Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13087/3095
Title: Liquefaction assessment and mapping through machine learning methods and GIS for a case study in Balıkesir
Other Titles: Makine öğrenmesi ve CBS yardımıyla sıvılaşma değerlendirmesi ve haritalamasına yönelik Balıkesir'de bir vaka analizi
Authors: Evirgen, Burak
Ounıssı, Mohamed
Keywords: İnşaat Mühendisliği
Civil Engineering
Sıvılaşma potansiyeli
Makine öğrenmesi
Rastgele Orman
Coğrafi bilgi sistemleri
Standart penetrasyon deneyi
Liquefaction potential
Machine learning
Random Forest
Geographic information systems
Standard penetration test
Issue Date: 2022
Publisher: Eskişehir Teknik Üniversitesi
Abstract: Sıvılaşabilir tabakalardaki geçici taşıma kapasitesi kaybı olarak tanımlanan sıvılaşma, yapı - zemin etkileşimi açısından ciddi sonuçlar doğuran bir zemin problemidir. Her ne kadar çeşitli zemin iyileştirme yöntemleriyle bu sorun çözülebilse de yapı inşası öngörülen bölgede öncelikle sıvılaşma analizinin doğru tespiti gerekmektedir. Bu yüzden, tez kapsamında, zeminin sıvılaşıp sıvılaşmadığını tahmin etmek amacıyla sıvılaşma riski ve sismik özellikleri arasındaki karmaşık ilişkiyi modellemek için yapay sinir ağları, rassal orman ve destek vektör makinesi gibi iyi bilinen üç makine öğrenme modelinin kullanılabilirliği incelenmiştir. Yüksek riskli deprem bölgelerinde yer alan çalışma alanları için sıvılaşma risk haritaları kritik öneme sahiptir. Bu nedenle, tezin ikinci bölümünde Balıkesir Körfezi'ndeki rastgele seçilen çalışma alanının sıvılaşmaya karşı hassasiyeti, proje sahası yakınından alınan 7 adet gerçek sondaj kuyusu verilerine göre jeolojik ve geoteknik açıdan incelenmiştir. Bu bölge yeraltı suyu seviyesinin yüksek olduğu alüvyonlu zemin üzerinde bulunduğundan, sıvılaşma durumunun tespiti hayati önem arz etmektedir. Çalışma alanının sıvılaşma potansiyelinin (FS) SPT tabanlı basitleştirilmiş yönteme göre belirlenmesinin yanı sıra, sıvılaşma potansiyeli indisi (LPI) de hesaplanarak coğrafi bilgi sistemleri (CBS) yardımıyla ilgili mikro haritalar oluşturulmuştur. Elde edilen sonuçlar, çalışma alanının tamamının olası bir deprem sırasında pratik olarak orta düzeyde sıvılaşma potansiyeline sahip olduğunu göstermektedir.
Liquefaction, which is defined as the loss of bearing capacity in liquefiable layers temporarily, is a soil problem that creates serious results in terms of soil - structure interaction. Although this problem can be solved owing to various soil improvement methods, firstly the liquefaction analysis must be determined correctly in the region where the structure is planned to be built. Therefore, in this thesis, the possibility of using artificial neural networks, random forest, and support vector machine, which are three well-known machine learning models, to model the complex relationship between liquefaction risk and soil seismic features was investigated to assess whether a soil is liquefiable or not. Liquefaction susceptibility mapping is critical for a study area located in high-risk earthquake zones. Hence, the susceptibility against liquefaction for the random study area in Balıkesir bay was investigated in terms of geologic and geotechnical aspect according to 7 actual borehole values were taken from near the study area. A determination of liquefaction status is vital for this region since the area is located on alluvial soil with high level of ground water table. The liquefaction potential (FS) of the study area was determined according to the SPT-based simplified method as well as the liquefaction potential index (LPI) was calculated and related micro zonation maps were created thanks to the geographical information systems. The obtained results show that the entire study area has a moderate level of liquefaction potential during a possible earthquake practically.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=kScA8XnrRb0WogX-qPGFkiPIs-qPBSxmgXrqK4c5ADA0vcSONhszoiwbP4ZX7mOz
https://hdl.handle.net/20.500.13087/3095
Appears in Collections:Tez Koleksiyonu

Show full item record

CORE Recommender

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.