Bu derste öğrenecekleriniz
- Kayma binasının doğal frekanslarını
scipy.linalg.eighile hesaplamak ve hasarın frekanslara etkisini özdeğer duyarlılığıyla açıklamak - Yalnız sağlam ölçümlerle Mahalanobis uzaklığına dayalı bir hasar göstergesi ve %99'luk eşik kurmak
- Sıcaklığın küçük hasarı nasıl gizlediğini göstermek ve sıcaklık bileşenini PCA ile ayıklamak
- Benzetimle eğitilen Random Forest modelleriyle hasarlı katı ve hasar şiddetini tahmin etmek
- Model hatası, yanlış alarm maliyeti ve doğrusal olmayan çevresel etkiler gibi sınırları değerlendirmek
1. Problem: frekanslar hasarı söyler mi?
Bir binanın doğal frekansları rijitliğine ve kütlesine bağlıdır. Kolonda çatlama, bağlantıda gevşeme ya da bir depremden sonra kalan hasar, ilgili katın rijitliğini düşürür ve frekanslar biraz azalır. Ortam titreşimi kayıtlarından (rüzgâr, trafik, insan hareketi) frekansları her saat yeniden belirleyen bir izleme sistemi bu yüzden basit bir fikre dayanır: frekanslar düştüyse yapıda bir şey değişmiştir.
Sorun, frekansları değiştiren tek şeyin hasar olmamasıdır. Sıcaklık, nem, zeminin donması ve kullanım yükleri de frekansları oynatır. Bu çevresel değişim çoğu zaman küçük bir hasarın etkisinden büyüktür. Yapı sağlığı izlemenin (structural health monitoring, SHM) asıl zorluğu, hasarın izini çevrenin etkisinden ayırmaktır.
Bu projede Ders 05–10'da gördüğümüz araçları bir araya getiriyoruz. Beş katlı bir binanın ilk beş doğal frekansını “ölçüp” üç soruyu yanıtlayacağız:
- Algılama: Yapıda hasar var mı? Elimizde yalnız sağlam yapının ölçümleri var, hasar etiketi yok. Bu bir yenilik algılama (novelty detection) problemidir.
- Konum: Hasar hangi katta? Benzetimle üretilmiş hasar senaryolarında eğitilen çok sınıflı bir sınıflandırıcı kullanacağız.
- Şiddet: O katın rijitliği yüzde kaç azaldı? Aynı özelliklerle bir regresyon modeli kuracağız.
Bütün veri betiğin içinde, basit bir yapı modelinden üretilir. Gerçek bir binanın ölçümü değildir. Sonuçlar yöntemlerin nasıl davrandığını gösterir; bir binanın güvenliği hakkında hüküm vermez.
2. Model: beş katlı kayma binası
Binayı bir kayma çerçevesi (shear building) olarak modelliyoruz: her döşemenin tek bir yatay serbestlik derecesi var ve döşemeler eğilmeye karşı rijit kabul ediliyor. Düğüm dönmesi ve eksenel şekil değiştirme ihmal edildiği için her kat, kolonların eğilme rijitliğinden gelen yanal bir yay gibi yalnız kat ötelemesiyle şekil değiştiriyor (iki ucu dönmeye karşı tutulu kolonlar için kat rijitliği $\sum 12EI/h^3$). Her döşemenin kütlesi $m$ = 300 t, her katın yanal rijitliği $k$ = 585 MN/m. Serbest titreşim denklemi bir özdeğer problemine götürür:
