Yalı Tipi Tarihi Yığma Yapılarda Sensör Verisi ve Makine Öğrenmesi Tabanlı Yapısal Davranış ve Hasar Tahmini

Yalı tipi tarihi yapılar, büyük oranda donatısız yığma (unreinforced masonry) taşıyıcı sisteme sahip olmaları, denizel çevre koşullarına sürekli maruz kalmaları ve yüksek kültürel-mimari değer taşımaları nedeniyle, deprem ve çevresel etkiler karşısında özellikle kırılgan bir yapı grubunu oluşturmaktadır. Bu yapıların yapısal davranışı, yalnızca ani sismik yükler altında değil; uzun süreli çevresel etkiler ve düşük genlikli dinamik uyarımların birikimli sonucu olarak şekillenmektedir.

Bu bağlamda, yalıların deprem davranışının değerlendirilmesi; klasik statik hasar tespit yöntemleriyle sınırlı kalmamalı, zamana bağlı dinamik davranışın sürekli izlenmesine dayalı bütüncül bir yaklaşımla ele alınmalıdır. Özellikle nem gradyanları, tuz kristalizasyonu, termal genleşme–büzülme döngüleri, malzeme yorulması ve mikro titreşimlerin uzun vadeli etkileri, taşıyıcı sistemde rijitlik kaybı ve enerji sönümleme kapasitesinde azalma gibi yapısal bozulma mekanizmalarını tetikleyebilmektedir.

Leeboard tarafından yalılar için geliştirilen yapı sağlığı izleme ve hasar tahmin altyapısı, bu karmaşık etkileşimleri dikkate alan veri odaklı (data-driven) ve makine öğrenmesi destekli bir metodolojiye dayanmaktadır.

Akademik Dayanak ve Literatür Uyumu

Bu metodolojik yaklaşımın bilimsel temeli, MDPI Applied Sciences dergisinde yayımlanan ve uluslararası akademik çevrelerde kabul görmüş aşağıdaki hakemli çalışma ile doğrudan örtüşmektedir:

Ravichandran, N.; Bidorn, B.; Mercan, O.; Paneerselvam, B.

Data-Driven Machine-Learning-Based Seismic Response Prediction and Damage Classification for an Unreinforced Masonry Building

Applied Sciences, MDPI, 2025.

Söz konusu çalışma; Chulalongkorn University (Faculty of Engineering) ve University of Toronto (Department of Civil Engineering) bünyesinde yürütülmüş olup, donatısız yığma yapıların deprem etkisi altındaki dinamik yanıtının sensör verileri üzerinden modellenmesini ve bu yanıtın makine öğrenmesi algoritmaları aracılığıyla hasar seviyelerine ayrıştırılmasını hedeflemektedir.

Bu yönüyle çalışma, yığma ve tarihi yapıların deprem sonrası değerlendirilmesinde nesnel, tekrarlanabilir ve veri temelli bir çerçeve sunmaktadır.

Yalı Tipi Yapılar İçin Teknik Kapsam ve Ölçülen Parametreler

Akademik çalışmada önerilen yaklaşım ile Leeboard sistemleri, yalıların özgün yapısal ve çevresel koşullarını dikkate alarak yapı davranışını aşağıdaki temel teknik parametreler üzerinden değerlendirmektedir:

• Üç eksenli ivme zaman serileri (triaxial acceleration time histories)

• Doğal frekanslar ve mod şekillerindeki zamansal değişimler

• Modal sönümleme (damping) oranlarının evrimi

• Rijitlik kaybına işaret eden frekans kaymaları ve spektral sapmalar

• Düşük genlikli fakat süreğen mikro titreşimlerin kümülatif etkileri

Bu parametreler, yalıların taşıyıcı yığma duvarlarında çıplak gözle tespit edilemeyen; ancak yapısal bütünlüğü doğrudan etkileyen mikro çatlak ilerlemeleri, harç bozunması, bağlayıcı eleman kayıpları ve temas yüzeylerindeki zayıflamalar gibi hasar mekanizmalarını erken safhada ortaya koyabilmektedir.

Makine Öğrenmesi ile Hasar Seviyesi Sınıflandırması

İncelenen akademik çalışmada olduğu gibi, Leeboard sistemleri de ham sensör verisini doğrudan yorumlamaktan kaçınmakta; bunun yerine özellik çıkarımı (feature extraction) ve sınıflandırma tabanlı makine öğrenmesi algoritmaları kullanmaktadır. Bu süreçte yapı davranışı, aşağıdaki hasar seviyeleri altında sınıflandırılmaktadır:

• Hasar Yok

• Hafif Hasar

• Orta Hasar

• Yüksek Hasar / İleri Yapısal Risk

Bu sınıflandırma yaklaşımı, yalılar açısından kritik öneme sahip şu soruya bilimsel bir yanıt üretmektedir:

“Bu yapı depremden sonra ayakta mı?” sorusunun ötesinde,

“Bu yapı, taşıyıcı sistem davranışı açısından hangi risk seviyesine doğru evrilmektedir?”

Bu ayrım, özellikle tarihi ve kültürel değeri yüksek yapılarda erken müdahale ve önleyici koruma stratejilerinin geliştirilmesi açısından belirleyicidir.

Denizel ve Çevresel Etkilerin Yapısal Analize Entegrasyonu

Yalıların diğer yığma yapılardan temel farkı, denizel çevre koşullarının yapısal davranış üzerindeki sürekliliğidir. Leeboard sistemleri, akademik literatürle uyumlu biçimde;

• Ortam nemi ve sıcaklık değişimleri

• Termal genleşme kaynaklı iç gerilmeler

• Tuzlanmaya bağlı malzeme zayıflamaları

gibi çevresel parametreleri, dinamik titreşim verileriyle eş zamanlı olarak değerlendirir. Bu sayede çok parametreli ve bütünleşik bir Yapısal Sağlık İzleme (Structural Health Monitoring – SHM) modeli oluşturulur.

Bu bütünleşik yaklaşım, yalnızca ani ve gözle görülür hasarları değil; yavaş ilerleyen, geri dönüşü zor ve uzun vadede yapısal güvenliği tehdit eden bozulma süreçlerini de erken aşamada tespit etmeyi mümkün kılar.

Koruma ve Karar Destek Süreçlerine Katkı

Bu bilimsel metodoloji, yalıların korunmasına yönelik karar süreçlerini:

• Gözleme dayalı, yoruma açık ve kesitsel değerlendirmelerden

• ölçülebilir, tekrarlanabilir ve akademik olarak doğrulanmış bir karar zemini üzerine taşımaktadır.

Elde edilen sınıflandırılmış hasar ve risk verileri; koruma kurulları, belediyeler, yapı sahipleri ve restorasyon uzmanları için önceliklendirme, müdahale zamanlaması ve restorasyon stratejilerinin belirlenmesi açısından güçlü bir karar destek altyapısı sunmaktadır.

Sonuç

Leeboard’un yalı tipi tarihi yapılar için geliştirdiği yapı sağlığı izleme ve hasar tahmin yaklaşımı; uluslararası üniversiteler tarafından yürütülen, hakemli akademik çalışmalarla doğrulanmış bir bilimsel çerçeveyle uyumludur. Sensör verisi ve makine öğrenmesini birleştiren bu yaklaşım, yalıların taşıyıcı sistem davranışını zamana bağlı olarak izleyen, riskleri erken aşamada sınıflandıran ve koruma süreçlerini bilimsel temele oturtan çağdaş bir dijital koruma modeli sunmaktadır.