik veya tasarım hataları nedeniyle deprem sırasında yıkılması veya ağır hasar görmesi muhtemel olan yapı olarak tanımlanmaktadır. Bu tür yapıların değerlendirilmesi, Kentsel Dönüşüm Başkanlığı tarafından lisanslandırılmış kuruluşlarca yapılmakta olup, beton karot alma, donatı sıyırma, Schmidt çekici ile yüzey sertliği testi ve donatı tarayıcı cihazlarla donatı tespiti gibi çeşitli deneysel ve gözlemsel yöntemleri içermektedir. Bu yöntemler arasında yer alan donatı sıyırma, betonarme elemanların iç donatı düzeninin doğrudan gözlemlenmesine olanak sağlayan yıkıcı bir muayene yöntemidir. Bu yöntem sayesinde kolon ve perde elemanlarının kenetlenme ve orta bölgelerinde kullanılan etriye tipi, çapı, aralığı ve kanca şekli ile boyuna donatı düzeni ve korozyon kaynaklı hasarlar ayrıntılı şekilde ortaya konulabilmektedir. Bu yöntemin uygun şekilde uygulanıp uygulanmadığı, lisanslı kuruluşlar tarafından hazırlanan teknik raporların Bakanlık mühendislerince incelenmesi sırasında denetlenmektedir. Ancak, bu işlemin yönetmeliklere tamamen uygun biçimde yürütülmesi zaman açısından verimsizliklere ve doğruluk sorunlarına yol açmakta ve insan hatasına açık bir süreç oluşturmaktadır. Bu tez çalışmasında, kolon donatı sıyırma görüntülerinin otomatik olarak değerlendirilmesine yönelik derin öğrenme tabanlı evrişimli sinir ağı (CNN) modellerinin sınıflandırma performansı araştırılmıştır. Özellikle transfer öğrenme temelli beş farklı önceden eğitilmiş CNN mimarisi—MobileNetV2, EfficientNetB0, ResNet50, DenseNet121 ve InceptionV3—çeşitli hiperparametre yapılandırmaları ile eğitilmiş ve karşılaştırmalı olarak değerlendirilmiştir. Her bir model, test doğruluğu, doğruluk (precision), duyarlılık (recall) ve F1-skoru gibi performans ölçütleri kullanılarak analiz edilmiş ve en başarılı mimari belirlenmiştir. Elde edilen sonuçlar, geleneksel muayene yöntemlerine alternatif olarak hızlı, doğru ve güvenilir yapay zekâ destekli bir karar destek sisteminin geliştirilebileceğini göstermektedir. Bu çalışma, yapısal mühendislik alanında yapay zekânın pratik uygulamalarına katkı sağlamayı amaçlamaktadır.Located on active seismic fault lines, Türkiye is continuously exposed to significant earthquake risks. In the aftermath of the 1999 Marmara Earthquake, the structural integrity and resilience of the country's existing building stock became a major public concern, prompting the implementation of serious regulatory measures. In this context, Law No. 6306 on the Transformation of Areas Under Disaster Risk, which came into effect in 2012, established the legal and technical framework for the identification and renewal of seismically vulnerable buildings. Within the scope of this law, the Principles Regarding the Determination of Risky Structures (PRDRS) aim to evaluate the seismic performance of structures based on scientific and technical criteria. According to PRDRS, a risky structure is defined as a building likely to collapse or suffer severe damage during an earthquake due to material degradation, structural deficiencies, or design flaws. The assessment of such buildings is conducted by institutions licensed by the Directorate of Urban Transformation and involves several experimental and observational methods, including concrete core sampling, reinforcement scraping, Schmidt hammer testing, and rebar detection using cover meters. Among these methods, reinforcement scraping is a destructive inspection technique that enables the direct observation of the internal reinforcement configuration of reinforced concrete elements. This method reveals detailed information such as the stirrup type, diameter, spacing, and hook configuration in the confinement and mid-regions of columns and walls, as well as the longitudinal reinforcement layout and corrosion-related damage. The proper execution of this method is verified by engineers within the Directorate during the review of technical reports prepared by licensed organizations. However, conducting the reinforcement scraping procedure in full compliance with regulatory guidelines presents disadvantages in terms of both time and accuracy, and is prone to human error. In this thesis, the classification performance of deep learning-based convolutional neural network (CNN) models was investigated for the automatic evaluation of column scraping images. In particular, five pre-trained CNN architectures based on transfer learning—MobileNetV2, EfficientNetB0, ResNet50, DenseNet121, and InceptionV3—were trained using various hyperparameter configurations and evaluated comparatively. Each model was assessed using performance metrics such as test accuracy, precision, recall, and F1-score, and the most successful architecture was identified. The results demonstrate that a fast, accurate, and reliable artificial intelligence (AI) supported decision system can be developed as an alternative to traditional inspection methods. This thesis aims to contribute to the practical implementation of AI in the field of structural engineering