Farklı Evrişimli Sinir Ağı Modellerinin Deprem Sonrası Hasar Tespiti Sürecinde Kullanımlarının Karşılaştırılması

Abstract

Detecting earthquake damage as part of post-shock safety standards is critical for managing the disaster safety process. The fact that there are more damaged buildings than there are detecting teams causes a delay in the detection processes' outcome. Furthermore, the owners of damaged properties face psychological stress and the specialists have varying degrees of experience, which makes it difficult to make the right decisions during the detecting process. Thus, the purpose of this study is to use convolutional neural network classification methods to categorize post-earthquake damages in reinforced concrete structures based on structural and non-structural damages. Comparative training and testing was done on the AlexNet and VGG19 models because the potentials of the methods to be used in the classification process differ. After training, the AlexNet model's accuracy is 97.41%, while the VGG19 model's best accuracy is 90.40%. On the other hand, the analysis of the test dataset's accuracy values and Class Activation Maps (CAM)reveals that the AlexNet model outperforms the VGG19 model in terms of accuracy. The study's dataset consisted of damage pictures taken from the 6 February 2023, earthquakes in Hatay and Kahramanmaraş.

Full text

4.Ulusal
Yapı Fiziği ve Çevre Kontrolü Kongresi
2-3 Mayıs 2024
İTÜ Mimarlık Fakültesi, İstanbul
FARKLI EVRİŞİMLİ SİNİR AĞI MODELLERİNİN DEPREM
SONRASI HASAR TESPİTİ SÜRECİNDE KULLANIMLARININ
KARŞILAŞTIRILMASI
Raşit Eren Cangür
a
(rasit.cangur@yildiz.edu.tr)
Togan Tong
b
(togantong@yahoo.com)
YTÜ Mimarlık Fakültesi
Beşiktaş, İstanbul, 34349.
BİLDİRİ NO:15
ÖZET
Deprem sonrası güvenlik uygulamaları kapsamında deprem hasarının tespiti, afet sonrası süreci yönetmekte büyük
öneme sahiptir.Hasarlı yapı sayısının, tespit ekipleri sayısından fazla olması tespit süreçlerinde sonuca ulaşmayı
geciktirmektedir. Bununla birlikte, uzmanların farklı seviyelerdeki deneyimleri ve hasarlı yapı sahiplerinin psikolojik
gerginliği tespit sürecinde doğru karar alınmasının önüne geçmektedir. Bu nedenle bu çalışmada, evrişimli sinir
ağlarının sınıflandırma algoritmalarını kullanarak, betonarme yapılarda deprem sonrası oluşan hasarların yapısal
olan ve yapısal olmayan hasarlara göre sınıflandırılması amaçlanmıştır. Sınıflandırma sürecinde kullanılacak olan
algoritmaların farklı potansiyeller içermesinden dolayı AlexNet ve VGG19 modelleri eğitilmiş ve karşılaştırmalı
olarak test edilmiştir. Eğitim sonucunda AlexNet modeli%97.41 oranında doğruluk değerine sahipken, VGG19
modelinin en yüksek doğruluk değeri %90.40 olarak gözlemlenmiştir. Bunula birlikte test veri setindeki doğruluk
değerleri ve Sınıf Aktivasyon Haritaları (Class Activation Map) incelendiğinde AlexNet modelinin VGG19 modeline
kıyasla daha doğru sonuçlar verdiği görülmüştür. Çalışmada veri seti olarak, 6 Şubat 2023’ de gerçekleşen
Kahramanmaraş ve Hatay depremleri sonrası toplanmış hasar fotoğrafları kullanılmıştır.
Anahtar sözcükler: Evrişimli Sinir Ağları, Sınıf Aktivasyon Haritaları, Hasar Tespiti
ABSTRACT
Detecting earthquake damage as part of post-shock safety standards is critical for managing the disaster safety process.
