Using machine learning approaches to construct correlations for cohesive soils using in-situ and laboratory data

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Boğaziçi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, FEN BİLİMLERİ ENSTİTÜSÜ, Türkiye

Tezin Onay Tarihi: 2017

Tezin Dili: İngilizce

Öğrenci: WALID KHALID MBARAK

Danışman: ÖZER ÇİNİCİOĞLU

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Günümüz dünyasında inşaat faaliyet sahaları bu denli genişlemekte ve proje süreleri bu denli kısalmakta iken, geoteknik mühendislerinin sahadaki zemin özelliklerini mümkün olan en doğru şekilde yansıtacak saha deneylerini yapmak için yeterli zamanları bulunmamaktadır. Bu sebeple korelasyon denklemleri, saha deneyleri ve laboratuvar deneyleri ile birlikte geoteknik tasarım mühendisliğinin temelini oluşturmaktadır. Geoteknik literatürde geçmişteki ve günümüzdeki araştırmacılar tarafından geliştirilmiş bir çok korelasyon denklemi bulunmaktadır. Bu bağıntılardan bazılarının istatiksel bir temele sahip olmayışı, bu bağıntıları kritik zemin parametrelerinin belirlenmesinde daha az güvenilir yapmaktadır. Korealasyon denklemlerinin genel amacı elde etmek istediğimiz bir çıktıyı, belirli bir girdi ile mümkün olan en doğru bir biçimde tahmin edebilmektir. Bu tez çalışmasında, drenajsız kayma mukavemeti (c u ) ve Elastisite modülü (E m ) ve limit basınç (p L ) paramatrelerini tahmin edebilmek için, "Doğrusal Regresyon", "Random Forest" ve "Gradient Boosting" gibi makine öğrenimi algoritmalarını kullanan regresyon modellerinin geliştirilmesi amaçlanmıştır. Tahmin kabiliyetimizi daha da geliştirmek için, bahsi geçen modellerin deney verilerinden elde edilmiş olan RMSE endeksleri ile hesaplanmış ağırlıklandırılmış ortalamaları kullanılarak, bu modeller bir arada değerlendirilmiştir. Sonuç olarak, en iyi performansı gösteren modeller literatürdeki korelasyon denklemleri ile karşılaştırılmıştır.