Merve Acikgenc Ulas

While there are evident advantages to deploying UAVs for structural inspection applications within reinforced-concrete structures where human access may be hazardous or restricted, UAV deployment is still inhibited within structures due to a lack of GPS, payload and power limitations, signal attenuation, limited transmission opportunities, and low bandwidth for communication. Within the confines of the present project, a low-cost two-layer six-rotor architecture was developed; a single Pixhawk PX4 manages stabilized flight, while a Raspberry Pi 4 manages mission-level operations. The complete prototype integrated a relative-pose/nearby-object estimator, hybrid 433 MHz and Wi-Fi/MQTT communications, avionics-side energy management, mission continuity via SQLite, and human-in-the-loop fail-safe support. Prototype experiments revealed reduced horizontal drift compared to both tested comparison configurations, continued operation under constrained communication conditions, and a 62.0% reduction in avionics-side power consumption, excluding propulsion. This was followed by a complementary PX4–Gazebo evaluation probing horizontal and vertical proximity responses, six-sector LiDAR processing, and stale-data watchdog functionality. Across 45 repeated simulation runs and 3000 retained sector-level observations, no simulated collisions occurred during the horizontal-approach, vertical-proximity, or watchdog tests. No false sector assignments were observed, and the overall mean absolute error was 0.0285 m. From this limited demonstration, the architecture appears satisfactory at the prototype and simulated-subsystem levels. Further physical testing will be needed prior to operational deployment.

The recent seismic activity in southeastern Turkey in February 2023 again emphasized the critical need to promptly evaluate structural damage to assist in emergency response operations. This study introduces a comprehensive ensemble deep learning approach to structural damage classification following earthquake events, based on a dataset containing 13,270 high-resolution images with 15 different damage classes. Six different state-of-the-art convolutional neural network models (VGG16, ResNet50, InceptionV3, DenseNet121, EfficientNetB0, and MobileNetV2) are combined using a weighted voting approach to handle extreme class imbalance using weighted categorical cross-entropy loss. An integrated explainability component is incorporated into the trained convolutional neural network models to highlight the image regions that contribute to the predicted damage class, thereby improving the interpretability of deep learning decisions in safety-critical post-disaster assessment scenarios. The performance evaluation results show that the ensemble model achieves a test accuracy of 93.77%, with an increase of 2.67% compared to the best performing model individually. Notably, the ensemble model improves performance in minority classes like collapsed buildings. The proposed framework can be used to provide a powerful approach to structural damage evaluation, balancing accuracy with interpretability, to assist structural engineers in post-earthquake evaluation procedures.

İnşaat mühendisliği literatüründe, özel beton türlerinin karışım tasarımını modellemek ve bu amaçla betonun bazı özelliklerini tahmin etmek için makine öğrenmesi yöntemleri sıklıkla kullanılmaktadır. Geleneksel karışım tasarımı hesapları, istenilen özellikte betonun üretilebilmesi için bir deneme yanılma süreci gerektirmektedir. Bu süreçte zaman, işgücü ve malzeme kayıpları yaşanır. Makine öğrenmesi yöntemleri kullanılarak deneme yanılma karışımlarının sayısı azaltılabileceğinden, gerek duyulan özelliklere sahip betonun üretilebilmesi kolaylaşabilir. Burada söz konusu malzeme Kendiliğinden Yerleşen Hafif Beton (KYHB) gibi özel bir tür beton ise karışım tasarımının pratik hale getirilmesi ile üretim sürecinin hızlandırılması daha büyük önem kazanır. Hem kendiliğinden yerleşen özellikte hem de hafif agrega içeren bu beton türünün istenilen özelliklerde üretilebilmesi süreci geleneksel betona göre daha zordur. Bu çalışmada, KYHB’nin basınç dayanımını tahmin etmek için dört farklı makine öğrenmesi algoritması karşılaştırılmalı değerlendirilmiştir. Çalışmanın amacı, KYHB bileşiminden basınç dayanımının tahmin edilmesidir. Ek olarak makine öğrenmesi algoritmalarının beton performansını tahmin etmedeki başarısını kanıtlamak ve böylece yöntemin öncelikle beton karışım hesabı için kullanımını artırmaktır. Bu amaçla, KYHB karışımının bazı deneysel özelliklerini ve bileşimini içeren bir veri seti ile Lineer Regresyon, Gauss Süreç Regresyonu, Quadratik ve Kernel Destek Vektör Makinası yöntemleri kullanılarak 4 farklı tahmin modeli geliştirilmiştir. Geliştirilen modellerin performansı, deneysel sonuçlar ile model çıktısı arasındaki doğrusal korelasyon oranı ve hata miktarları açısından değerlendirilmiştir. Gauss Süreç Regresyonu modeli ise bu çalışmada en başarılı makine öğrenmesi metodu olmuştur.