The fact that there are more damaged buildings than there are detecting teams causes a delay in the detection processes'
outcome. Furthermore, the owners of damaged properties face psychological stress and the specialists have varying
degrees of experience, which makes it difficult to make the right decisions during the detecting process. Thus, the
purpose of this study is to use convolutional neural network classification methods to categorize post-earthquake
damages in reinforced concrete structures based on structural and non-structural damages. Comparative training and
testing was done on the AlexNet and VGG19 models because the potentials of the methods to be used in the
classification process differ. After training, the AlexNet model's accuracy is 97.41%, while the VGG19 model's best
accuracy is 90.40%. On the other hand, the analysis of the test dataset's accuracy values and Class Activation Maps
(CAM)reveals that the AlexNet model outperforms the VGG19 model in terms of accuracy. The study's dataset
consisted of damage pictures taken from the 6 February 2023, earthquakes in Hatay and Kahramanmaraş.
Key words: Convolutional Neural Networks, Class Activation Maps, Damage Detection
a
e-posta adresi: rasit.cangur@yildiz.edu.tr.
b
e-posta adresi: togantong@yahoo.com.

1.GİRİŞ
Yıkıcı depremlerin sonrasında(Kahramanmaraş 2023, Kocaeli 1999, Haiti 2010, Erzincan 1939),
betonarme yapılarda oluşan sismik hasarların tespit edilmesi ve değerlendirilmesi zor ve karmaşık
bir hal alabilmektedir. Bu nedenle, tüm dünyada yapıların deprem sonrası hasar tespitinin
yapılabilmesi için deneyime dayalı, hızlı ve kesin birtakım prosedürlerin uygulanması
gerekmektedir. Ancak uzmanların farklı seviyelerdeki deneyimleri ve hasarlı yapı sahiplerinin
psikolojik gerginlikleri, deprem sonrası doğru bir karar alınmasını zorlaştırmaktadır[1]. Bununla
birlikte, sahadaki hasar tespit ekiplerinin güvenli tarafta kalma eğiliminde olmaları ve bunun
sonucunda yapıları olduklarından daha hasarlı sınıflara dahil ederek önemli miktarda hatalı hasar
sınıflandırmasına sebep olmaktadır[2]. Bu nedenlere ek olarak, deprem sonrası güvenlik
çalışmalarında yer alan hasar tespit ekiplerinin sayısı ile depremden etkilenmiş yapı sayısı
arasındaki farkın fazla olması sürecin yavaş ilerlemesine sebebiyet vermektedir[3].
Tüm dünyada deprem sonrası benzer şekillerde yaşanan bu problemlerin üstesinden gelebilmek
için özellikle alçak ve orta katlı binaların hasar tespitinde kullanılmak üzere bir dizi teknik
doküman[4] ve çeşitli araştırmacılar tarafından hasar tespit metodolojileri kılavuzları
geliştirilmiştir[5]. Bu yöntemlerin hepsi binalar dışarıdan ağır hasarlı değilse, yapı elemanlarının
bina içinden kontrolü edilerek hasarın tespit edilmesini önermektedir. Tüm bu değerlendirme
işlemi sonucunda, yapının hasarlı katındaki hasarlı yapısal elemanlarının kat içerisindeki konum
bilgisine, dağılım şekline, hasarının türüne ve seviyesine bağlı olarak belirlenen Sismik Hasar
İndeksi(SHI) değeri elde edilmektedir[6]. Ancak bu tür kılavuzların uzman adaylarına aktarımı ve
uygulatma süreci, afet sonrası zaman yönetimi ile ters düşmektedir.
Tüm bu teknik dökümanların dışında son zamanlarda, makine öğrenmesi ve derin öğrenme temelli
yaklaşımlar ile hasarın tespitini ve sınıflandırmasını amaçlayan çalışmalar yürütülmüştür[7][8][9].