$$ M\ddot{\vect u} + K\vect u = \vect 0 \;\;\Rightarrow\;\; K\boldsymbol\phi = \omega^2 M\boldsymbol\phi $$Burada $M = m\,I$ köşegen kütle matrisidir. $j$. kat, $(j-1)$. ve $j$. döşemeyi bağlayan bir yay gibi davranır; zemin sabittir ve çatının üstünde kat yoktur ($k_6 = 0$). Bu yüzden rijitlik matrisi üç köşegenlidir: köşegen terimi bir döşemenin altındaki ve üstündeki katın rijitliklerinin toplamı, köşegen dışı terim ise iki döşeme arasındaki katın rijitliğinin eksi işaretlisidir:
$$ \begin{aligned} K_{j,j} &= k_j + k_{j+1} \\ K_{j,j+1} = K_{j+1,j} &= -k_{j+1} \end{aligned} $$Örneğin üç katlı bir binada:
$$ K = \begin{bmatrix} k_1+k_2 & -k_2 & 0 \\ -k_2 & k_2+k_3 & -k_3 \\ 0 & -k_3 & k_3 \end{bmatrix} $$scipy.linalg.eigh(K, M) bu genelleştirilmiş simetrik özdeğer problemini çözer; doğal frekanslar $f_r = \omega_r/2\pi$'dir. Seçtiğimiz değerlerle frekanslar 2,000; 5,839; 9,205; 11,825 ve 13,487 Hz, temel periyot $T_1$ = 0,500 s çıkar. Kat kütlesini sitedeki deprem simülasyonu aracındakiyle aynı aldık; rijitliği de oradaki gibi, temel periyot kabaca kat sayısının onda biri saniye olacak biçimde seçtik. Mod şekilleri ve ortogonalliğin kuramı için MKC 527 modal analiz notuna bakabilirsiniz.
def rijitlik_matrisi(k):
ust = np.append(k[1:], 0.0) # üstteki katın rijitliği (çatıda yok)
return np.diag(k + ust) - np.diag(k[1:], 1) - np.diag(k[1:], -1)
def frekanslar(k, m):
w2 = eigh(rijitlik_matrisi(k), np.diag(m), eigvals_only=True) # K φ = ω² M φ
return np.sqrt(w2) / (2 * np.pi)Sıcaklık, hasar ve ölçüm gürültüsü
Modele üç etki ekliyoruz:
- Sıcaklık. Ölçüm günündeki sıcaklık $T$, −5 ile 35 °C arasında düzgün dağılımlıdır. Bütün kat rijitlikleri sıcaklıkla doğrusal değişir: $k_j(T) = k_j\,[1-\beta\,(T-15)]$, $\beta$ = 0,0015 1/°C. Yani 1 °C ısınma rijitliği %0,15 azaltır. Bütün rijitlikler aynı oranda değiştiği için bütün frekanslar da aynı oranda değişir: 15 °C'ye göre −5 °C'de %1,49 yukarı, 35 °C'de %1,51 aşağı.
- Hasar. Tek bir katın ($j$ = 1…5) rijitliği $d$ oranında düşer: $k_j \to (1-d)\,k_j$. Test için $d$ = %5, 10, 20 ve 30 düzeylerini kullanıyoruz.
- Ölçüm gürültüsü. Ortam titreşiminden belirlenen frekanslar kusursuz değildir. Her frekansı bağımsız olarak $(1+\varepsilon)$ ile çarpıyoruz; $\varepsilon \sim \mathcal N(0;\ 0{,}002^2)$, yani bağıl standart sapma %0,2.
Sıcaklık katsayısı bir varsayımdır
Gerçek yapılarda sıcaklığın frekanslara etkisi malzemeye, mesnet ve derz davranışına, dolgu duvarlara ve zemine bağlıdır; büyüklüğü, hatta işareti yapıdan yapıya değişir. Etki çoğu zaman doğrusal da değildir. Örneğin Z24 köprüsünün bir yıllık izleme verisinde, 0 °C'nin altında asfalt kaplamanın sertleşmesiyle frekansların belirgin biçimde arttığı raporlanmıştır (Peeters ve De Roeck, 2001). Buradaki doğrusal ve bütün katlara eşit etki, yöntemleri anlaşılır kılmak için seçilmiş bir basitleştirmedir. Doğrusal olmayan bir etkiyi Alıştırma 5'te deneyeceksiniz.
