Yapay sinir ağı modellerinin geliştirilmesi, tasarım, eğitim ve test olmak üzere üç aşamadan oluşmaktadır.
4.6.1 Tasarım
Tasarım safhası problemin en önemli safhasıdır. Çünkü bu aşamada geliştirilmekte olan uygulamanın veya problemin tamamı ile kavranması ve anlaşılması gerekmektedir. Ayrıca burada ele alınan problem YSA ile çözüme uygun olmalıdır. Öncelikli olarak problemin çözümü için en iyi sonucu vereceği düşünülen YSA mimarisin seçimi gerekmektedir. Problemin girdi ve çıktı katmanlarında yer alacak parametreler kesin olarak tanımlanmalıdır. Bu parametreler kullanılacak ağ mimarisinin gereklerine uygun değerlere dönüştürülür. Girdi ve çıktı katmanında bulunan verilerdeki reel sayılar, normalizasyon, fonksiyona tabi tutulma ve/veya ölçeklendirme gibi ön işlemlerden geçirilebilmektedirler.
YSA yapısı belirlendikten sonra, ağın mimarisinde gerekli olacak olan gizli katman sayısı ve bu katmanlardaki işlem elemanı sayıları belirlenmelidir. YSA’nın en iyi performansı, ağ hatasının minimum ve öğrenme hızının maksimum olduğu optimum veya optimuma yakın katman ve işlem elemanı sayılarında göstermektedir. Bu katman ve işlem elemanı sayıları belirlenirken deneme-yanılma yöntemi kullanılmaktadır. Bu aşamalar yapıldıktan sonra artık yapay sinir ağı modelinin mimarisi tasarlanmıştır. Artık YSA modeli eğitilmeye hazırdır.
4.6.2 Eğitim
Yapay sinir ağı modelinin mimari yapısı ve işlem elemanı tasarlanma aşamasından sonra YSA’nın eğitimi başlatılabilir. Öğrenme yeteneği yapay sinir ağlarının en önemli özelliğidir. YSA modeli, belirli bir probleme ait doğru sonuçları (çıktıları) bulmasını sağlayacak optimum ağırlık değerlerini bulduğunda öğrenme aşamasını başarı ile tamamlamış demektir. Bilgi, işlem elemanlarını bağlayan bağlantılardaki ağırlıklara dağıtıldığı için tek bir bağlantının herhangi bir anlamı bulunmamaktadır. Yapılacak bir öğrenme faaliyetinde ağ bir bütün olarak değerlendirilmelidir. Problemin çözümü için YSA’nın bağlantılarına ait ağırlık değerlerinin optimumunun bulunması gerekmektedir. Bu işlem öğrenme veya eğitme olarak adlandırılmaktadır.
Yapay sinir ağ modelinin mimarisinin iyi tasarlanması veya öğrenmenin çok iyi bir şekilde gerçekleşmesi, çözüm sonucunda elde edilen çıktıların tutarlı ve isabetli olması anlamına gelmemektedir. Buradaki en önemli husus ağdaki bilginin iyi temsil edilmesidir.
Eğitim seti, girdi ve çıktıları içeren bir setten oluşmaktadır. Çıktı bilgileri denetimli öğrenmede yer alırken, destekli öğrenme ve denetimsiz öğrenmede yer almaz. Öğrenme işlemi için bir eğitim örneğine göre ağırlıkların nasıl düzeleceğini belirleyen bir eğitme algoritması kullanılır.
Bütün öğrenme örneklerinde ağ tarafından öngörülen çıkış ile istenen çıkış arasında belirlenen bir sınırda hatayı gösteren bir ölçüt belirlenir. Ve öğrenme sürecini sona erdirmek için, öğrenme örnekleri, önceden belirlenmiş bu ölçüte ulaşıncaya kadar ağa defalarca gösterilir.
Bir sinir ağ modeli, girdi katmanı, gizli katmanlar ve çıktı katmanı olmak üzere üç ana bölümden oluşur. Gizli katman sayısı deneme yanılma yöntemi ile belirlenir. Girdi katmanı elde ettiği bilgileri herhangi bir işlem yapmaksızın diğer katmana aktarmakla görevlidir. Bir katmandaki işlem elemanları, kendisinden önceki katmandaki işlem elemanları ve kendisinden sonraki işlem elemanları ile
bağlantılıdır. Aynı katmandaki işlem elemanları ile katman-aşırı işlem elemanları ile arasında bağlantı yoktur.
4.6.3 Test
YSA modeli eğitiminin tamamlanmasından sonra artık problem hakkında danışılmaya hazır hale gelmiştir. YSA daha önce eğitim setinde ağa sunulmamış olan örnekler sorulduğunda genelleme yaparak sonuca ulaşır. Test işlemi gerçekleştirildiğinde YSA’nın ürettiği sonuçlar test veri seti için yeterli yaklaşıklığı sağlıyorsa tasarlanan YSA modeli güvenilir bir ağ modelidir. Eğer istenen sonuçlar elde edilemiyorsa, eğitim ve test işlemleri tekrar tekrar yapılır. Ayrıca unutulamaması gereken bir husus da, eğitim setindeki verilerin çözüm aralıkları ne kadar iyi şekilde temsil edilir ve genişletilirse o kadar iyi sonuçlar elde edilir.
BÖLÜM 5. YAPAY SİNİR AĞ (YSA) TABANLI PERFORMANS
DEĞERLENDİRME MODELİ
5.1. Giriş
Bu çalışmada, olası bir deprem etkisindeki mevcut betonarme binaların deprem güvenliklerinin belirlenmesi amacıyla yapay sinir ağları (YSA) yaklaşımı kullanılarak “YSA tabanlı performans değerlendirme modeli” önerilmiştir. Önerilen bu YSA tabanlı model, eğitim seti ile eğitilmiş, güvenilirliği test seti ile kontrol edilmiş ve gerçek binalardan oluşturulan referans seti ile doğrulanmıştır. Bu çalışmada kullanılmak üzere 9750 adet farklı bina modeli geliştirilmiş ve P25 hızlı değerlendirme yöntemi ile performans puanları ve performans durumları belirlenmiştir. Bu binaların 9150 adeti eğitim seti olarak seçilmiş ve YSA tabanlı modelin eğitimi için kullanılmıştır. Geriye kalan 600 adet bina ise test seti olarak seçilmiş ve YSA tabanlı modelin öğrenme ve genelleştirme özelliğini test etmek amacıyla kullanılmıştır. Ayrıca YSA tabanlı modelin performansını doğrulamak amacıyla referans seti oluşturulmuştur. Referans setindeki binalar Bingöl ilindeki gerçek binalardan seçilmiştir. Bu binalar 2003 Bingöl depremine maruz kalmış ve hasar durumlarına göre ODTU tarafından sınıflandırılmıştır [SERU Structural Engineering Research Unit , 2011]
Gerçek yapıların performansını belirlemek için kullanılan yöntemlerin çok uzun zaman gerektirdiği ve bu işlemin oldukça maliyetli olmasının yanında binaların önemli bir kısmının projesinin mevcut olmaması nedeniyle bu çalışmada daha önce geliştirilmiş olan P25 yönteminden yararlanılmıştır. Fakat önerilen/geliştirilen YSA modelinin kullanılan yöntemlere oranla daha hızlı, daha basit ve güvenilir cevaplar verdiği ve dolayısıyla diğer yöntemlere alternatif bir yöntem olabileceği sonucuna varılmıştır.