Bu çalışmalarda kullanılan hasar görüntülerinin kullanım biçimleri, çalışmanın tespit edeceği
soruna göre değişkenlik göstermektedir. Gao ve Mosalam[10], bu hasar görüntülerini piksel,
eleman ve strüktür kompozisyonu içerecek şekilde üç ayrı sınıfta tanımlayarak, herbir hasar görseli
sahnesinin getirdiği avantajları ve dezavantajları ortaya koyan bir karar ağacı tanımlamıştır. Bu
sınıflandırma kapsamında piksel derecesinde hasar görüntülerinin kullanıldığı çalışmalarda
hasarlar; ikili(hasar var, hasar yok), aşamalı (hasarsız, hafif, orta, ağır) ve çoklu(çatlak, döküntü,
bozulma vb.) olarak bu sahne özelliğini içeren görseller kullanıldığında tespit edildiği
gözlemlenmiştir[11]. Güncel literatüre bu şekilde baktığımızda, yapılarda deprem sonrası oluşan
hasarların yapısal olan ve yapısal olmayan elemanların hasarlarına göre sınıflandırılmasına yönelik
çalışmalarda eksiklik gözlemlenmiştir. Bu nedenle bu çalışmada, iki farklı Evrişimli Sinir
Ağları(ESA) modeli karşılaştırmalı olarak kullanarak deprem sonrası betonarme yapılarda oluşan
hasarların yapısal olma durumuna göre sınıflandırması amaçlanmıştır. Aynı zamanda, hasar tespit
sürecinde öznel yorum oluşam risklerini ve gereksiz zaman kaybının önüne geçmek, bu çalışmanın
amaçları arasında olmuştur.
2. YÖNTEM
Çalışmanın yöntemi, veri setinin oluşturulması, verilerin ayrıştırılması, veri seti ön hazırlık
işlemleri, sınıflandırma modellinin eğitim ve test veri setlerinin oluşturulması ve eğitim adımından
oluşmaktadır. Bu adımlardan aşağıdaki başlıklarda detaylıca bahsedilmiştir.

2.1 Veri Setinin Oluşturulması
Çalışma kapsamında 8.041 görüntü toplanmıştır. Veriler 6 Şubat Kahramanmaraş ve Hatay
depremleri sonrasında çekilen görsellerden elde edilmiştir. Deprem sonrası yapılan saha
çalışmalarında betonarme yapılarda meydana gelen kolon, kiriş ve perde gibi taşıyıcı nitelikteki
elemanlarda oluşan yapısal hasarlar ile birlikte dolgu duvarlar gibi yapısal olmayan elemanlarda
oluşan hasar görüntüleri alana gönderilen bilirkişi grupları tarafından toplanmıştır. Bununla birlikte
Çevre ve Şehircilik Bakanlığı’nın “hasartespit.csb.gov.tr” sitesinden, yapıların iç mekanlarından
deprem hasarları görüntüleri de veri setine dahil edilmiştir. Bu işlemler çalışmanın akış şemasının
1 numaralı adımında gösterilmiştir(Şekil 1).
Şekil 1: Çalışma yönteminin akış şeması
Ancak görsellerin çoğu yeterli kalitede olmama, anlamlı hasar barındırmama, dış mekan içerme ve
korozyon gibi deprem temelli hasarlar içermemekten kaynaklı toplanan görsellerde gözlem yoluyla
ayrıştırmaya başvurulmuştur. Toplanan görsellerden elenmiş olan bazı görseller
gösterilmiştir(Şekil 2). Bu ayrıştırmanın sonucunda çalışmadan kullanacak veri setinin görsel
sayısı 953 olmuştur. Bu işlem akış şemasının 2 numaralı adımında gösterilmiştir (Şekil 1).
