ArrangementGAN, mimari çizimlerdeki yapısal ve mimari öğeleri anlamsal olarak ayırdıktan sonra pix2pixHD tabanlı üretici karşıt ağ kullanarak viskoz sönümleyicilerin düzlemsel yerleşimini otomatik oluşturan bir derin öğrenme tasarım yaklaşımıdır. Bu çalışmada ArrangementGAN tek başına kullanılmamış; önce genetik algoritma (GA) ile düşey sönümleyici dağılımlarının Pareto-optimal örnekleri üretilmiş, ardından çok katmanlı algılayıcı (Multilayer Perceptron, MLP) bu çözümleri öğrenerek kat bazındaki sönümleyici sayılarını hızlı biçimde tahmin etmiştir. İkinci aşamada mimari çizimlerden kolon, kapı/pencere, dolgu duvarı ve uygun sönümleyici bölgeleri çıkarılarak pix2pixHD tabanlı ArrangementGAN'a verilmiştir. Kaynakta optimal MLP için \(R^2=0.961\), `<%5` tahmin hatası ve yaklaşık iki mertebelik hesaplama verimi artışı; bütün tasarım iş akışı için ise geleneksel yaklaşıma göre 10 kattan fazla verim artışı raporlanmıştır. ArrangementGAN'ın 7 ve 8 derece sismik tasarım koşullarındaki mühendislik vakalarında kod gerekliliklerini karşıladığı bildirilmiştir. Bununla birlikte çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; eğitim veri ölçeği, mekanik fizik bilgisinin öğrenme modeline sınırlı entegrasyonu ve farklı sismik koşullar arasında model aktarılabilirliği önemli sınırlılıklardır.

Çalışmanın önemli özelliği “sönümleyici nereye yerleştirilmeli?” sorusunu iki ayrı ölçekte ele almasıdır. Düşey yerleşim, binanın hangi katına kaç sönümleyici ayrılması gerektiğini belirler. Düzlemsel yerleşim ise belirli bir katın mimari/taşıyıcı planında bu sönümleyicilerin hangi açıklıklara ve yönlere yerleştirileceğini belirler. GA–MLP hattı birinci problemi, ArrangementGAN ikinci problemi çözmektedir.

Viskoz sönümleyici, yapının deprem veya başka bir dinamik yük altında yaptığı göreli hareketten kaynaklanan mekanik enerjinin bir bölümünü viskoz direnç yoluyla dağıtmak üzere kullanılan enerji sönümleme elemanıdır. Ancak yalnız sönümleyici sayısının artırılması yeterli değildir; katlar arasındaki dağılım, simetri, kuvvet aktarım yolu, büyük kat ötelenmelerinin bulunduğu bölgeler, ani rijitlik değişimleri, mimari işlev ve bakım erişimi birlikte dikkate alınmalıdır.

Araştırmanın çözmeye çalıştığı problem

Geleneksel sönümleyici yerleşim optimizasyonu çoğunlukla mühendislik deneyimine, iteratif analizlere ve genetik algoritma veya parçacık sürüsü gibi optimizasyon yöntemlerine dayanır. Bu yöntemler yüksek kaliteli sonuçlar verebilse de özellikle karmaşık veya yüksek yapılarda çok sayıda alternatifin tekrar tekrar analiz edilmesi hesaplama süresini büyütür.

İkinci problem, tek bir hedefin optimize edilmesinin yeterli olmamasıdır. Sadece maksimum kat ötelenmesini küçültmek veya yalnız maliyeti azaltmak, ivme, burulma, sönümleyici sayısı, simetri ve uygulanabilirlik gibi diğer hedefleri gözden kaçırabilir. Kaynak bu nedenle yer değiştirme, ivme ve ekonomik verimliliği birlikte değerlendiren çok amaçlı bir yaklaşım kullanmaktadır.

Üçüncü problem, elde edilen optimal sönümleyici sayısının gerçek mimari plana nasıl yerleştirileceğidir. Bir algoritma belirli bir katta altı sönümleyici gerektiğini söyleyebilir; ancak bunların kapı ve pencerelerle çakışmaması, uygun dolgu duvarı bölgelerinde bulunması, taşıyıcı elemanlara güvenilir biçimde bağlanması ve mümkün olduğunca dengeli/simetrik dağıtılması gerekir. ArrangementGAN bu ikinci tasarım katmanını hedeflemektedir.