| Küme | Yapının durumu | Ölçüm | Ne için? |
|---|---|---|---|
| Eğitim | Sağlam | 1.000 | Normal davranışı öğrenmek ($\boldsymbol\mu$, $\Sigma$, PCA) |
| Doğrulama | Sağlam | 2.000 | Alarm eşiğini seçmek |
| Sağlam test | Sağlam | 1.000 | Yanlış alarm oranını ölçmek |
| Hasarlı test | 4 düzey × 5 kat × 200 | 4.000 | Algılama, konum ve şiddet başarısı |
| Benzetim | Rastgele kat, $d$ = %3–35 | 4.000 | Konum ve şiddet modellerini eğitmek |
| “Gerçek” yapı | Sağlam ve hasarlı | 1.000 + 4.000 | Model hatasının etkisini görmek |
3. Sıcaklık ve hasar frekanslara nasıl yansır?
Hasar da sıcak hava da frekansları aşağı iter. Onları ayırt eden, bu itişin desenidir. Bunu görmek için bir modun özdeğerinin kat rijitliklerine nasıl bağlı olduğuna bakalım.
Özdeğer duyarlılığı ve katların enerji payı
Mod şekilleri kütleye göre normalleştirilmiş olsun ($\boldsymbol\phi_r^\top M\boldsymbol\phi_r = 1$) ve zemin için $\phi_{r,0} = 0$ yazalım. O zaman $r$. modun özdeğeri, katlardaki şekil değiştirme enerjisi terimlerinin toplamıdır:
$$ \begin{aligned} \lambda_r = \omega_r^2 &= \boldsymbol\phi_r^\top K\,\boldsymbol\phi_r \\ &= \sum_{j=1}^{5} k_j\,(\phi_{r,j}-\phi_{r,j-1})^2 \end{aligned} $$Herhangi bir $\boldsymbol\phi$ için Rayleigh oranı $R(\boldsymbol\phi) = \boldsymbol\phi^\top K\boldsymbol\phi\,/\,\boldsymbol\phi^\top M\boldsymbol\phi$ olarak tanımlanır. Mod şekillerinde değeri tam olarak $\lambda_r$'dir ve bu noktalarda durağandır: mod şeklinin küçük bir değişimi Rayleigh oranını birinci mertebede değiştirmez. Bu yüzden $k_j$'ye göre türevde mod şeklinin değişimi hesaba girmez; yalnız $j$. katın terimi türevlenir:
$$ \frac{\partial\lambda_r}{\partial k_j} = (\phi_{r,j}-\phi_{r,j-1})^2 $$$j$. katın rijitliği $d$ oranında azalırsa ($\Delta k_j = -d\,k_j$), $f_r \propto \sqrt{\lambda_r}$ olduğundan:
$$ \frac{\Delta f_r}{f_r} \approx \frac{1}{2}\,\frac{\Delta\lambda_r}{\lambda_r} = -\frac{d}{2}\,e_{rj} $$ $$ e_{rj} = \frac{k_j\,(\phi_{r,j}-\phi_{r,j-1})^2}{\lambda_r} $$$e_{rj}$, $r$. modun enerjisinin $j$. katta depolanan payıdır; her mod için $\sum_j e_{rj} = 1$'dir.
Bu iki satır projenin bütün mantığını taşır:
- Sıcaklık bütün $k_j$'leri aynı $c$ çarpanıyla değiştirir. O zaman $K \to cK$ olur; bütün özdeğerler $c$ ile, bütün frekanslar $\sqrt c$ ile çarpılır. Beş frekans da aynı oranda kayar.
- Tek kattaki hasar ise her modu, o katın o moddaki enerji payı kadar etkiler. Her katın kendine özgü bir “parmak izi” vardır.
- Bütün katlar aynı oranda rijitlik kaybetseydi, $\sum_j e_{rj} = 1$ olduğundan desen sıcaklığınkiyle aynı olurdu. Yaygın ve düzgün bir rijitlik kaybı, sıcaklık ölçülmeden sıcaklıktan ayırt edilemez.