Şekil 2: Toplanan verilerde kullanılamayan görseller

2.2 Verilerin Ayrıştırılması
Toplanan veriler, sınıflandırma görevi için oldukça karmaşıktır. bu durum istenen sınıflandırma
görevinin başarıyla gerçekleştirilebilmesi için verilerin temizlenmesini zorunlu kılmaktadır. İlk
olarak, veri setindeki anomali veya aykırılıkların belirlenmesi için hangi kriterlerin kullanılacağına
karar verilmesi gerekmektedir. Ardından, sınıflandırma görevi için önemli olan özelliklerin
belirlenmesi ve bu özelliklerin eksik veya yanlış verilerle nasıl başa çıkılacağının belirlenmesi
gerekmektedir. Temizleme süreci, veri setinin bütünlüğünü sağlamak, güvenilir sonuçlar elde
etmek ve sınıflandırma algoritmalarının etkin bir şekilde çalışmasını sağlamak amacıyla dikkatlice
yönetilmelidir.
Şekil 3: Hasar Hiyerarşi Ağacı ([10]’ dan uyarlanmıştır).
Söz konusu yapısal hasarları barındıran görsellerin bilgisayarlı görü teknolojilerinde kullanılması
olduğunda, resimlerin çekim açıları, çekim mesafeleri ve vurgulanan objelerin farklılığı gibi
düzensiz ve kontrol edilemeyen faktörlerinden doğan katmanlı öznitelikleri oluşmaktadır. Gao ve
Mosalam[10] yapısal hasarları tanıma, tespit etme, değerlendirme ve sınıflandırma gibi farklı
görevleri gerçekleştirirken görsellerin özniteliklerine göre hangi göreve uygun olduklarını
sistematik bir biçimde gösteren bir hiyerarşi ağacı oluşturmuşlardır. Bu hiyerarşi ağacının
çalışmada izlediği yol turuncu renkte temsil edilmiştir(Şekil 3). Bu gruplandırmaya göre görseller
ayıklanmış ve yetersiz kalite, anlamlı hasar barındırmama, dış mekan içerme ve korozyon gibi
deprem temelli hasarlar içermemekten kaynaklı görseller gözlem yoluyla yazarlar tarafından
ayrıştırılmıştır. Toplanan görsellerden elenmiş olan bazı görseller gösterilmiştir(Şekil 4).

Şekil 4:Veri seti içerisindeki yapısal hasar örnekleri.
2.3 Veri Setinde Ön Hazırlık İşlemleri
Şekil 5:Görsel veri ön hazırlık işlemi.
Toplanan verilerin içerisinde deprem hasarları hem sayısal olarak hem de konumsal olarak
değişkenlik göstermektedir. Evrişimli algoritmaların özellik çıkarım süreçlerinde katman sayısını
azaltmak ve algoritmanın daha verimli çalışmasını sağlamak amacıyla toplanan resimler yalnızca
hasarları içerek şekilde kırpılmıştır. Evrişimli sinir ağlarının simetrik matris kabul etmesinden
dolayı resimler 1x1 oranında kırpılmıştır. Şekilde örnek kırpma işlemi gösterilmiştir(Şekil 5).
Kaynak görsellerin çözünürlüğüne bağlı olarak farklı çözünürlüklere ait yeni kırpılmış görseller
elde edilmiştir. Girdi görsellerde yeniden boyutlama yaparak bütün görsellerin çözünürlüğünün
512x512 olması sağlanmıştır. Sonrasında, veri setinde farklı uzantılı görseller var ise hepsi ".jpg"
uzantısına dönüştürülmüş ve görseller yeniden isimlendirilmiştir. Bu işlem akış şemasının 3
numaralı adımında gösterilmiştir(Şekil 1). Bu işlemlerden sonra, sırasıyla veri artırma ve veri
etiketleme işlemleri uygulanmıştır..