İnşaat Mühendisliği alanında yapı malzemelerinin özellikle betonun karışım tasarımını anlamak ve bazı özelliklerini tahmin edebilmek için makine öğrenmesi metotları sıkça kullanılmaya başlanmıştır. Bu bağlamda oldukça faydalı olan makine öğrenmesi metotları sayısız denilebilecek çeşitliliktedir. Bu çalışmada makine öğrenmesi metotlarından Gauss Süreç Regresyonu (GSR) ve Destek Vektör Makineleri (DVM), Kendiliğinden Yerleşen Beton (KYB)’nin basınç dayanımını tahmin etmek için tercih edilmiştir. Çalışmanın amacı, farklı makine öğrenmesi metotlarının beton performansını tahmin etmekteki başarılarının ispat edilmesi ve böylece bu metotların özellikle beton karışım tasarımı alanında kullanımının arttırılmasıdır. Bu amaçla, KYB bileşimini ve özelliklerini içeren deneysel veri seti ile GSR ve DVM modelleri geliştirilmiştir. Geliştirilen modellerin performansları hem birbirleri ile hem de bu alanda başarısını literatürdeki birçok çalışma ile ispat etmiş olan başka bir makine öğrenmesi metodu, Yapay Sinir Ağı ile karşılaştırılmıştır. Sonuçta, deneysel veri ile eğitilen ve doğrulanan GSR ve DVM modellerinin KYB’nin basınç dayanım performansını tahmin etmekte başarılı oldukları ortaya çıkmıştır. Çalışma sonuçlarına göre GSR bu problemdeki en başarılı metot olmuştur. GSR için deneysel veri ile modelin çıkışı arasındaki korelasyon katsayıları eğitim aşamasında 0.9888 ve test aşamasında 0.8648 olarak hesaplanmıştır.

Bu çalışmanın amacı hafif beton üretilirken hedef mukavemet için gerekli olan hafif agrega miktarının tayin edilmesi ve gelecek çalışmalarda üretilecek hafif betonlar için pratik bir karışım tasarımı sunmaktır. Bu amaçla literatürde yer alan hafif beton ile ilgili çalışmalar detaylı bir şekilde incelenmiştir. Bu çalışmalarda bulunan hafif betonlara ait veriler sınıflandırılmış ve listelenmiştir. Literatürden hafif betonlara ait karışım bileşenleri ve hedef basınç dayanımı değerleri alınmıştır. Literatürden alınan deneysel veriler ile bir Yapay Sinir Ağı (YSA) modeli geliştirilmiştir. Bu modelde su, çimento, normal agrega, toz, kimyasal katkı, hedef basınç mukavemet ve hafif agrega tipi giriş olarak kullanılmıştır. Modelin çıkışı ise hafif agrega miktarı olarak belirlenmiştir. Düzenlenen veriler geliştirilen YSA modeli kullanılarak hafif beton bileşimindeki hafif agrega miktarının tahmininde kullanılmıştır. Geliştirilen model çıkışları ile literatürden alınmış deneysel veriler karşılaştırılmıştır. Geliştirilen YSA modeli ile elde edilen sonuçlar ile deneysel veriler arasındaki farklar uygun sınırlar içerisinde bulunmuştur. Sonuç olarak geliştirilen YSA modelinin hedeflenen çıkışı başarılı bir şekilde ve yüksek doğrulukta tahmin ettiği görülmektedir. Böylece hedef basınç dayanımı belirlenmiş olan bir hafif beton karışımı için hafif agrega miktarı hızlı, pratik ve yüksek doğrulukta tahmin edilmiş olacaktır.