GA–MLP hibrit yaklaşımı neden kullanılmıştır?

GA–MLP hibrit yaklaşımı, genetik algoritmanın çok amaçlı arama kapasitesini MLP'nin hızlı regresyon tahminiyle birleştirmek için kullanılmıştır: GA güvenlik, ivme ve ekonomi hedefleri arasında Pareto-optimal düşey sönümleyici dağılımları üretirken MLP bu hesaplama açısından pahalı çözümlerden giriş–çıktı ilişkisini öğrenerek yeni yapılar için kat bazındaki sönümleyici sayılarını çok daha hızlı tahmin eder.

Genetik algoritmanın rolü

Genetik algoritma doğrudan nihai gerçek zamanlı tahmin motoru olarak değil, yüksek kaliteli eğitim verisinin üreticisi olarak konumlandırılmıştır. Yapının dinamik yanıtları hesaplandıktan sonra yer değiştirme, ivme ve ekonomik hedefler birlikte ele alınır. Geliştirilmiş paralel seçim stratejisine sahip GA, tek bir çözüm yerine birbirine üstün olmayan Pareto çözüm kümesini üretir.

Pareto-optimal çözüm, bir hedef iyileştirilirken başka bir hedef kötüleştirilmeden daha fazla geliştirilemeyen çözümü ifade eder. Böylece örneğin yer değiştirmeyi azaltmak için sınırsız sayıda sönümleyici eklemek yerine güvenlik ve maliyet arasında çok amaçlı bir çözüm uzayı elde edilir.

Kaynak dinamik yanıtların Newmark yöntemiyle hesaplandığını belirtmektedir. Bununla birlikte erişilebilir yöntem metninde yapısal hareket denkleminin açık matematiksel yazımı, Newmark \(\beta/\gamma\) parametreleri veya GA'nın nüfus büyüklüğü, mutasyon oranı ve çaprazlama oranı gibi ayrıntılar görünür biçimde raporlanmamıştır. Bu değerler Verianla tarafından tamamlanmamıştır.

MLP'nin altı girdisi ve on çıktısı

Çalışmada kullanılan MLP bir girdi katmanı, iki gizli katman ve bir çıktı katmanından oluşur. Gizli katmanlar sırasıyla 64 ve 32 nöron içerir. Girdi vektörü altı boyutludur; kaynak deney bölümünde bu girdileri kat kütlesi, kat rijitliği, kat sayısı, temel frekans ve beklenen yer değiştirme/ivme hedefleri olarak tanımlar.

Çıktı vektörü on boyutludur. Kaynağa göre her çıktı, çerçeve yapının ilgili katına atanacak sönümleyici sayısıyla ilişkilidir. Dolayısıyla ağın amacı doğrudan bir çizim üretmek değil, düşey dağılım kararını regresyonla tahmin etmektir.

MLP nöron hesabı

Kaynağın Denklem 1 ve 2'si tam bağlı bir MLP düğümündeki temel işlemi şu şekilde verir:

\[ z_j=\sum_i (w_{ij}x_i+b) \tag{1} \]

\[ y_j=f(z_j) \tag{2} \]

\(x_i\) giriş değerini, \(w_{ij}\) i giriş düğümü ile j düğümü arasındaki ağırlığı, \(b\) bias terimini, \(z_j\) doğrusal birleşimi ve \(y_j\) aktivasyon fonksiyonundan sonraki nöron çıktısını ifade eder.

Matematiksel olarak ilk denklem girdileri ağırlıklı olarak birleştirir. İkinci denklem ise bu doğrusal birleşime doğrusal olmayan bir aktivasyon uygular. Böylece ağ yalnız doğrusal ilişkileri değil, yapısal parametrelerle optimal sönümleyici dağılımı arasındaki daha karmaşık ilişkileri de yaklaşık olarak temsil edebilir.

