Nurcihan Ceryan
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Nurcihan Ceryan has a total of 10 co-authors. Here are the top co-authors by number of shared publications:
- Sener Ceryan
Department of Geological Engineering, Engineering Faculty, Balikesir University, Balikesir, Turkey
3 shared publications - Ayhan Kesimal
Karadeniz Technical University
2 shared publications - Umut Okkan
Department of Civil Engineering, Faculty of Engineering, Balıkesir University, Balıkesir, Turkey
2 shared publications Ayhan Kesimal
Department of Mining Engineering, Karadeniz Technical University, Trabzon, Turkey
1 shared publication- Erkan Caner Ozkat
Recep Tayyip Erdoğan University
1 shared publication - Nuray Korkmaz Can
Department of Mechanical Engineering, Faculty of Engineering, Istanbul University-Cerrahpasa, 34320 Istanbul, Türkiye
1 shared publication
Latest Publications
- Open Access
- 28 October 2025
- Published by MDPI AG in Applied Sciences
- Vol. 15 (21) , 11512
Benchmarking ML Approaches for Earthquake-Induced Soil Liquefaction Classification
Earthquake-induced soil liquefaction represents a critical geotechnical challenge due to its nonlinear soil–seismic interactions and its impact on structural safety. Traditional empirical methods often rely on simplified assumptions, limiting their predictive capability. This study develops and compares six machine learning (ML) classifiers—namely, Support Vector Machine (SVM), Artificial Neural Network (ANN), k-Nearest Neighbor (kNN), Random Forest (RF), Decision Tree (DT), and Naïve Bayes (NB)—to evaluate liquefaction susceptibility using an original dataset of 461 soil layers obtained from borehole penetration tests in the Edremit region (Balıkesir, NW Turkey). The models were trained and validated using normalized geotechnical and seismic parameters, and their performance was assessed based on accuracy, precision, recall, F1 score, and area under the receiver operating characteristic curve (AUC). Results demonstrate that SVM, ANN, and kNN consistently outperformed other models, achieving test accuracies above 93%, F1 scores exceeding 98%, and AUC values between 0.933 and 0.953. In contrast, DT and NB exhibited limited generalization (test accuracy of 84–88% and AUC of 0.78–0.82), while RF showed partial overfitting. In contrast, DT and NB exhibited weaker generalization, with test accuracies of 84% and 88% and AUC values of 0.78 and 0.82, respectively, while RF indicated partial overfitting. The findings confirm the superior capability of advanced ML models, particularly SVM, ANN, and kNN, in capturing complex nonlinear patterns in soil liquefaction. This study provides a robust framework and original dataset that enhance predictive reliability for seismic hazard assessment in earthquake-prone regions.
- 28 October 2025
- Published by MDPI AG in Applied Sciences
- Vol. 15 (21) , 11512
Open AccessBenchmarking ML Approaches for Earthquake-Induced Soil Liquefaction Classification
Earthquake-induced soil liquefaction represents a critical geotechnical challenge due to its nonlinear soil–seismic interactions and its impact on structural safety. Traditional empirical methods often rely on simplified assumptions, limiting their predictive capability. This study develops and compares six machine learning (ML) classifiers—namely, Support Vector Machine (SVM), Artificial Neural Network (ANN), k-Nearest Neighbor (kNN), Random Forest (RF), Decision Tree (DT), and Naïve Bayes (NB)—to evaluate liquefaction susceptibility using an original dataset of 461 soil layers obtained from borehole penetration tests in the Edremit region (Balıkesir, NW Turkey). The models were trained and validated using normalized geotechnical and seismic parameters, and their performance was assessed based on accuracy, precision, recall, F1 score, and area under the receiver operating characteristic curve (AUC). Results demonstrate that SVM, ANN, and kNN consistently outperformed other models, achieving test accuracies above 93%, F1 scores exceeding 98%, and AUC values between 0.933 and 0.953. In contrast, DT and NB exhibited limited generalization (test accuracy of 84–88% and AUC of 0.78–0.82), while RF showed partial overfitting. In contrast, DT and NB exhibited weaker generalization, with test accuracies of 84% and 88% and AUC values of 0.78 and 0.82, respectively, while RF indicated partial overfitting. The findings confirm the superior capability of advanced ML models, particularly SVM, ANN, and kNN, in capturing complex nonlinear patterns in soil liquefaction. This study provides a robust framework and original dataset that enhance predictive reliability for seismic hazard assessment in earthquake-prone regions.