2.4. Derin Öğrenme Modellerinin Seçilmesi
Evrişimli Sinir Ağı modellerinin performansı veri sayısına bağlı olarak değişmektedir. Bu
bağlamda, elde edilen veri sayıları tek bir modeli baştan eğitmek için yeterli olmadığından,
Transfer Öğrenme yöntemine başvurulmuştur.Transfer öğrenme sayesinde, her parametrenin
öğrenilmesine vakit harcanmadan başlangıç ağırlıkları hazır alınmış ve öğrenilmesi gereken
parametre sayısı azaltılmıştır. Çalışmada, literatürde oldukça sık yer alan AlexNet modeli ve
VGG19 modelleri kıyaslama yapılabilmesi için tercih edilmiştir. Veri sayısına bağlı olarak

modellerin başarısını artırmak amacıyla, mevcut veriler üzerinden veri artırma işlemi
gerçekleştirilmiştir. Algoritmanın odaklanması gereksiz detaylar elimine edilmiş, hasar
görüntülerinde bulunan ev veya işyeri içindeki nesneler (duvar kağıdı, tablo, çiçek vb.) kırpılarak
modelin sadece hasarın şekline ve derinliğine odaklanması sağlanmıştır. Kırpılan resimler yeniden
boyutlandırılarak girdi görüntülerin boyutu 512x512x3 olarak güncellenmiştir. Veri üzerine bütün
bu ön işlemler yapıldıktan sonra Keras ve Pytorch kütüphaneleri Google Colab ortamına
yüklenmiştir. Çalışmada kullanılan verilerin, %80'i eğitim ve %20'si test olacak şekilde ayrılmıştır.
Eğitim veri setinin %20’ si, eğitim sürecinde kullanılacak doğrulama(validation) veri setini
oluşturmuştur.
Seçilen her iki model de ardışık(sequential) model grubu arasında yer almaktadır. Ardışık modeller
bir dizi sinir ağı katmanlarından oluşmaktadır. Bu modeller belirli sıra ile ardışık olarak gelen
verileri işleme almaktadır. Çizelgede modellerin katmanların filtre boyutlarına ve çıkış türlerine
yer verilmiştir(Çizelge 1). Ancak her iki sıralı modelde 1000 sınıflı işlemler için eğitilmiş
modellerdir. Bu nedenle modellerin sınıflandırma yapan katmanının parametreleri, yalnızca iki
sınıflı işlem yapacak şekilde revize edilmiş ve diğer parametreleri transfer öğrenme sürecinde
dondurulmuştur. Modeller, çizelgede gösterilen konfigürasyonlara göre eğitilmiştir. Bir sonraki
bölümde, belirtilen değerlendirme yöntemlerine göre eğitim sonuçları incelenmiştir.
Çizelge 1: İki farklı evrişimli sinir ağı modelinin eğitim konfigürasyonları
Model 1
Model 2
Transfer Öğrenmeli Model
AlexNet
VGG19
Giriş Boyutu
Yığın Boyutu(Batch Size)
Döngü(Epoch) Değeri
Optimizasyon Fonksiyonu
Değerlendirme Yöntemi
Aktivasyon Fonksiyonları
Kayıp(Loss) Fonksiyonu
Öğrenme Hızı Değeri
Katman Sayısı
[3, 24, 24]
32
100
Adam
Accuracy, CAM
ReLU, Softmax
NLLoss
0,001
8
[3, 24, 24]
32
100
Adam
Accuracy, CAM
ReLU, Softmax
NLLoss
0,001
19
3. MODELLERİN EĞİTİMİ VE DEĞERLENDİRİLMESİ
Evrişimli Sinir Ağları modelleri eğitiminden sonra her döngü değerinin aldığı doğruluk değeri ve
kayıp değeri grafiklerde gösterilmiştir. Doğruluk grafiklerinde, her epochta eğitim ve test veri
setlerinden elde edilen başarı değerlerini göstermektedir. AlexNet modelinin ilk epochta elde
edilen en düşük eğitim başarısı %84,85 (0.8485) iken en yüksek eğitim başarısı %97.41

(0.9741)'dır. Buna karşın, VGG-19 modelinin ilk epochta elde edilen en düşük eğitim başarısı
\%83.56(0.8356) olup en yüksek eğitim başarısı \%90.40 (0.9040) olarak kaydedilmiştir(Şekil 6).