Aktivasyon fonksiyonları

Kaynak hiperbolik tanjant ve Rectified Linear Unit (ReLU) fonksiyonlarını verir:

\[ f(x)=\tanh(x)=\frac{1-e^{-2x}}{1+e^{-2x}} \tag{3} \]

\[ f(x)=\max(0,x) \tag{4} \]

Kaynakta türevleri de gösterilmiştir:

\[ f'(x)=1-\tanh^2(x) \tag{5} \]

\[ f'(x)= \begin{cases} 1, & x>0\\ 0, & \text{aksi halde} \end{cases} \tag{6} \]

Bu türevlerin rolü geri yayılım sırasında ağırlıkların hangi yönde ve ne büyüklükte güncelleneceğinin hesaplanmasıdır. Kaynak eğitim açıklamasında Levenberg–Marquardt geri yayılımına değinirken deneysel hiperparametre bölümünde seçilen ağ yapısı ve öğrenme oranını ayrıca değerlendirir.

ArrangementGAN nedir ve neyi otomatikleştirir?

ArrangementGAN, semantik olarak işlenmiş mimari çizimden mühendislik ilkelerine uygun düzlemsel sönümleyici yerleşimi üretmek amacıyla pix2pixHD görüntüden-görüntüye çeviri mimarisini kullanan üretici karşıt ağ tabanlı bir tasarım sistemidir; sistem Architectural Drawing Interpreter ile çizimi ayrıştırır, Arrangement Generator ile sönümleyici düzenini üretir ve Structural Modeler ile yapısal parametreleri çıkarıp SAP2000 tabanlı sonlu eleman değerlendirmesine bağlar.

Kaynak Şekil 1'in bilimsel anlamı

Kaynağın 6. sayfasındaki Şekil 1 üç parçalı bir veri ve mühendislik akışını göstermektedir. İlk bölüm mimari çizimin anlamsal modele dönüştürülmesini, ikinci bölüm mevcut/optimum sönümleyici yerleşimiyle ilişkili yapısal model bilgisini, üçüncü bölüm ise pix2pixHD tabanlı ArrangementGAN'ın üretici ve ayırt edici ağlarını göstermektedir.

Bu şeklin bilimsel mesajı, GAN'ın boş bir görsel üretici olmadığıdır. Girdi çizimi önce yapısal olarak anlamlı kategorilere ayrılmakta ve nihai tasarım daha sonra yapısal analiz ortamına bağlanmaktadır.

Semantik çizim ön işleme

Kaynak mimari çizimde yalnız model için gerekli öğeleri korur:

Anlamsal segmentasyonun amacı gereksiz çizim ayrıntılarını azaltmak ve GAN'ın yalnız mühendislik açısından anlamlı geometrik özellikleri öğrenmesini kolaylaştırmaktır.

U-Net ile pix2pixHD karşılaştırması

Çalışma iki görüntü üretim mimarisini aynı sönümleyici yerleşim veri kümesi üzerinde karşılaştırmaktadır. U-Net, klasik bir CNN tabanlı görüntü sentez yaklaşımı olarak; pix2pixHD ise adversarial training içeren yüksek çözünürlüklü image-to-image translation modeli olarak değerlendirilmiştir.

Kaynağın Şekil 3'ündeki temsilî vakada:

Bu iki sayı tek bir temsilî örneğe aittir; bütün test veri kümesinin genel ortalaması olarak yorumlanmamalıdır.

\(\gamma_{FM}\) hiperparametresi

pix2pixHD'de \(\gamma_{FM}\), feature-matching loss bileşeninin toplam kayıptaki ağırlığını etkileyen hiperparametredir. Çalışma farklı \(\gamma_{FM}\) değerlerinde üretilen çizimleri karşılaştırmış ve 20 test vakasında birden fazla metrik kullanmıştır.

Kaynakta \(\gamma_{FM}=0\) veya 1 olduğunda çizimlerin daha gürültülü ve yerleşim kurallarını yakalamada zayıf olduğu; değer yükseldikçe sonuçların iyileşip belirli bir aralıkta kararlı hale geldiği raporlanır. Nihai ArrangementGAN ayarında:

\[ \gamma_{FM}=10 \]

seçilmiştir. Diğer pix2pixHD parametreleri standart ağ ayarlarıyla korunmuştur.

ArrangementGAN eğitim ortamı

IoU sönümleyici yerleşiminde neyi ölçer?

Intersection over Union (IoU), ArrangementGAN'ın ürettiği sönümleyici bölgesi ile mühendis tarafından oluşturulan hedef sönümleyici bölgesinin geometrik olarak ne ölçüde örtüştüğünü kesişim alanını birleşim alanına bölerek ölçer; değer büyüdükçe iki yerleşimin mekânsal çakışması artar, ancak bu metrik tek başına gerçek deprem performansının doğrudan ölçümü değildir.