- Open Access
- 23 June 2025
- Published by Çukurova University in Geosound
- No. 61,p. 51-72
Kaya Kütlelerinin Ayrışmaya Göre Sınıflandırılmasında Yeni Yaklaşım ve Uygulaması
Ayrışmış kayaçların tanımlanması ve sınıflandırılması, mühendislik özelliklerini tahmin etmek için gereklidir. Kaya kütlesinin ayrışma sınıflandırmaları niteliksel sınıflandırmalar ve sayısal sınıflandırmalar olmak üzere ikiye ayrılır. Niteliksel sınıflandırmalarda ayrışma dereceleri ile kayaçların mühendislik özellikleri arasında sayısal ilişkiler kurulamamaktadır. Bu çalışmada, kaya kütlelerinin ayrışma derecesini belirlemek için yeni bir sayısal yaklaşım önerildi. Bu yeni yaklaşımı oluşturmak için Kaya Mühendislik Sistemi (RES) kullanılmıştır. RES doğal sistemi etkileyen parametrelerin karşılıklı etkileşimini gösteren etkileşim matrisinin oluşturulması esasına dayanır. Bu çalışmada kaya kütlelerinin ayrışma durumunu tanımlamak ve derecelendirmek için kurulan etkileşim matrisinde kullanılan parametreler; kaya malzemesi ayrışma durumu (P1), kaya ve toprağın oranı (P2), süreksizlik yüzeyinin ayrışma durumu (P3), kaya kütlesi yapısının korunması (P4), süreksizlik sıklığı (P5) ve süreksizlik yüzey malzemesinin ayrışma derinliğidir (P6). Ağırlık faktörü P1 için 2.8368, P2 için 2.2855, P3 için 2.7356, P4 için 1.497, P5 için 3.4042 ve P6 için 1.1032 olarak elde edilmiştir. Bu çalışmada kaya kütleleri için geliştirilen ayrışmaya sınıflandırılması Gümüşhane-Giresun yolu kazılarında yüzeylenen volkanik kayaçlara uygulanmıştır. Bu çalışmada elde edilen Kaya Kütle Ayrışma Puanı (Wres) ile Jeolojik Dayanım İndeksi (GSI), tek eksenli, basınç dayanımı (σcm) ve deformasyon modülü (Em) arasında anlamlı istatiksel ilişki olduğu ve Wres kullanılarak GSI, σcm ve Em’nin güvenilirlikle tahmin edilebileceği görülmüştür.
