Veri füzyonu ve derin öğrenme yöntemi kullanılarak yapısal sağlık izleme sistemi geliştirilmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: SONGÜL DEMİRTAŞ
Danışman: Övünç Polat
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Yapılarda hasarlar, yaşlılık ve çevresel etkenlere bağlı olarak sistem elemanlarında dayanım azalmalarına, yapı geometrisinde sistemin zayıflamasına sebep olan değişikliklerin meydana gelmesine ve yapı elemanlarında ilave zorlamaların oluşmasına neden olabilmekte ve tasarımda öngörülemeyen durumlar ortaya çıkabilmektedir. Yapısal sağlık izleme (YSİ), bir yapıda meydana gelen hasarın tespit edilmesi, konumu belirlenmesi, büyüklüğünün değerlendirilmesi ve yapıda kalan ömrün belirlenmesi amacıyla belirli stratejilerin uygulandığı bir süreçtir. Hava taşıtlarında hasar tespiti için tahribatlı ve tahribatsız muayene yöntemleri kullanılmaktadır. Tahribatlı muayene teknikleri, muayene edilen malzeme veya ürünlerin tekrar kullanılma olasılıklarını ortadan kaldıran veya kısmen yok eden yöntemleri ifade ederken, tahribatsız muayene (NDT), malzemenin veya parçanın bütünlüğünü bozmadan gerçekleştirilen bir muayene türünü ifade etmektedir. NDT prosedürleri günümüzde yapısal sağlık izleme (YSİ) tekniklerinden daha olgun teknolojilere sahiptir, ancak insan müdahalesi gerektirir ve daha fazla iş gücüne ihtiyaç duyar. Ayrıca, harici prob veya ekipman kullanımı nedeniyle daha maliyetlidir. NDT, duruma dayalı bakım kavramı için uygun bir seçenek değildir. Bu nedenle, sahada kullanım sırasında hasarları izlemek için bir yol olarak, sensör tabanlı akıllı yapıların kurulumu önem kazanmaktadır. Kompozit malzemelerin kullanımı, nano seviyeden makro seviyeye kadar olan tasarım ve üretim süreçlerinde sensörlerle yapısal sağlığın anlık ve sürekli olarak izlenmesine imkân tanır. Bu sayede, bu yapıların akıllı yapılar haline dönüşmesi ve etkin bir şekilde kullanım sırasında izlenmesi mümkün olabilir. Hasar tespit yöntemlerinin otomasyona geçirilmesi, kurumlara teknik yenilikler ve kolaylık sağlayarak analiz hassasiyetini artırabilir ve insan kaynaklı yöntemlere olan bağımlılığı azaltabilir. Bu çalışmada, hava taşıtında kullanılmak üzere üretilmiş gerçek yapısallar kullanılmıştır. Özgün olarak oluşturulan veri setinde bu yapısallar üzerinden alınan görüntüler ile yapısallar üzerine yerleştirilmiş titreşim sensörlerinden elde edilen titreşim verileri kullanılmıştır. Bu yapısallar üzerinden farklı açılardan çekilmiş 101 adeti hasarlı ve farklı açılardan çekilmiş 32 adeti hasarsız olmak üzere toplam 133 adet görüntü alınmış, hasarlı ve hasarsız olarak iki gruba ayrılmıştır. Hasarlı yapısal parçalar üzerinden 25 ölçüm, hasarsız parçalar üzerinden ise 12 adet ölçüm olmak üzere toplamda 37 adet ölçüm yapılmıştır. Her bir parçadan 5 sensör ölçümü olmak üzere tüm sensörlerden toplamda 185 adet sensör verisi elde edilmiş ve veri setinde kullanılmak üzere bilgisayar ortamında kaydedilmiştir. Sensör verileri hasarlı ve hasarsız olarak iki gruba ayrılmıştır. Derin öğrenme teknikleriyle eğitilen görüntü işleme algoritmaları, yapısal görüntülerle birlikte sensör verilerini incelemek amacıyla kullanılmıştır. Yapay sinir ağlarının eğitilmesi için büyük miktarda veri ve uzun bir süre gerektiği göz önüne alındığında, özgün elde edilen yapısal parça görüntülerinin analizi için transfer öğrenmesi yöntemi kullanılarak SqueezeNet ağ yapısı, ve probleme özgün CNN yapısında bir ağ modeli kullanılmıştır. Sensör verileri tek başına 1 D-CNN Yapısının girişine uygulanarak ağ eğitilmiş ve veriler sınıflandırılmıştır. Bunun yanı sıra çalışmada probleme özgün olarak Multi-Input CNN yapısı oluşturularak ağın başarısı değerlendirilmiştir. Bu ağ modelinde hem hasarlı/hasarsız parça görüntüleri, hem de hasarlı/hasarsız sensör verilerinin zamana göre değişiminin görüntüleri giriş olarak tanımlanmış ve ağ yapısında iki verinin birlikte kullanılması sonucunda eğitim ve test sınıflandırma yapılmıştır. Yapılan çalışmalar neticesinde hasarlı ve hasarsız parça sınıflandırması tüm modellerde gerçekleştirilmiş ve en başarılı sonuç Multi-Input CNN ağ mimarisi kullanımında alınmıştır. Oluşturulan modellerin daha fazla sayıda veri içeren veri seti kullanımı sayesinde geliştirilmesi ve daha iyi sonuçlar vermesi öngörülmektedir. Elde edilen sonuçlar çerçevesinde, mevcut yapısal sağlık izleme prosedürlerine katkıda bulunabilecek, uygun maliyetli ve hızlı bir hasar tespiti yöntemi önermektedir. Kullanılan derin öğrenme yöntemleri sayesinde denetçi tecrübesine bağımlı olmayan ve insan kaynaklı hata oranını ortadan kaldıran bir çözüm sunmaktadır. Hava taşıtlarına ait yapısalların hasar tespiti, uzman personel eğitimi ve tecrübesi gereksinimine ek olarak insan faktöründen kaynaklanan öznellik gibi durumlar nedeniyle bilgisayar tabanlı çözümlerle daha pratik ve hassas hale getirilebilir.