Kontur tabanlı değerlendirme

Kaynakta üretilen ve hedef çizimler önce küçük alt görüntülere ayrılır. HSV renk uzayından sönümleyici konturları çıkarılır ve OpenCV'nin kontur algılama işlevleri kullanılarak koordinatlar belirlenir.

Kaynağın Denklem 12'si:

\[ S_{DIoU}= \frac{A_{\mathrm{intersection}}} {A_{\mathrm{union}}} \tag{12} \]

ve birleşim alanı:

\[ A_{\mathrm{union}} = A_{\mathrm{target}} + A_{\mathrm{GAN}} - A_{\mathrm{intersection}} \]

şeklindedir.

\(A_{\mathrm{target}}\), mühendis tasarımındaki sönümleyici yerleşim alanını; \(A_{\mathrm{GAN}}\), GAN tarafından üretilen alanı; \(A_{\mathrm{intersection}}\), iki alanın kesişimini ifade eder. Ölçü boyutsuzdur.

İki yerleşim bütünüyle çakışırsa oran 1'e yaklaşır. Kesişim yoksa 0 olur. Ancak aynı IoU değerine sahip iki tasarımın yapısal dinamik davranışı aynı olmak zorunda değildir; bu nedenle çalışma IoU'yu tasarımcı değerlendirmesi ve mühendislik kriterleriyle birlikte kullanmaktadır.

İnsan algısı neden ayrıca değerlendirilmiştir?

Bir GAN çıktısının hedef çizime piksel düzeyinde benzemesi, mühendislik açısından doğal ve uygulanabilir görünmesini garanti etmez. Kaynak bu nedenle 30 deneyimli yapı mühendisi ve 10 lisansüstü öğrenciden oluşan bir panel kullanmıştır.

Katılımcılara semantik sönümleyici yerleşimleri gösterilmiş ve iki görev verilmiştir:

1. Çizimin insan tarafından mı ArrangementGAN tarafından mı hazırlandığını tahmin etmek.
2. Yerleşim rasyonelliğini 1 = mantıksız ile 5 = mantıklı arasında puanlamak.

İnsan değerlendirmesi için Denklem 7–11

Kaynak AI–insan ayırt etme metriğini aşağıdaki biçimde tanımlar:

\[ R_{EP-1} = \frac{1}{N_{ex}+N_{nonex}} \sum_i^{N_{ex}+N_{nonex}} \frac{N_F}{N_F+N_T} \tag{7} \]

Burada \(N_{ex}\) uzman sayısını, \(N_{nonex}\) uzman olmayan değerlendirici sayısını, \(N_T\) doğru AI/manuel sınıflandırmalarını ve \(N_F\) yanlış sınıflandırmaları ifade eder. Bu nedenle Denklem 7 temelde değerlendirenlerin yanlış ayırt etme oranıyla ilişkilidir.

Rasyonellik değerlendirmesi kaynakta:

\[ R_{EP-2} = \gamma_{ex} \frac{1}{N_{ex}} \sum_i^{N_{ex}} \left( \frac{1}{N_{img}} \sum_j^{N_{img}} S_j \right) + \gamma_{nonex} \frac{1}{N_{nonex}} \sum_i^{N_{nonex}} \left( \frac{1}{N_{img}} \sum_j^{N_{img}} S_j \right) \tag{8} \]

olarak verilir. \(S_j\), j'inci tasarıma verilen 1–5 puanıdır.

Grup ağırlıkları kaynakta şu şekilde tanımlanır:

\[ \gamma_{ex} = \frac{\sigma_{nonex}/\mu_{nonex}} {\sigma_{ex}/\mu_{ex}+\sigma_{nonex}/\mu_{nonex}}, \qquad \gamma_{nonex}=1-\gamma_{ex} \tag{9} \]

Ortalama ve standart sapma ise:

\[ \mu=\frac{\sum_{i=1}^{N}x_i}{N} \tag{10} \]

\[ \sigma= \sqrt{ \frac{\sum_{i=1}^{N}(x_i-\mu)^2}{N} } \tag{11} \]

olarak yazılmıştır.