- 23 June 2025
- Published by Çukurova University in Geosound
- No. 61,p. 51-72
Open AccessKaya Kütlelerinin Ayrışmaya Göre Sınıflandırılmasında Yeni Yaklaşım ve Uygulaması
Ayrışmış kayaçların tanımlanması ve sınıflandırılması, mühendislik özelliklerini tahmin etmek için gereklidir. Kaya kütlesinin ayrışma sınıflandırmaları niteliksel sınıflandırmalar ve sayısal sınıflandırmalar olmak üzere ikiye ayrılır. Niteliksel sınıflandırmalarda ayrışma dereceleri ile kayaçların mühendislik özellikleri arasında sayısal ilişkiler kurulamamaktadır. Bu çalışmada, kaya kütlelerinin ayrışma derecesini belirlemek için yeni bir sayısal yaklaşım önerildi. Bu yeni yaklaşımı oluşturmak için Kaya Mühendislik Sistemi (RES) kullanılmıştır. RES doğal sistemi etkileyen parametrelerin karşılıklı etkileşimini gösteren etkileşim matrisinin oluşturulması esasına dayanır. Bu çalışmada kaya kütlelerinin ayrışma durumunu tanımlamak ve derecelendirmek için kurulan etkileşim matrisinde kullanılan parametreler; kaya malzemesi ayrışma durumu (P1), kaya ve toprağın oranı (P2), süreksizlik yüzeyinin ayrışma durumu (P3), kaya kütlesi yapısının korunması (P4), süreksizlik sıklığı (P5) ve süreksizlik yüzey malzemesinin ayrışma derinliğidir (P6). Ağırlık faktörü P1 için 2.8368, P2 için 2.2855, P3 için 2.7356, P4 için 1.497, P5 için 3.4042 ve P6 için 1.1032 olarak elde edilmiştir. Bu çalışmada kaya kütleleri için geliştirilen ayrışmaya sınıflandırılması Gümüşhane-Giresun yolu kazılarında yüzeylenen volkanik kayaçlara uygulanmıştır. Bu çalışmada elde edilen Kaya Kütle Ayrışma Puanı (Wres) ile Jeolojik Dayanım İndeksi (GSI), tek eksenli, basınç dayanımı (σcm) ve deformasyon modülü (Em) arasında anlamlı istatiksel ilişki olduğu ve Wres kullanılarak GSI, σcm ve Em’nin güvenilirlikle tahmin edilebileceği görülmüştür.
- 12 January 2021
- Published by Springer Nature in Journal of Mountain Science
- Vol. 18 (1) , 233-251
Prediction of Young’s modulus of weathered igneous rocks using GRNN, RVM, and MPMR models with a new index
- 12 January 2021
- Published by Springer Nature in Journal of Mountain Science
- Vol. 18 (1) , 233-251
Prediction of Young’s modulus of weathered igneous rocks using GRNN, RVM, and MPMR models with a new index
- 30 September 2016
- Published by Yerbilimleri in Yerbilimleri/Hacettepe Üniversitesi Yerbilimleri Uygulama ve Araştırma Merkezi Dergisi
- Vol. 37 (2)
En Küçük Kareler Destek Vektör Makineleri (LS-SVM) Kullanarak Kaya Malzemesi Tanjant Elastisite Modülünün Tahmini
Kaya malzemesi tanjant elastisite modülü kaya mühendisliği tasarım problemlerinin çözümünde önemli bir parametredir. Elastisite modülünün standart laboratuvar deneyleriyle belirlenmesi zor, pahalı ve zaman alıcı bir iştir. Bu durum özellikle ince tabakalı, ileri derecede kırıklı, foliasyonlu, yüksek poroziteli ve zayıf kayalar için geçerlidir. Bu nedenle, araştırmacılar tarafından tanjant elastisite modülünün tahmini için bazı istatiksel modeller geliştirilmiştir. Bu modeldeki korelasyonlar indeks özellikler, petrografik özellikler, Schmidt çekici geri tepme sayısı ve Nokta yük indeksi gibi basit mekanik deneylerle ilgilidir. Ancak, bu korelasyonlar genel amaçlı kullanıma uygun değildir ve basit mekanik deneyler bazı zorluklara ve kısıtlamalara sahiptir. Son birkaç yıl içinde, bu geleneksel yönteme ek olarak, tanjant elastisite modülünün tahmini için yeni teknikler büyük ilgi toplamıştır. Bu yeni teknikler yapay sinir ağları (ANN), genetik algoritma (GA), ilgililik vektör makineleri (RVM) ve destek vektör makineleri (SVM) gibi esnek hesaplama yöntemleridir. Bu çalışmada, kaya malzemesi tanjant elastisite modülünün (Et) tahmininde En Küçük Kareler Destek Vektör Makinesi (LS-SVM) yönteminin uygulanabilirliği ve yeteneği incelenmiştir ve yöntemin performansı yapay sinir ağları (ANN) modeli ile karşılaştırılmıştır. İncelenen örnekler Gümüşhane, Giresun ve Rize’de (KD Türkiye) yüzeylenen volkanik kayaçlardan alınmıştır. Bu modellerin girdi parametreleri efektif porozite ve P-kararlılık indeksidir. ANN ve LS-SVM modellerinin performanslarını belirlemek için Performans İndeksi (PI) kullanılmıştır. Bu iki yöntem güçlü esnek hesaplama teknikleri olmasına rağmen, LSSVM daha yüksek doğruluk ve daha hızlı sonuçlar üretmektedir. Bu çalışma sonuçlarına göre, incelenen volkanik kayaç örnekleri için, LS-SVM modelinin ANN modeline göre daha iyi genelleme yeteneğine sahip olduğu söylenebilir.
