Konsol İstinat Duvarlarının Dinamik Davranışının Yapay Zeka Yöntemleriyle Belirlenmesi

Abstract

İstinat duvarları, inşaat mühendisliği uygulamalarının önemli bir kısmında kendine yer bulabilen mühendislik yapılarıdır. Tasarım hataları neticesinde bazen istinat duvarlarında hasarlar meydana gelebilmekte ve çok ciddi can ve mal kayıpları yaşanabilmektedir. Bu sebeple tasarım aşamasında istinat duvarlarının güvenlik sayısının doğru belirlenmesi hayati önem arz etmektedir. Bu çalışmada konsol istinat duvarlarının güvenlik sayılarını tahmin edebilen altı farklı hibrit yapay zeka modeli sunulmaktadır. Bu amaçla ilk olarak Plaxis 2D yazılımı kullanılarak bin adet dinamik analiz gerçekleştirilmiştir. Analizlerde deprem yükü yarı-statik metotla uygulanmış olup güvenlik sayısının tespitinde phi-c azaltma yöntemi kullanılmıştır. Tüm bu analizlerde zemine ait kohezyon, içsel sürtünme açısı, birim hacim ağırlık, elastisite modülü, Poisson oranı ve duvara ait boy, genişlik, elastisite modülü ile birlikte yeraltı su seviyesi ve yatay deprem ivme katsayısı gibi on farklı girdi parametresi kullanılmıştır. Bu girdilere karşılık çıktı olarak duvarın güvenlik sayısı elde edilmiştir. Ardından bu veri seti ile genetik algoritma ve gri kurt optimizasyon algoritması ile ayrı ayrı optimize edilmiş yapay sinir ağları, rastgele orman ve destek vektör makineleri olmak üzere altı farklı hibrit yapay zeka modeli geliştirilmiştir. Elde edilen modellerin performansları determinasyon katsayısı (R2), kök ortalama kare hatası (RMSE), ortalama karesel hata (MSE), ortalama mutlak hata (MAE), varyans hesap faktörü (VAF), performans indeksi (PI) ve saçılım indeksi (SI) metrikleri ile değerlendirilmiştir. Ayrıca elde edilen sonuçlar, performans eğrileri, tahmin edilen ve gözlenen değerlerin dağılım grafikleri, rank analizleri, Taylor diyagramları, doğruluk ve hata matrisleri, regresyon hata karakteristiği eğrileri ve altında kalan alan ile Gini katsayısı, duyarlılık analizi gibi farklı yaklaşımlarla değerlendirilmiş ve görselleştirilmiştir. Elde edilen modeller kendi aralarında kıyaslandığında farklı kriterlere göre farklı üstünlükler göstermekle beraber tüm modellerin konsol istinat duvarlarının güvenlik sayısını yüksek doğrulukla tahmin edebildiği görülmüştür.Retaining walls are essential engineering structures that can be used in many civil engineering applications. As a result of design errors, retaining walls can sometimes be damaged and severe loss of life and property can occur. For this reason, it is vital to correctly determine the safety factor of retaining walls during the design phase. This study presents six hybrid artificial intelligence models that can predict the safety factors of cantilever retaining walls. Firstly, one thousand dynamic analyses were performed using Plaxis 2D software. In the analyses, the earthquake load is applied by the pseudo-static method and phi-c reduction method is used to determine the safety factor of cantilever retaining walls. In all these analyses, ten input parameters were used: cohesion, internal friction angle, soil unit weight, soil Poisson's ratio, soil elasticity modulus, wall thickness, wall height, wall elasticity modulus, groundwater level and horizontal earthquake acceleration coefficient. In response to these inputs, the safety factor of the wall was obtained as output. Secondly, six different hybrid artificial intelligence models were developed with this dataset: artificial neural networks, random forest and support vector machines, which were optimized separately with genetic algorithm and grey wolf optimization algorithm. The performances of the models are evaluated with coefficient of determination (R2), root mean square error (RMSE), mean squared error (MSE), mean absolute error (MAE), variance account factor (VAF), performance index (PI) and scatter index (SI) metrics. In addition, the results were evaluated and visualized with different approaches such as performance curves, scatter plots of predicted and observed values, rank analyses, Taylor diagrams, accuracy and error matrix, regression error characteristic curves and the area under it, Gini coefficient, and sensitivity analysis. Although the obtained models show superiority according to different criteria, all models could accurately predict the safety factor of cantilever retaining walls.