AI Summary & Key Takeaways
AI InsightThe findings indicate that machine learning methods can serve as effective and reliable alternatives to conventional engineering approaches in the design process of gravity retaining walls.
📌 3 Key Takeaways
Abstract
Gravity retaining walls are important geotechnical structures that resist lateral loads arising from earth pressure, hydrostatic pressure, and granular backfill materials primarily through their self-weight. In order to achieve a safe design, multiple failure modes—such as overturning, sliding, and bearing capacity failure—must be evaluated in an integrated manner. In this study, the fundamental parameters affecting the design of gravity retaining walls were systematically investigated. A total of 620 retaining wall designs were generated using the Sta4CAD software by considering varying geometric properties, soil conditions, and seismic effects. All analyses were conducted in accordance with the provisions of the Turkish Building Earthquake Code (TBDY-2018). The resulting comprehensive dataset was analyzed using the Python programming language to evaluate the applicability of data-driven approaches in engineering problems. Within this scope, various machine learning algorithms were implemented on the dataset, the performance of the developed models was compared, and their success in predicting critical design parameters of retaining walls was assessed. The findings indicate that machine learning methods can serve as effective and reliable alternatives to conventional engineering approaches in the design process of gravity retaining walls.
Özet
Ağırlık istinat duvarları, yanal toprak basıncı, hidrostatik basınç ve granüler dolgu malzemelerinden kaynaklanan yatay yükleri kendi ağırlıkları aracılığıyla dengeleyen önemli geoteknik yapı elemanlarıdır. Bu yapıların güvenli bir biçimde tasarlanabilmesi için devrilme, kayma ve temel taşıma gücü göçmesi gibi farklı göçme modlarının birlikte değerlendirilmesi gerekmektedir. Bu çalışmada, ağırlık istinat duvarlarının tasarımını etkileyen temel parametreler sistematik bir yaklaşımla ele alınmış; farklı geometrik özellikler, zemin koşulları ve deprem etkileri dikkate alınarak Sta4CAD programı aracılığıyla toplam 620 adet istinat duvarı tasarımı gerçekleştirilmiştir. Söz konusu analizler, Türkiye Bina Deprem Yönetmeliği (TBDY-2018) esaslarına uygun olarak yürütülmüştür. Elde edilen kapsamlı veri seti, mühendislik problemlerinde veri odaklı yaklaşımların uygulanabilirliğini incelemek amacıyla Python programlama dili kullanılarak analiz edilmiştir. Bu kapsamda, veri seti üzerinde çeşitli makine öğrenmesi algoritmaları uygulanmış, geliştirilen modellerin performansları karşılaştırılmış ve istinat duvarı tasarımına ilişkin kritik parametrelerin tahmin edilmesindeki başarı düzeyleri değerlendirilmiştir. Elde edilen bulgular, geleneksel mühendislik yaklaşımlarına alternatif olarak makine öğrenmesi yöntemlerinin istinat duvarı tasarım süreçlerinde etkin ve güvenilir bir şekilde kullanılabileceğini göstermektedir.