- 30 September 2016
- Published by Yerbilimleri in Yerbilimleri/Hacettepe Üniversitesi Yerbilimleri Uygulama ve Araştırma Merkezi Dergisi
- Vol. 37 (2)
En Küçük Kareler Destek Vektör Makineleri (LS-SVM) Kullanarak Kaya Malzemesi Tanjant Elastisite Modülünün Tahmini
Kaya malzemesi tanjant elastisite modülü kaya mühendisliği tasarım problemlerinin çözümünde önemli bir parametredir. Elastisite modülünün standart laboratuvar deneyleriyle belirlenmesi zor, pahalı ve zaman alıcı bir iştir. Bu durum özellikle ince tabakalı, ileri derecede kırıklı, foliasyonlu, yüksek poroziteli ve zayıf kayalar için geçerlidir. Bu nedenle, araştırmacılar tarafından tanjant elastisite modülünün tahmini için bazı istatiksel modeller geliştirilmiştir. Bu modeldeki korelasyonlar indeks özellikler, petrografik özellikler, Schmidt çekici geri tepme sayısı ve Nokta yük indeksi gibi basit mekanik deneylerle ilgilidir. Ancak, bu korelasyonlar genel amaçlı kullanıma uygun değildir ve basit mekanik deneyler bazı zorluklara ve kısıtlamalara sahiptir. Son birkaç yıl içinde, bu geleneksel yönteme ek olarak, tanjant elastisite modülünün tahmini için yeni teknikler büyük ilgi toplamıştır. Bu yeni teknikler yapay sinir ağları (ANN), genetik algoritma (GA), ilgililik vektör makineleri (RVM) ve destek vektör makineleri (SVM) gibi esnek hesaplama yöntemleridir. Bu çalışmada, kaya malzemesi tanjant elastisite modülünün (Et) tahmininde En Küçük Kareler Destek Vektör Makinesi (LS-SVM) yönteminin uygulanabilirliği ve yeteneği incelenmiştir ve yöntemin performansı yapay sinir ağları (ANN) modeli ile karşılaştırılmıştır. İncelenen örnekler Gümüşhane, Giresun ve Rize’de (KD Türkiye) yüzeylenen volkanik kayaçlardan alınmıştır. Bu modellerin girdi parametreleri efektif porozite ve P-kararlılık indeksidir. ANN ve LS-SVM modellerinin performanslarını belirlemek için Performans İndeksi (PI) kullanılmıştır. Bu iki yöntem güçlü esnek hesaplama teknikleri olmasına rağmen, LSSVM daha yüksek doğruluk ve daha hızlı sonuçlar üretmektedir. Bu çalışma sonuçlarına göre, incelenen volkanik kayaç örnekleri için, LS-SVM modelinin ANN modeline göre daha iyi genelleme yeteneğine sahip olduğu söylenebilir.