Kaynak içi not: Denklem 9, uzman ve uzman olmayan grubun ağırlığını değişim katsayılarına göre belirlerken aynı bölümdeki metin “equal weighting applied to both groups” ifadesini kullanmaktadır. Formül ile sözel açıklama aynı şeyi açık biçimde söylemediğinden bu fark giderilmeden korunmalıdır.

İnsan değerlendirmesinin sonucu

Sonuç bölümünde AI tarafından üretilmiş yerleşimlerin %39,36'sının uzmanlar tarafından manuel mühendislik tasarımı sanıldığı raporlanmıştır. Bu sonuç “AI tasarımlarının %39,36'sı doğrudur” anlamına gelmez; yalnız değerlendiricilerin tasarımın kaynağını ayırt etme görevine ilişkindir.

Kaynak ayrıca ArrangementGAN ile manuel tasarım arasındaki rasyonellik puanı farkını %12,01 olarak bildirmekte ve sonuçların “uniform, dispersed, peripheral” yerleşim ilkeleriyle uyumlu olduğunu ifade etmektedir.

Çalışmanın desteklediği ve desteklemediği

Çalışmanın desteklediği: İncelenen veri kümesi ve mühendislik vakalarında GA tarafından üretilen düşey optimum yerleşimlerin MLP tarafından yüksek uyumla tahmin edilebildiği; pix2pixHD tabanlı ArrangementGAN'ın mimari çizimlerden manuel tasarıma benzer semantik sönümleyici yerleşimleri üretebildiği; koşula özel eğitim yapıldığında 7 ve 8 derece vakalarında performansın daha yüksek olduğu desteklenmektedir.

Çalışmanın desteklemediği: Sistem herhangi bir bina tipinde, herhangi bir deprem bölgesinde veya herhangi bir yönetmelik altında doğrulama yapılmaksızın güvenli tasarım üreteceğini kanıtlamaz. Model çıktısı lisanslı yapı mühendisinin tasarım, analiz ve mevzuat sorumluluğunun yerini aldığı şeklinde yorumlanmamalıdır. Ayrıca kaynak tam ölçekli bir yapıyı gerçek deprem altında fiziksel olarak test etmemektedir.

Çalışmanın Yöntemi ve Bulguları

1. Genel iş akışı

2. MLP hiperparametre taraması

Beş ağ konfigürasyonu karşılaştırılmıştır:

• [30,25]
• [30,40]
• [40,30]
• [64,32]
• [128,64]

Her yapı için dört öğrenme oranı denenmiştir: 0,1; 0,01; 0,001 ve 0,0001. Kaynak, 0,1 öğrenme oranında belirgin dalgalanmalar gözlediğini; 0,001 ve 0,0001'in daha kararlı yakınsadığını, ancak 0,0001'in başarısının azaldığını belirtmektedir. Sonuçta 0,001 seçilmiştir.

3. On tekrarlı MLP deneyleri

Kaynağın Şekil 9'undaki kutu grafikleri beş MLP konfigürasyonunu 10 tekrarlı deney altında eğitim ve test hatası bakımından karşılaştırmaktadır. Eğitim ve test hatalarının birbirine yakın olması kaynak tarafından iyi genelleme göstergesi olarak yorumlanmıştır.

[64,32] mimarisi hem eğitim hem test verisinde daha düşük medyan RMSE ve daha düşük değişkenlikle öne çıktığı için nihai MLP olarak seçilmiştir.

Kaynak regresyon problemi için “precision” ve “accuracy” terimlerini kullanmaktadır. Bu yüzdeler sınıflandırma accuracy metriğiyle otomatik olarak eş tutulmamalıdır; kaynağın kendi raporlama terminolojisi olarak değerlendirilmelidir.

Kaynakta kullanılan \(R^2\) denklemi nasıl yorumlanmalıdır?

Kaynağın Denklem 13'ü tahminlerin gerçek değer ortalaması çevresindeki kareler toplamını gerçek değerlerin toplam varyansına oranlayan bir \(R^2\) ifadesi olarak basılmıştır ve tablo sonuçlarında değer 1'e yaklaştıkça daha iyi uyum olarak yorumlanmaktadır; denklem yaygın \(1-\mathrm{SSE}/\mathrm{SST}\) yazımıyla aynı biçimde verilmediğinden Verianla bu formülü standart biçime sessizce dönüştürmemektedir.