Betiğin çıktısındaki tablo bunu sayılarla gösterir. 1. kattaki %10 hasar $f_1$'i %1,93, $f_5$'i yalnız %0,14 düşürür. 5. kattaki aynı hasar ise $f_1$'i %0,16, $f_3$'ü %1,95 düşürür. 10 °C ısınma beş frekansın hepsini %0,75 düşürür. Birinci mertebe formülü de sınadık: 1. modda 1. katın enerji payı $e_{11}$ = 0,356 olduğundan formül, %10 hasar için $f_1$'de %1,78 düşüş öngörür; tam çözüm %1,93'tür. Fark, hasar büyüdükçe mod şeklinin zayıflayan kata doğru yoğunlaşmasından gelir.
4. Görev 1: yalnız sağlam veriyle hasar algılama
Gerçek bir binada hasarlı durum için etiketli veri yoktur; hasarı oluşmadan önce “örnek” olarak kaydedemeyiz. Bu yüzden algılama denetimsiz bir sorudur: yalnız sağlam yapının ölçümlerinden “normal” davranışı öğrenir, normalden uzak her ölçümü işaretleriz. Bunun için bir hasar göstergesi (damage index) ve bir eşik gerekir.
Eşik. Göstergeyi sağlam doğrulama ölçümlerinde hesaplar, %99'luk dilimini eşik seçeriz. Böylece sağlam yapıda ölçümlerin yaklaşık %1'i yanlış alarm verir; bu oranı tasarım sırasında biz seçmiş oluruz. Eşik test verisinden değil, ayrı bir doğrulama kümesinden seçilir (Ders 01'deki veri rolleri).
Üç göstergeyi karşılaştıracağız. Hepsi, sağlam eğitim verisinin ortalaması $\mu_i$ ve standart sapması $s_i$ ile standartlaştırılmış frekanslarla çalışır: $z_i = (f_i-\mu_i)/s_i$.
(a) Öklid uzaklığı: çevresel normalleştirme yok
En doğal ilk deneme, ölçümün ortalamadan standart sapma birimlerinde ne kadar uzak olduğudur:
$$ E = \sum_{i=1}^{5} z_i^2 = \lVert\vect z\rVert^2 $$Sağlam verinin standart sapmasını burada sıcaklık belirler. Sıcak ve soğuk günler ortalamadan uzaktır, eşik de bu yüzden yüksek çıkar. Küçük bir hasar bu geniş bulutun içinde kaybolur.
(b) PCA kalıntısı: sıcaklık bileşenini atmak
Sıcaklık beş frekansı birlikte ve aynı oranda oynattığı için, sağlam veri beş boyutlu uzayda neredeyse tek bir doğru boyunca yayılır. Bu yönü temel bileşenler analizi (PCA) bulur: sağlam eğitim verisinin birinci temel bileşeni. Fikir, Yan vd. (2005)'in önerdiği yaklaşımın özüdür: çevresel etkiyi taşıyan ilk $q$ bileşeni ölçümden çıkarıp hasar göstergesini kalıntıdan hesaplamak. $V_q$, ilk $q$ temel bileşeni sütun olarak tutan matris olsun:
$$ Q = \lVert\vect z - V_q V_q^\top \vect z\rVert^2 $$$V_q V_q^\top\vect z$, ölçümün çevresel alt uzaydaki izdüşümüdür; kalıntı ise ölçümün sıcaklıkla açıklanamayan kısmıdır. Projede $q$ = 1 kullanıyoruz. Daha fazlasının neden zararlı olabileceğini Alıştırma 2'de göreceksiniz.
(c) Mahalanobis uzaklığı
Üçüncü gösterge, sağlam verinin kovaryans matrisi $\Sigma$'yı kullanır:
$$ D^2 = (\vect f-\boldsymbol\mu)^\top\,\Sigma^{-1}\,(\vect f-\boldsymbol\mu) $$Mahalanobis uzaklığı, veri bulutunun şeklini hesaba katan uzaklıktır: bulutun çok yayıldığı yönlerdeki sapmayı az, az yayıldığı yönlerdeki sapmayı çok cezalandırır.
Mahalanobis uzaklığı sıcaklığı neden kendiliğinden bastırır?
