Leeboard 3D Yapısal Davranış Motoru ve İleri Seviye Hasar Modelleme Altyapısı

Yoğun sensör ağı verisinden üç boyutlu deformasyon rekonstrüksiyonu yapmak, yapısal sağlık izleme sisteminin yalnızca ilk adımıdır. Gerçek mühendislik değeri, bu rekonstrüksiyonun fiziksel parametre değişimine, olasılıksal hasar tahminine ve karar destek mimarisine dönüştürülmesinde ortaya çıkar.

Leeboard’un geliştirdiği 3B Yapısal Davranış Motoru, deformasyon yüzeyini yalnızca görselleştirmekle kalmaz; bu yüzeyi parametrik modele geri besleyerek rijitlik degradasyonu, hasar olasılığı ve sensör ağ optimizasyonu hesaplamalarına temel oluşturur.

Bu bölümde bu ileri seviye matematiksel katman açıklanmaktadır.

Frekans Kayması Tabanlı Rijitlik Degradasyon Modeli

Bir yapının doğal frekansı, kütle–rijitlik oranına bağlıdır. Basitleştirilmiş tek serbestlik dereceli sistem için:

f = (1/2π) √(K/M)

Rijitlikte meydana gelen bir azalma ΔK, frekansta ölçülebilir bir düşüşe yol açar. Küçük değişimler için lineerleştirme yapılırsa:

Δf / f ≈ (1/2) (ΔK / K)

Bu ifade, frekans kaymasının doğrudan rijitlik kaybı ile orantılı olduğunu gösterir.

Leeboard sisteminde her mod için zamansal frekans arşivi tutulur. Her deprem sonrası ölçülen yeni frekans değeri, referans dağılım ile karşılaştırılır. Eğer belirli bir modda istatistiksel olarak anlamlı frekans düşüşü gözlenirse, bu düşüş lokal rijitlik matrisindeki değişime geri projekte edilir.

Genelleştirilmiş çok serbestlik dereceli sistemde özdeğer problemi şu şekilde ifade edilir:

[K − ω²M] Φ = 0

Burada K rijitlik matrisi, M kütle matrisi ve Φ mod şeklidir. Hasar sonrası sistem için:

[K + ΔK − (ω + Δω)²M] Φ’ = 0

Bu denklem ters problem (inverse problem) olarak çözülür. Amaç, ölçülen Δω değerlerinden ΔK matrisini tahmin etmektir. Bu işlem düzenlileştirme (regularization) ve optimizasyon teknikleri ile gerçekleştirilir.

Leeboard mimarisinde bu ters çözüm, modal parametre arşivine dayalı olarak Bayesian çerçevede yapılır. Böylece rijitlik degradasyonu deterministik değil, olasılıksal dağılım olarak elde edilir.

Stokastik Senaryo Ağacı ile Hasar Olasılık Haritası

Yapısal hasar yalnızca tek bir değerle ifade edilemez. Deprem yükü, zemin büyütmesi, yapı tipi ve mevcut hasar durumu belirsizlik içerir.

Bu nedenle Leeboard yaklaşımı, hasar tahminini stokastik senaryo ağacı üzerinden kurgular.

Kök düğüm, afet öncesi referans durumdur. İlk dallar farklı yer ivmesi seviyelerini temsil eder. İkinci seviyede zemin büyütme faktörü ve spektral içerik varyasyonları yer alır. Üçüncü seviyede ise yapı türüne bağlı parametre belirsizlikleri bulunur.

Her dal bir olasılık ile ağırlıklandırılır. Senaryo ağacı boyunca her düğüm için beklenen rijitlik degradasyonu ve drift değeri hesaplanır.

Hasar olasılığı şu şekilde ifade edilir:

P(Damage Level i) = Σ P(ω_j) I(ΔK_j ∈ S_i)

Burada ω_j belirli bir senaryoyu, S_i ise hasar seviyesini temsil eder. Gösterge fonksiyonu I, ilgili senaryonun belirli hasar aralığına düşüp düşmediğini kontrol eder.

Sonuçta bina için bir tekil hasar seviyesi değil, mekânsal dağılıma sahip olasılık haritası üretilir. Bu harita 3B rekonstrüksiyon motoru ile birleştirilerek zamana bağlı risk yoğunluk görselleştirmesi yapılır.

Çok Amaçlı Optimizasyon ile Sensör Yerleşim İyileştirmesi

3B deformasyon doğruluğu sensör konfigürasyonuna bağlıdır. Ancak sensör sayısı arttıkça maliyet ve veri yükü artar.

Bu nedenle sensör yerleşimi çok amaçlı optimizasyon problemidir. Amaçlardan biri modal tanımlama belirsizliğini minimize etmek, diğeri hasar duyarlılığını maksimize etmektir.

Bu problem şu şekilde ifade edilir:

min f₁(x) = modal covariance entropy

max f₂(x) = damage sensitivity index

Burada x sensör konum vektörüdür.

Pareto-optimal çözüm kümesi NSGA-II gibi evrimsel algoritmalarla elde edilir. Böylece her bina için maliyet duyarlılık dengesi optimize edilir.

Leeboard sistemi, kurulum öncesi bu optimizasyonu yaparak minimum sensörle maksimum bilgi kazanımını hedefler.

Veri Versiyonlama ve Deprem Olay ID Mimarisi

Yapısal sağlık izleme sistemlerinde yalnızca ham veri saklamak yeterli değildir. Her ölçümün hangi algoritma versiyonu ile işlendiği, hangi filtre parametrelerinin kullanıldığı ve hangi kalibrasyon setine bağlı olduğu bilinmelidir.

Leeboard mimarisinde her deprem olayı benzersiz bir Event ID ile kayıt altına alınır. Bu ID şu bileşenleri içerir:

Zaman damgası

Sensör firmware versiyonu

Analiz algoritması sürümü

Kalibrasyon katsayı seti

Spektral işleme parametreleri

Bu yapı sayesinde geçmiş olaylar yeniden üretilebilir. Bir algoritma güncellendiğinde eski olay verileri yeni sürümle tekrar işlenerek karşılaştırma yapılabilir.

Bu yaklaşım, mühendislik doğrulanabilirliği (reproducibility) ve adli analiz süreçleri için kritik öneme sahiptir.

Bütünleşik Sistem Perspektifi

Leeboard 3B Yapısal Davranış Motoru artık yalnızca bir görselleştirme aracı değildir. Sistem şu zinciri oluşturur:

Sensör ölçümü

3B deformasyon rekonstrüksiyonu

Modal parametre çıkarımı

Frekans kayması analizi

Rijitlik degradasyon tahmini

Stokastik hasar olasılık haritası

Karar destek entegrasyonu

Bu zincir, yapıyı bir statik nesne olmaktan çıkararak zaman içinde evrilen bir dinamik sistem olarak ele alır.

Gerçek mühendislik farkı burada ortaya çıkar. Yapıyı yalnızca ölçmek değil, fiziksel parametre değişimine indirgemek ve olasılıksal risk üretmek gerekir.

Leeboard vizyonu, yapısal sağlık izlemeyi bu matematiksel eksende yeniden tanımlamaktadır.