Kaynakta Denklem 13 şu biçimdedir:

\[ R^2= \frac{ \sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2 }{ \sum_{i=1}^{n}(y_i-\bar{y})^2 } \tag{13} \]

\(n\) örnek sayısını, \(\hat{y}_i\) tahmin edilen değeri, \(y_i\) gerçek değeri ve \(\bar{y}\) gerçek değerlerin ortalamasını temsil eder.

Kaynak Tablo 4 ve Şekil 10'da 0,9610 değerini modelin değişimin yaklaşık %96,1'ini açıkladığı biçiminde yorumlamaktadır. Bu yorum kaynak yazarlarının yorumudur ve denklem biçimi değiştirilmeden aktarılmıştır.

4. MLP ile GA yapısal yanıt karşılaştırması

Şekil 11'de dört test seti için GA tabanlı sönümleyici tasarımı ile MLP tarafından tahmin edilen tasarımın yapısal yanıtları karşılaştırılmaktadır. Kaynak eğrilerin birbirine yakın olduğunu ve MLP yaklaşımının özellikle kısa mühendislik tasarım döngülerinde hesaplama avantajı sağladığını bildirmektedir.

Sonuç bölümünde MLP aşaması için:

• \(R^2 = 0.961\),
• tahmin hatası < %5,
• hesaplama veriminde yaklaşık iki mertebe iyileşme

raporlanmaktadır.

5. ArrangementGAN hiperparametre testi

Kaynağın Şekil 4'ü \(\gamma_{FM}\) değerleri değiştirildiğinde pix2pixHD çıktılarının görsel olarak nasıl değiştiğini göstermektedir. Düşük değerlerde gürültü ve yerleşim hataları görülürken daha yüksek değerlerde hedef çizime benzerlik ve sönümleyici dağılımının rasyonelliği artmaktadır.

Şekil 5'te 20 test vakası üzerinden \(S_{DIoU}\), WIOU, PA, \(S_{DWratio}\), \(W_{cv}\) ve kaynakta \(\alpha\) olarak tanımlanan ek metrikler karşılaştırılmıştır. Nihai ayar \(\gamma_{FM}=10\)'dur.

6. 7 ve 8 derece sismik tasarım koşulları

Kaynak farklı sismik güçlendirme derecelerine ait örnekleri tek bir eğitim kümesinde birleştirdiğinde pix2pixHD tabanlı modelin dağılımın ortalamasına yönelerek her koşulun özgün sönümleyici ihtiyacını doğru yakalamakta zorlandığını bildirmektedir.

Bu nedenle üç model eğitilmiştir:

• M-Group7: yalnız 7 derece koşullarına ait veri,
• M-Group8: yalnız 8 derece koşullarına ait veri,
• M-Mix Group: karışık 7–8 derece veri.

Eğitimde kullanılmayan bir 7 derece ve bir 8 derece gerçek yapısal vaka test için seçilmiştir.

7 ve 8 derece tasarım koşulları neden ayrı model eğitimini gerektiriyor?

Çalışmada sismik tasarım derecesi gerekli sönümleyici sayısını ve yerleşim dağılımını değiştirdiği için karışık 7–8 derece eğitim verisi modelin koşullar arasındaki farkları ortalamaya eğilim göstermesine yol açmıştır; tablo sonuçları da test koşuluyla aynı sismik sınıfta eğitilen M-Group7 ve M-Group8 modellerinin kendi eşleşen test setlerinde en yüksek \(W_{cv}\) değerlerini verdiğini göstermektedir.

Kaynak içi tutarsızlık: Metin açıklaması Group7 için M-Mix değerinin 0,5 üzerinde olduğunu söylemesine rağmen Tablo 6 değeri 0,427'dir. Aynı açıklama Group8 için M-Group8'in 0,5'i geçemediğini söylerken Tablo 6 değeri 0,595'tir. Verianla tabloda görünen sayıları değiştirmemiş ve bu çelişkiyi gizlememiştir.

Tablonun kendi içindeki açık eğilim, test koşuluyla eşleşen modelin en iyi sonucu vermesidir: Group7 testinde M-Group7 = 0,670; Group8 testinde M-Group8 = 0,595. Bu sonuç, kaynağın gelecekte farklı tasarım koşullarını temsil eden veri kümelerinin sınıflandırılarak eğitilmesi gerektiği yönündeki yorumunu desteklemektedir.