Şekil 6: AlexNet ve VGG19 modellerinin her döngüde elde ettiği başarım (accuracy) değerleri.
Kayıp grafiklerinde ise, her epochta eğitim ve test veri setlerinden kaydedilen kayıp değerlerini
yansıtmaktadır. Her bir epochta, algoritmaya verilen tüm verilerle hata değerleri hesaplanmakta ve
geri yayılım algoritmasıyla seçilen optimizasyon fonksiyonu, hata oranını en aza indirmek için ağı
güncellemektedir. AlexNet modelinin İlk epochta, eğitim setinden elde edilen en yüksek kayıp
oranı %28.67 (0.2867) iken en düşük kayıp oranı %7.60 (0.0760)'dir. Bununla birlikte VGG-19
modelinin ilk epochta elde edilen en yüksek kayıp oranı %32.10(0.3210) iken en düşük kayıp oranı
%23.90 (0.2390)'dır(Şekil 7). Bu değerlerin sonucunda, tüm grafiklere karşılaştırmalı baktığımızda
ise AlexNet modelinin VGG-19 modeline göre daha başarılı olduğu sonucuna varılmıştır.
Şekil 7: AlexNet ve VGG19 modellerinin her döngüde elde ettiği kayıp(loss) değerleri.
Eğitim sonucunda modellerin test veri kümesi üzerinde denenmesinden sonra elde edilen
sonuçların görselleri gösterilmiştir(Şekil 8). Test görselleri altında doğru tahmin edilen sınıf
etiketleri ve tahmin puanları yeşil kutu içerisinde, yanlış tahmin edilen sınıf etiketleri ve tahmin
puanları kırmızı kutu içerisinde şekilde gösterilmiştir. AlexNet ve VGG19 modelleri çizelge
gösterildiği üzere(Çizelge 1) farklı sayıda özellik çıkarma katmanından oluşmaktadır. Bu sebeple
, modelin son katmanına kadar belirli aralıklarda seçilmiş katmanlara Sınıf Aktivasyon
Haritası(Class Activation Map) yöntemi uygulanmış ve özellik çıkartma işlemi yapılırken modelin
o aşamada pikselleri hangi şiddette kullandığına bakılmıştır. Başka bir değişle, görselin hangi sınıfa

ait olduğuna karar verme sürecinde, hangi örüntünün daha baskın kullanıldığı, bu haritalarla
belgelenmektedir.
Şekil 8: AlexNet(solda) ve VGG19(sağda) modellerinin test veri seti üzerindeki doğruluk değerleri.
Şekilde gösterildiği üzere; modellerin doğru ve yanlış tahmin ettiği görseller ile o görsellerin her
bir modelin özellik çıkarma aşamasındaki son katmanından elde edilen SAH verilerinin üst üste
getirilerek çakıştırması sergilenmiştir(Şekil 9). Görsellerin sınıflandırılırken tetiklendiği yoğunluk
şiddetleri bölgeleri, modeller arasında farklılık göstermektedir. Üstte yer alan şeklin üçüncü
aşamasında, görüntülerin pozitif sonuç elde etmesinde rol oynayan görsel desenler görülmektedir.
(b.1), (c.1) ve (d.1) görsellerindeki desenler, aynı kaynaktan çıkan VGG-19 modelinin sonucuna
kıyasla hasarların kimliklerini oluşturması açısından gerçeğe daha yakın bulunmuştur. Öte yandan
(e.2) ve (f.2) görsellerindeki desenler ise aynı kaynaktan çıkan AlexNet modeli sonucuna kıyasla
hasarın kimliğinin atanmasında seçtiği görsel örüntüler gerçeğe daha yakın olduğu
gözlemlenmiştir. (a.1) ve (a.2) modellinde bu açıdan bir fark görülmemiştir. Altta yer alan şekilin
üçüncü aşamasında ise görüntülerin negatif sonuç elde etmesini sağlayan görsel desenleri
gözlemlenmektedir. (a.1), (e.1), (f.1), (f.2) ve (g.1) görsellerindeki yüksek derecede tetiklenmiş
alanlar hasarı oluşturan bölgeleri kapsamamaktadır. Diğer taraftan (b.1), (c.1), (d.1), (e.2), (h.1) ve
(i.1) görsellerinde yüksek derecede tetiklenmiş alanlar, görseldeki hasar ile kısmen örtüşmektedir.