Standartlaştırılmış verinin kovaryansını temel bileşenlerine ayıralım: $\vect v_k$ bileşen yönleri, $\sigma_k^2$ bileşen varyansları, $t_k = \vect v_k^\top\vect z$ bileşen puanları olsun. Mahalanobis uzaklığı ölçek değişiminden etkilenmez ve şu biçimi alır:
$$ D^2 = \sum_{k=1}^{5} \frac{t_k^2}{\sigma_k^2} $$Sıcaklık bileşeninin varyansı $\sigma_1^2$ çok büyük olduğu için o yöndeki sapma küçük bir ağırlıkla toplanır. Yani Mahalanobis uzaklığı sıcaklık bileşenini “yumuşak” biçimde bastırır; PCA kalıntısı onu tamamen atar. Öklid uzaklığı ise ($E = \sum_k t_k^2$) bütün yönlere aynı ağırlığı verir ve sıcaklığı hiç ayıklamaz. Betik bu eşitliği bir assert ile sınar.
def oklid(F):
return np.sum(standart(F)**2, axis=1)
def pca_kalinti(F, q=1):
z = standart(F)
return np.sum((z - z @ Vt[:q].T @ Vt[:q])**2, axis=1) # Vt: PCA yönleri (satır)
def mahalanobis_kur(F_saglam):
mu_s = F_saglam.mean(axis=0)
S_ters = np.linalg.inv(np.cov(F_saglam, rowvar=False))
def D2(F):
fark = F - mu_s
return np.einsum("ij,jk,ik->i", fark, S_ters, fark)
return D2
esik = np.percentile(gosterge(F_dogrulama), 99) # sağlam doğrulamanın %99'luk dilimi
alarm = gosterge(F_yeni) > esikKarşılaştırma için dördüncü bir durum da hesaplıyoruz: sıcaklığın hiç değişmediği, sabit 15 °C'deki “laboratuvar” koşulu. Bu durum, yalnız frekanslarla sahada ulaşılamayacak bir üst sınırı gösterir.
5. Görev 2 ve 3: hasarlı katı ve şiddeti tahmin etmek
Algılama “bir şey değişti” der; hangi katın, ne kadar değiştiğini söylemez. Bunun için etiketli örnek gerekir, ama gerçek bir binadan hasarlı örnek toplayamayız. Çözüm, örnekleri modelden üretmektir: farklı katlarda, farklı şiddette ve farklı sıcaklıklarda hasar senaryoları benzetir, onlarla bir sınıflandırıcı eğitiriz. Bu, Proje 3'teki vekil model fikrinin tersidir: orada modelin çıktısını öğrenmiştik, burada çıktıdan nedeni, yani hasarın yerini öğreniyoruz.
- Eğitim verisi: 4.000 benzetim. Hasarlı kat 1–5 arasında rastgele, şiddet $d$ %3–35 arasında düzgün dağılımlı, sıcaklık rastgele. Şiddeti sürekli bir aralıktan çekiyoruz, çünkü sahada hasarın büyüklüğünü bilmeyiz.
- Özellikler: Ham frekanslar (Hz) yerine sağlam ortalamaya göre bağıl değişim: $x_r = f_r/\bar f_r - 1$. Burada $\bar f_r$ aynı yapının sağlam ölçümlerinin ortalamasıdır. Modelde benzetimden, sahada izlemenin ilk dönemindeki sağlam ölçümlerden gelir.
- Modeller: 200 ağaçlı bir Random Forest sınıflandırıcı (kat) ve aynı özelliklerle bir Random Forest regresyonu (şiddet). Ağaçlar ve topluluklar Ders 07 ve Ders 08'de anlatıldı. Başarıyı doğrulukla ve Ders 05'teki karışıklık matrisiyle ölçüyoruz.
def goreli(F, referans):
return F / referans - 1 # sağlam ortalamaya göre bağıl değişim
siniflandirici = RandomForestClassifier(n_estimators=200, random_state=42, n_jobs=1)
siniflandirici.fit(goreli(F_e, mu), kat_e) # mu: modelin sağlam ortalaması
tahmin = siniflandirici.predict(goreli(F_yapi, mu_yapi)) # mu_yapi: yapının kendi sağlam ortalamasıSınıflandırıcı her ölçüme mutlaka bir kat atar, sağlam bir ölçüme bile. Bu yüzden zincirin sırası önemlidir: önce Görev 1'in algılayıcısı alarm verir, konum ve şiddet modelleri ancak ondan sonra çalıştırılır.