7. Mühendislik doğrulaması

Kaynak sonuç bölümünde ArrangementGAN'ın 7 ve 8 derece sismik güçlendirme koşullarındaki mühendislik vakalarında uygulandığını ve sık, tasarım ve nadir deprem seviyeleri altında katlar arası ötelenme oranı ve ivme gibi temel yapısal yanıtların kod gerekliliklerini karşıladığını belirtmektedir.

Bununla birlikte kaynak erişilebilir metinde bu kodun tam adını veya bütün limit değerlerini ayrıntılı tablo halinde vermemektedir. Bu nedenle Verianla belirli bir yönetmelik adı veya eşik değeri eklememektedir.

Sonuç bölümündeki iki diğer sayı:

Yaklaşık iki mertebelik hızlanma ile 10 kattan fazla genel tasarım verimi aynı ölçüm olarak birleştirilmemelidir. Kaynak bunları farklı bağlamlarda raporlamaktadır.

8. Çalışmanın güçlü yönleri

Birinci güçlü yön, optimizasyon ve üretici derin öğrenmenin görevlerini ayırmasıdır. GA yüksek kaliteli Pareto çözümlerini keşfeder; MLP bunları hızlı tahmin etmeyi öğrenir; ArrangementGAN ise mimari plana dönüştürür.

İkinci güçlü yön, yalnız görüntü benzerliğine dayanmamasıdır. Bilgisayarlı görü metrikleri, insan değerlendirmesi ve mühendislik ilkeleri birlikte kullanılmıştır.

Üçüncü güçlü yön, sismik tasarım koşulunun model davranışını değiştirdiğini deneysel olarak dikkate alması ve karışık veri kümesinin her durumda en iyi sonucu vermediğini göstermesidir.

Dördüncü güçlü yön, eğitim donanımı, görüntü boyutu, öğrenme oranı, batch size, epoch, yazılım sürümleri ve temel hiperparametrelerin önemli bölümünün raporlanmasıdır.

9. Temel sınırlılıklar

Kaynak henüz hakem değerlendirmesinden geçmemiştir.

Derin öğrenme modelinin başarısı eğitim verisinin kapsamına bağlıdır. Kaynak da model olgunluğu ve veri kümesi ölçeğini doğrudan sınırlılık olarak belirtmektedir.

Mevcut öğrenme sistemi yapısal mekaniğin bütün fiziksel ilkelerini doğrudan sinir ağına gömmemektedir. Yazarlar gelecekte basitleştirilmiş mekanik modellerin öğrenme çerçevesine entegre edilmesini özellikle önermektedir.

7 ve 8 derece koşullarının karışık eğitimi, modelin koşula özgü dağılımı ortalamaya yöneltme eğilimini göstermektedir. Dolayısıyla bir eğitim dağılımında başarılı olan modelin farklı sismik tasarım sınıfında aynı performansı koruduğu varsayılamaz.

Kaynakta veri kümesindeki toplam örnek sayısı, GA'nın bütün optimizasyon hiperparametreleri ve dinamik çözümde kullanılan Newmark parametreleri açıkça raporlanmamıştır. Bu eksikler tam bağımsız yeniden üretilebilirliği sınırlar.

Kaynağın \(W_{cv}\) anlatımı ile Tablo 6 arasında doğrudan sayısal çelişki bulunmaktadır.

İnsan değerlendirmesi 30 uzman ve 10 uzman olmayan değerlendiriciyle yapılmıştır. Bu panel, ArrangementGAN'ın görsel ve mühendisliksel inandırıcılığı hakkında yararlı bilgi verir; fakat bütün yapı mühendisliği topluluğunun algısını temsil eden geniş popülasyon çalışması değildir.

10. Gelecek çalışma yönleri

Yazarlar üç temel araştırma yönü önermektedir:

• öğrenme çerçevesine basitleştirilmiş mekanik modellerin entegre edilmesi,
• görüntü üretim kalitesi ile gerçek yapısal performansı birlikte değerlendiren daha kapsamlı metriklerin geliştirilmesi,
• farklı tasarım koşullarında tek bir modelin çalışabilmesini araştırmak amacıyla metin–görüntü birleşik eğitim verilerinin incelenmesi.

Bu öneriler mevcut çalışmada doğrulanmış yeni sonuçlar değildir; yazarların gelecekteki araştırma planlarıdır.