Şekil 9: Doğru(üstte) ve yanlış(altta) tahminlerin sınıf aktivasyon haritaları(SAH) ile süperpoze edilmesi.

Son olarak, test veri setindeki görsellerin üç kanallı renk bilgisi taşımalarının yanı sıra, tek
kanallı(siyah-beyaz) renk bilgisi taşıdıklarında sınıflandırma sonuçlarındaki değişim
gözlemlenmiştir(Şekil 10). Şekilde görüldüğü üzere, (a) görselinde görüntünün
renksizleştirilmesinden sonra tahmin sonucunda olumsuz yönde bir değişim gözlemlenmiştir. Aynı
şekilde, (e) görselinde ise tahmin sonucunun sınıfında bir değişiklik olmadığı ancak tahmin
puanlarında bir gerileme görülmüştür. Şekildeki diğer görsellerde tahmin sınıflarında bir değişiklik
gözlemlenmemiş, tahmin puanlarında önemli farklar bulunmamıştır.
Şekil 10: AlexNet ve VGG19 modellerinin test veri setinin renk değişimine göre değerlendirilmesi.
4. SONUÇ
Deprem sonrası güvenlik çalışmalarında hasar tespit süreçlerinin doğru ve hızlı sonuçlanması hem
Türkiyede hem de dünyada büyük önem taşımaktadır. Bununla birlikte, deprem sonrası hasar alan
yapı sayısı ile hasar tespit uzmanlarının yönettiği ekiplerin sayıları arasındaki farkın fazla olması,
güvenlik çalışmaları için problem oluşturmaktadır. Bununla birlikte, hasar tespit süreçlerinde öznel
yorumlardan uzak, hızlı uygulanabilir bir yöntem olarak derin öğrenme tabanlı sınıflandırma
algoritmaları son zamanlarda önem kazanmıştır. Bu nedenlerden dolayı bu çalışmada, ESA
modellerinden AlexNet ve VGG19 modelleri kullanılarak deprem sonrası oluşan betonarme yapı
hasarlarının yapısal olma ve yapısal olmama durumlarına göre sınıflandırılması amaçlanmıştır.
Yapılan eğitimlere baktığımızda, her iki modelinde katman sayıları haricinde kullanılmış olan
konfigürasyonlarının aynı olması eğitim sonucundaki farklılıkta katman sayısının farklı olmasının
etkisini göstermektedir. AlexNet modeli, eğitim süresince almış olduğu en yüksek doğruluk değeri
%97.41(0.9741) olmuştur. Bununla birlikte VGG19 modeli eğitimini en yüksek %90.40(0.9040)
doğruluk değeriyle sonlandırmıştır. Bu verilere ek olarak, AlexNet modeli en düşük 0.0760
(%7.60)kayıp puanı elde ederken, VGG19 modeli ise en düşük 0.2390 (%23.90) kayıp puanı elde
etmiştir. Bu verilere baktığımızda, AlexNet modeli VGG19 modeline kıyasla hasarların yapısal
olma ya da yapısal olmama durumuna göre sınıflandırma görevinde daha başarılı olmuştur. VGG19
modelinin en düşük kayıp puanı ile en yüksek kayıp puanı arasındaki farkın AlexNet modelinden
az olması, modelin daha tutarsız olmaya yatkın olduğunu göstermektedir. Bununla birlikte kayıp
grafiğindeki eğitim ve doğrulama eğrilerinin birbirinden uzak oluşu, modelin

ezberleme(overfitting) durumuna AlexNet modelinden daha yatkın olduğunu desteklemektedir. Bu
durumun, tes görsellerindeki tahmin puanlarında da benzer şekilde olduğu görülmüştür. Sınıf
Aktivasyon Haritaları(SAH) süperpoze işleminde, test görsellerinin tetiklendiği örüntülerin hasarın
varlığı ile ilişkili olduğu gözlemlenmiştir. Bunun dışında, görsellerin tek kanallı oluşundan
kaynaklanan tahmin sınıfındaki değişimler, diğer renk kanallarındaki bilgilerin hasarı
sınıflandırmak için gerekli örüntüleri ve öznitelikleri içerdiğini göstermiştir.
