http://hdl.handle.net/20.500.12416/3431 İnşaat Mühendisliği Bölümü tezlerini içerir. Wed, 28 Oct 2026 16:55:33 GMT 2026-10-28T16:55:33Z http://hdl.handle.net/20.500.12416/6401 Convolutional neural networks (CNN) based binary classifiers for construction machinery detection Tatar, Bahadır İnşaat faaliyetlerinin yapay zeka ile izlenmesi şantiye operasyonlarındaki verimlilik için önemli bir vazifedir. Bu nedenle işlenen konu literatürde oldukça ilgi görmüştür. Farklı çeşitlilikteki görevleri izleyerek ve tespit ederek inşaat alanlarındaki operasyonları başarılı bir şekilde eniyileştirmek, şantiye işlerinde kullanılabilen araçları belirlemede önemli bir rolü olan şantiye alanının boyutuna bağlıdır. Yapay zeka algoritmalarının inşaat makinelerini algılaması için eğitilerek, görüntü sınıflandırma algoritmaları aracılığıyla geniş alanları kapsayan bir izleme görevi yüksek verimlilikle gerçekleştirilebilir. İnsansız hava araçlarından alınan görüntülerin kullanılması çok geniş bir bölgedeki inşaat operasyonlarını tespit etme açısından verimsiz kalabilir. Dolayısıyla bu tezde, iş makinelerinin tespit edilmesi için uydu görüntüsü sınıflandırılması yapılmıştır. Evrişimli sinir ağlarını eğitmek için Google Earth kullanılarak sıfırdan oluşturulan ve inşaat makineleri görüntüleri içeren bir veri seti oluşturulmuştur. Toplamda 23 adet önceden eğitilmiş evrişimli sinir ağı modeli öğrenme aktarımı yöntemi kullanılarak modifiye edilmiştir ve performansları değerlendirilmiştir.; Monitoring construction activities with artificial intelligence is an important task for efficiency in construction site operations. Hence the topic received a fair amount of attention in the literature. Successfully optimizing construction site operations by monitoring and detecting various tasks is dependent on the size of the construction field, which determines the tools that can be used for the job. A monitoring task that covers large areas can be performed with high efficiency through image classification algorithms by training the algorithms to detect construction machinery. If the area of monitoring is larger such as the task of detecting construction operations in a large territory, using drone images might also become inefficient. Consequently, satellite image classification has been performed for construction machinery detection in this thesis. A dataset that contains construction machinery images created from scratch using Google Earth was used to train convolutional neural networks. A total of 23 different pre-trained convolutional neural network models were modified with the transfer learning method and their performance was evaluated. Sat, 01 Jan 2022 00:00:00 GMT http://hdl.handle.net/20.500.12416/6401 2022-01-01T00:00:00Z http://hdl.handle.net/20.500.12416/6297 Multivariate curve fitting for the analysis of short members as the basis for structural grading Atayı, Mustafa Bu çalışmada çoklu doğrusal regresyon ve çoklu doğrusal olmayan regresyon yöntemleri araştırılmış ve bambu gibi kısa elemanların detaylı analizine göre en uygun çoklu eğri uydurma yöntemi seçilmiştir. Bambunun fiziksel özellikleri ile basınç dayanımı ve nihai çekme yükü arasındaki ilişki gözlemlenmiş ve bunlar üzerinde çoklu regresyon yöntemleri uygulanmıştır. Sonucunda en uygun yöntem olarak çoklu doğrusal regresyon yöntemi belirlenmiştir. Ayrıca test amaçlı kullanılan bambuların sayısı azaltılarak koruma politikası ile ekonomik açıdan da tasarruf sağlanmıştır.; In this study, multiple linear regression and multiple nonlinear regression methods were investigated and the most suitable multiple curve fitting method was selected according to the detailed analysis of short elements such as bamboo. The relationship between the physical properties of bamboo, compressive strength and ultimate tensile load was observed and multiple regression methods were applied on them. As a result, multiple linear regression method was determined as the most suitable method. In addition, the number of bamboos used for testing purposes has been reduced and economic savings have been achieved with the protection policy. Fri, 01 Jan 2021 00:00:00 GMT http://hdl.handle.net/20.500.12416/6297 2021-01-01T00:00:00Z http://hdl.handle.net/20.500.12416/3452 Evaluating the relationship between concrete strength and mix design properties using artificial neural network (ANN) hybrid algorithms Kefeli, Sinan In this thesis, accurate prediction of concrete strength was investigated by using artificial neural network hybrid algorithms. To hybridize and tune ANN models, Particle Swarm Optimization was implemented. Optimization process was conducted step by step up to reaching predictions at a high level of accuracy. Activation functions, numbers of neuron in hidden layers, initial learning rate, solver and learning rate were subjected to optimization.; Bu tezde, beton dayanımının doğru ve kesin tahmini yapay sinir ağı (YSA) hibrit algoritmaları kullanılarak incelenmiştir. YSA modellerini hibritleştirmek ve ayarlarını yapmak için Parçacık Sürü Optimizasyonu (PSO) kullanılmıştır. Optimizasyon süreci yüksek bir doğruluk seviyesindeki tahminlere ulaşıncaya kadar adım adım yürütülmüştür. Aktivasyon fonksiyonları, gizli katmanlardaki nöron sayıları, başlangıç öğrenme oranı, çözümleme algoritması ve öğrenme oranı optimizasyona konu edilmiştir. Tue, 01 Jan 2019 00:00:00 GMT http://hdl.handle.net/20.500.12416/3452 2019-01-01T00:00:00Z