Kaynak ve Yöntem Notu

Özgün başlık: An Intelligent Design Method for Vibration-Damping Structures Based on Deep Learning

Yazarlar: Dongsheng Du; Yunlong Zhang; Weizhi Xu; Zhengyu Luo; Shuguang Wang; Yan Geng; Xi Chen.

Yazar bilgisi kaynağı: Yüklenen PDF'nin görünür ilk sayfasında yazar satırı bulunmamaktadır; yazar sırası SSRN'nin resmî bibliyografik kaydından doğrulanmıştır.

Sorumlu / iletişim yazarı: SSRN kaydında Dongsheng Du “Contact Author” olarak gösterilmektedir.

Afiliyasyon: SSRN Dongsheng Du, Yunlong Zhang, Weizhi Xu ve Shuguang Wang için Nanjing Tech University bilgisini vermektedir. Zhengyu Luo, Yan Geng ve Xi Chen için SSRN kaydında afiliyasyon sağlanmamıştır; Verianla eksik kurum bilgisi uydurmamıştır.

Platform: SSRN.

SSRN numarası: 7180412.

DOI: 10.2139/ssrn.7180412.

SSRN kayıt tarihi: 25 Temmuz 2026.

Uzunluk: 33 sayfa.

Kaynak türü: Makine öğrenmesi / derin öğrenme tabanlı yapısal mühendislik tasarım preprinti.

Hakemlik durumu: Kaynak PDF açık biçimde hakem değerlendirmesinden geçmediğini belirtmektedir.

Lisans: SSRN resmî kayıt indeksinde “License Information” bölümü görünmektedir; ancak erişilebilir kayıt belirli yeniden kullanım şartlarını açık biçimde göstermediği için açık lisans varsayılmamıştır. Kaynak şekilleri birebir yeniden kullanılmamalıdır.

Temel algoritmalar: geliştirilmiş genetik algoritma; Pareto çok amaçlı optimizasyon; Multilayer Perceptron; pix2pixHD; ArrangementGAN; semantik segmentasyon; IoU/kontur analizi.

Yapısal analiz bağlantısı: Kaynak ArrangementGAN iş akışındaki Structural Modeler modülünün SAP2000 ile sonlu eleman analizine bağlandığını bildirmektedir.

MLP veri bölümü: %80 eğitim, %20 test.

ArrangementGAN eğitimi: 2048 × 1024 piksel üç kanallı görüntü; lr = 0,0002; batch size = 4; 150 epoch; Adam optimizer; nihai \(\gamma_{FM}=10\).

İnsan değerlendirmesi: 30 titreşim kontrolü deneyimli yapı mühendisi ve 10 lisansüstü öğrenci.

Çıkar çatışması: Yazarlar bilinen mali çıkar veya çalışmayı etkileyebilecek kişisel ilişki bulunmadığını beyan etmektedir.

Veri erişilebilirliği: “Data will be made available on request.”

Finansman: Kaynakta ayrı bir finansman bölümü görünmemektedir; finansman olmadığı varsayılmamıştır.

CRediT / yazar katkıları: Kaynakta ayrı bir yazar katkıları bölümü görünmemektedir.

Temel yeniden üretilebilirlik sınırları: Toplam eğitim veri kümesi büyüklüğü, GA'nın bütün optimizasyon hiperparametreleri, açık hareket denklemi/Newmark parametreleri ve kullanılan deprem yönetmeliğinin bütün limit değerleri erişilebilir ana yöntemde tam olarak verilmemektedir.

Kaynak içi raporlama sınırı: \(W_{cv}\) için 25. sayfadaki anlatım ile 27. sayfadaki Tablo 6 arasında doğrudan çelişki bulunmaktadır. Ayrıca uzman/uzman olmayan değerlendirmesindeki “eşit ağırlık” ifadesi Denklem 9'daki değişim-katsayısı tabanlı ağırlıklarla tam uyumlu değildir.

Temel yorum sınırı: Çalışma bir AI destekli mühendislik tasarım sisteminin incelenen veri ve vaka koşullarındaki performansını göstermektedir. Sonuçlar AI tarafından üretilen yerleşimlerin farklı yapı sistemleri, ülkeler, yönetmelikler ve sismik koşullarda ek mühendislik doğrulaması yapılmadan doğrudan uygulanabileceğini göstermez.