Yer radarı ham verisi analizi ile kırıkların dalgacık ve derin öğrenme yöntemleri ile tespiti

Abstract

Bu tez, yollar ve köprüler gibi altyapılarda gelecekte sorunlara yol açabilecek çatlakların tespit edilmesi ile ilgilidir. Çatlakları tespit etme yöntemleri tahribatlı ve tahribatsız olarak iki grupta incelenir. Bu çalışma tahribatsız yöntemleri özellikle de diğer yöntemlere kıyasla birçok avantajı nedeniyle yer radarı analizleri kullanarak materyallerdeki çatlakları analiz etmeyi amaçlamaktadır. Bu çalışmada, bir laboratuvar ortamı oluşturulmuş ve farklı şekil ve malzemelerde kırıklı ve kırıksız çeşitli blokların yer radarı ve termal görüntü ölçümleri yapılmıştır. Sonra görsel ve termal analizin ardından, GPR ham verileri dalgacık dönüşümü ve entropi yöntemleri ile analiz edilmiştir. Son olarak, sürekli dalgacık dönüşümü katsayıları derin öğrenme yöntemleriyle, özellikle evrişimsel sinir ağı ile sınıflandırılmış ve sınıflandırma doğruluğu hesaplanmıştır. Ayrıca, önceki araştırma çalışmaları için kullanılan bir köprüye ait bir vaka çalışması, yöntemleri daha geniş bir ölçekte test etmek için kullanılmıştır. Sonuçlar, önerilen Wavelet-CNN çatlak tespit yönteminin, ham veri veya b-tarama sinyallerinden doğrudan çatlakları tespit etmekten daha iyi olduğunu göstermektedir.

This thesis is about detecting cracks on infrastructures such as roads and bridges which may result in several problems in future. There are several methods for detecting cracks which can be summarized as destructive and nondestructive. This study aims to analyze cracks in materials by using non-destructive techniques (NDT) especially Ground Penetrating Radar (GPR) analysis because of its many advantages over other NDTs as will be seen under the literature review. In this study, a laboratory environment is constructed and GPR and thermal image measurements of several cracked and non-cracked slabs of different shapes and materials were conducted. Then after visual and thermal analysis, the GPR raw-data is analyzed with wavelet transform and entropy analysis. Finally, the continuous wavelet transform coefficients are classified with deep learning methods, specifically convolutional neural network and the classification accuracy was calculated. Furthermore, a case study of a bridge used for previous research works was used to test the methods on a larger scale. The results show that the Wavelet-CNN crack detection method proposed is better than detecting cracks directly from the raw-data or b-scan signals.