Çalışmada kullanılan veri seti, elde etme yöntemlerine bağlı olarak sınırlı kalmıştır. Gelecek
çalışmalarda, sonuçlardaki verimi artırmak amacıyla veri setinin büyütülmesi gerekmektedir.
Bununla birlikte bu çalışmanın, güvenlik risklerinin olduğu afet sonrası hasar tespit sahalarında bu
işlemlerin İnsansız Hava Araçları(İHA) yoluyla toplanmış verilerle denenmesi olumlu sonuçlar
doğuracağı yazarlar tarafından öngörülmüştür.
KAYNAKLAR
1.L. Zhang, B. Sun, Z. Jiang, B. Spencer, “A quantitative method for post-earthquake safety assessment of
damaged reinforced concrete frames based on on-site survey data,” Journal of Earthquake Engineering, vol. 27,
no. 11, pp. 3060–3088, 2023.
2.M. Yilmaz, G. Dogan, M. H. Arslan, A. Ilki, “Categorization of post-earthquake damages in rc structural
elements with deep learning approach,” Journal of Earthquake Engineering, pp. 1–32, 2024.
3.B.Akgöz ,A.Baltacıoğlu, Ö.Civalek, K.Korkmaz,“Deprem hasarlarinin hizli tespitinde yapay sinir ağları
yaklaşımı,” Mühendislik Bilimleri ve Tasarım Dergisi, vol. 1, no. 1, pp. 22–27, 2010.
4.A. T. Council, C. O. of Emergency Services, Addendum to The ATC-20 postearthquake building safety
evaluaiton procedures. Governor’s Office of Emergency Services, 1995, vol. ATC-20-2.
5.C. Baggio et al., “Field manual for post-earthquake damage and safety assessment and short term
countermeasures (aedes),” European Commis- sion—Joint Research Centre—Institute for the Protection and
Security of the Citizen, EUR, vol. 22868, 2007.
6.Banon H., D. Venezio. “Seismic Safety of Reinforced Concrete Members and Structures.” Earthquake
Engineering & Structural Dynamics 10 (2): 179–193, 1982.
7.C. M. Yeum, S. J. Dyke, J. Ramirez, “Visual data classification in post-event building reconnaissance,”
Engineering Structures, vol. 155, pp. 16–24, 2018.
8.A. S ENER, B. ERGEN, “Deprem sonrası bina yüzeylerinde meydana gelen çatlakların tespitinde sınıflandırma
modellerinin kars ılas tırılması,” Çukurova Üniversitesi Mühendislik Fakültesi Dergisi, vol. 37, no. 4, pp. 899–
910, 2022.
9.T. KARAÇAY, “Derin öğrenme ile beton yapılarda otonom çatlak tespiti,” El Cezeri, vol. 9, no. 2, pp. 607–
624, 2022.
10. Y. Gao, K. M. Mosalam, “Deep transfer learning for image-based structural damage recognition,” Computer-
Aided Civil and Infrastructure Engineering, vol. 33, no. 9, pp. 748–768, 2018.

11. S. E. Park, S.-H. Eem, H. Jeon, “Concrete crack detection and quantification using deep learning and
structured light,” Construction and Building Materi- als, vol. 252, p. 119 096, 2020.