The marble industry produces large amount of waste at almost every stage of marble processing. This waste is always uncontrollably discharged into open areas. Therefore, the consumption of Waste Marble Powder (WMP) in concrete is very important and will provide both an economic gain for concrete industries and an opportunity to achieve eco‐efficient concrete production. Self‐Compacting Concrete (SCC) is mostly preferred concrete type which uses the WMP as powdered material. Thus, to increase WMP usage in the production of eco‐efficient SCC, it is aimed in this study to develop a model that can predict WMP demand. To develop this model, Artificial Neural Network (ANN), an artificial intelligence method, was preferred. An ANN model was developed using a comprehensive dataset that included eco‐efficient SCC mixture compositions, workability measurements, and compressive strengths. The ANN model with seven inputs and one output as WMP was successfully trained and managed to produce the correct outputs to both validation and test datasets. Mix design of SCC with aimed properties can be a long process compared to conventional concrete. The proposed ANN model could reduce time loss in the production process. ANN's success is expected to facilitate the production of eco‐efficient SCC with WMP.

Aggregate gradation is an essential concern in obtaining the intended properties in concrete production. The efficiency of this parameter dramatically increases for steel fiber–reinforced concrete (SFRC). Although steel fibers significantly improve the mechanical performance of concrete, they negatively affect the workability. Moreover, steel fibers, as expensive materials, drastically increase the cost of SFRC. For this reason, it is critical to correctly select the aggregate gradation and maximum aggregate size to be used in SFRC. In this study, the aim is to determine the effects of different aggregate gradations on the workability, mechanical performance, and cost of SFRCs. For this purpose, SFRC mixtures were produced with the maximum aggregate size of 16 and 31.5 mm. Vebe tests of fresh SFRCs were performed after the first mixing process and at the end of 30, 60, and 90-min intervals. The effects of test time and fine-to-coarse aggregate ratio on the workability were determined using response surface methodology. The compressive and flexural strengths and toughness performances of hardened SFRCs were also measured. In the last part of the study, to determine the effect of aggregate gradation on the cost, the unit costs of the SFRCs were calculated. The workability of SFRCs increased to a certain degree when finer aggregate gradation and smaller maximum aggregate size were preferred. Additionally, as finer aggregate gradation was used, it was observed that although the volume fraction of steel fibers did not change, the mechanical performance of SFRCs increased for a certain nominal aggregate size. Moreover, the unit cost of SFRCs decreased for a certain nominal aggregate size. As a result, by only selecting a finer aggregate gradation, it is possible to increase the workability and mechanical performance of SFRC and also produce more economic SFRCs for a constant volume fraction of steel fibers.

This study investigates the effects of changing the aggregate grading and maximum aggregate size (Dmax) on the workability and mechanical properties of steel fibre-reinforced concrete (SFRC). Four different gradations and two different Dmax were used to produce SFRC mixtures with constant cement dosages and water/cement ratios. Twelve different concrete series were tested. To observe the properties of fresh concrete, slump and Ve-Be tests were performed immediately after the mixing process to investigate the effects of time on workability. The hardened properties, such as the compressive, splitting tensile and flexural strengths, were also evaluated. In addition, the toughness of the SFRC was calculated. Based on our test results, we can conclude that the grading of the aggregate and the Dmax have remarkable effects on the properties of fresh and hardened SFRC. In addition, the toughness of the SFRC was influenced by changing the grading of the aggregate and the Dmax.