- Open Access
- 1 January 2015
- Published by Elsevier in Procedia Earth and Planetary Science
- Vol. 15, 338-344
Probabilistic Back Analysis of Landslides in Arakli-Tasonu Quarry, Northeast Turkey
- 1 January 2015
- Published by Elsevier in Procedia Earth and Planetary Science
- Vol. 15, 338-344
Open AccessProbabilistic Back Analysis of Landslides in Arakli-Tasonu Quarry, Northeast Turkey
- 12 November 2012
- Published by Wiley in International Journal for Numerical and Analytical Methods in Geomechanics
- Vol. 37 (16) , 2655-2670
Modeling of tensile strength of rocks materials based on support vector machines approaches
SUMMARY: In the predicting of geological variables, artificial neural networks (ANNs) have some drawbacks including possibility of getting trapped in local minima, over training, subjectivity in the determining of model parameters and the components of its complex structure. Recently, support vector machines (SVM) has been found to be popular in prediction studies due to its some advantages over ANNs. Because the least squares SVM (LS‐SVM) provides a computational advantage over SVM by converting quadratic optimization problem into a system of linear equations, LS‐SVM method is also tried in study. The main purpose of this study is to examine the capability of these two SVM algorithms for the prediction of tensile strength of rock materials and to compare its performance with ANN and linear regression (MLR) models. Total porosity, sonic velocity, slake durability index and aggregate impact value were used as input in modeling applications. Favorite performance evaluation measures were employed to assess developed models. The results determined in study indicate that the SVM, LS‐SVM and ANN methods are successful tools for prediction of tensile strength variable and can give good prediction performances than MLR model. Although these three methods are powerful artificial intelligence techniques, LS‐SVM makes the running time considerably faster with the higher accuracy. In terms of accuracy, the LS‐SVM model resulted in error reductions relative to that of the other models. Copyright © 2012 John Wiley & Sons, Ltd.
- 12 November 2012
- Published by Wiley in International Journal for Numerical and Analytical Methods in Geomechanics
- Vol. 37 (16) , 2655-2670
Modeling of tensile strength of rocks materials based on support vector machines approaches
SUMMARY: In the predicting of geological variables, artificial neural networks (ANNs) have some drawbacks including possibility of getting trapped in local minima, over training, subjectivity in the determining of model parameters and the components of its complex structure. Recently, support vector machines (SVM) has been found to be popular in prediction studies due to its some advantages over ANNs. Because the least squares SVM (LS‐SVM) provides a computational advantage over SVM by converting quadratic optimization problem into a system of linear equations, LS‐SVM method is also tried in study. The main purpose of this study is to examine the capability of these two SVM algorithms for the prediction of tensile strength of rock materials and to compare its performance with ANN and linear regression (MLR) models. Total porosity, sonic velocity, slake durability index and aggregate impact value were used as input in modeling applications. Favorite performance evaluation measures were employed to assess developed models. The results determined in study indicate that the SVM, LS‐SVM and ANN methods are successful tools for prediction of tensile strength variable and can give good prediction performances than MLR model. Although these three methods are powerful artificial intelligence techniques, LS‐SVM makes the running time considerably faster with the higher accuracy. In terms of accuracy, the LS‐SVM model resulted in error reductions relative to that of the other models. Copyright © 2012 John Wiley & Sons, Ltd.
- 3 July 2012
- Published by Springer Nature in Environmental Earth Sciences
- Vol. 68 (3) , 807-819
Prediction of unconfined compressive strength of carbonate rocks using artificial neural networks
- 3 July 2012
- Published by Springer Nature in Environmental Earth Sciences
- Vol. 68 (3) , 807-819
Prediction of unconfined compressive strength of carbonate rocks using artificial neural networks
- 15 March 2012
- Published by Springer Nature in Rock Mechanics and Rock Engineering
- Vol. 45 (6) , 1055-1072
Application of Generalized Regression Neural Networks in Predicting the Unconfined Compressive Strength of Carbonate Rocks
- 15 March 2012
- Published by Springer Nature in Rock Mechanics and Rock Engineering
- Vol. 45 (6) , 1055-1072
Application of Generalized Regression Neural Networks in Predicting the Unconfined Compressive Strength of Carbonate Rocks