AI Summary & Key Takeaways
AI InsightThe results show that international rapid assessment methods provide effective results when supported with field data and when integrated with machine learning models, building performances can be predicted with high accuracy.
📌 3 Key Takeaways
Abstract
The aim of this study is to estimate the seismic performance levels of existing buildings in Elazığ province with high accuracy using fast and data-driven methods. In this context, performance scores were calculated for each building by using building data obtained as a result of field investigations, Canadian Seismic Screening Method and Indian Rapid Visual Assessment methods. The obtained scores were used as a reference to classify the buildings in terms of potential earthquake risk. In the second stage of the study, the XGBoost machine learning model was used to predict these performance scores with high accuracy. Identification information and structural characteristics of the building taken from the field were used as input. The calculated performance scores were used as output. The XGBoost model was compared in terms of accuracy and error metrics and their performances were evaluated. The results show that international rapid assessment methods provide effective results when supported with field data and when integrated with machine learning models, building performances can be predicted with high accuracy. This approach aims to provide fast and reliable information to decision makers, especially in pre- and post-disaster risk management and response planning processes.
Özet
Bu çalışmanın amacı Elazığ ilindeki mevcut binaların sismik performans düzeylerinin hızlı ve veri odaklı yöntemlerle yüksek doğrulukta tahmin edilmesidir. Bu kapsamda Elazığ Merkez mahallelerinde yapılan saha çalışmaları kapsamında toplam 4200 adet bina incelenmiştir. Elde edilen bina verileri, Kanada Sismik Tarama Yöntemi ve Hindistan Hızlı Görsel Değerlendirme yöntemi kullanılarak her bina için performans puanları hesaplanmıştır. Elde edilen puanlar, yapıların potansiyel deprem riski açısından sınıflandırılmasında referans olarak kullanılmıştır. Çalışmanın ikinci aşamasında, bu performans puanlarının yüksek doğrulukta tahmin edilmesi için XGBoost makine öğrenmesi modeli kullanılmıştır. Modelde girdi olarak sahadan alınan binaya ait kimlik bilgileri ve yapısal özellikler kullanılmıştır. Modelin hedef çıktısı olarak ise, bu yöntemlerle hesaplanan performans puanları belirlenmiştir. XGBoost modeli, doğruluk ve hata metrikleri açısından karşılaştırılarak performansları değerlendirilmiştir. Sonuçlar, uluslararası hızlı değerlendirme yöntemlerinin saha verileri ile desteklendiğinde etkili sonuçlar verdiğini ve makine öğrenmesi modelleriyle entegre edildiğinde bina performanslarının yüksek doğrulukla tahmin edilebildiğini ortaya koymaktadır. Bu yaklaşım, özellikle afet öncesi ve sonrası risk yönetimi ve müdahale planlaması süreçlerinde karar vericilere hızlı ve güvenilir bilgi sağlamayı amaçlamaktadır.