Model hatası denemesi. Benzetimle eğitilen bir model, gerçek yapı modelden farklıysa ne yapar? Bunu sınamak için bir “gerçek yapı” tanımladık. Kat rijitlikleri nominal değerlerin 1,08; 0,94; 1,05; 0,92 ve 1,06 katı, kat kütleleri 1,03; 0,98; 1,04; 0,97 ve 0,90 katı. Model bu sapmaları bilmiyor. Bu yapının sağlam frekansları modelinkinden %2,41 fazla ile %0,46 eksik arasında değişiyor. Eğitilmiş modelleri değiştirmeden bu yapının hasarlı ölçümlerine uyguluyoruz: bir kez ham frekanslarla eğitilmiş bir sınıflandırıcıyla, bir kez de yapının kendi sağlam ortalamasına göre bağıl özelliklerle.
6. Çalıştırılabilir kod
Betik altı bölümden oluşur: model ve duyarlılık tablosu, veri üretimi, algılama, konum, şiddet ve grafikler. Çalışması bir dakikadan kısa sürer; zamanın çoğu Random Forest eğitimlerine gider. Kurulum için Ders 01'deki adımları izleyin.
"""Proje 4 — Titreşimden hasar tespiti.
Beş katlı bir kayma binasının ilk beş doğal frekansını izliyoruz. Sıcaklık bütün katların
rijitliğini birlikte değiştirir; hasar ise tek bir katın rijitliğini düşürür. Üç görev var:
1) Etiketsiz algılama: yalnız sağlam ölçümlerle kurulan Mahalanobis uzaklığı ve sıcaklık
bileşenini PCA ile atan kalıntı göstergesi (Yan vd. 2005'in fikri).
2) Konum: benzetimle üretilmiş hasar senaryolarında eğitilen Random Forest sınıflandırıcı.
3) Şiddet: aynı özelliklerden hasar oranını tahmin eden Random Forest regresyonu.
Veri tamamen sentetiktir: kat kütlesi 300 t, kat rijitliği 585 MN/m (15 °C'de), sıcaklık
−5…35 °C, rijitliğin sıcaklık katsayısı °C başına −%0,15 (varsayım), frekans ölçüm gürültüsü
%0,2. Gerçek bir binanın ölçümü değildir.
Çalıştır: python p4_hasar_tespiti.py
Gerekenler: numpy, scipy, scikit-learn, matplotlib (Python 3.12+)
Çıktılar: terminale sayılar, aynı klasöre üç PNG grafiği
"""
from pathlib import Path
import numpy as np
import matplotlib
matplotlib.use("Agg") # pencere açmadan dosyaya çiz
import matplotlib.pyplot as plt
from scipy.linalg import eigh
from sklearn.decomposition import PCA
from sklearn.ensemble import RandomForestClassifier, RandomForestRegressor
from sklearn.metrics import accuracy_score, confusion_matrix
# --- Grafik stili (kurs genelinde aynı) ---
RENK = ["#2a78d6", "#eb6834", "#1baf7a", "#eda100", "#e87ba4", "#008300", "#6250d6", "#e34948"]
MUREKKEP, IKINCIL, SOLUK = "#0b0b0b", "#52514e", "#898781"
plt.rcParams.update({
"figure.facecolor": "white", "axes.facecolor": "white", "savefig.facecolor": "white",
"axes.edgecolor": "#c3c2b7", "axes.labelcolor": IKINCIL, "axes.titlecolor": MUREKKEP,
"axes.titlesize": 11, "axes.titleweight": "bold", "axes.labelsize": 10,
"xtick.color": IKINCIL, "ytick.color": IKINCIL, "font.size": 10,
"axes.grid": True, "grid.color": "#e1e0d9", "grid.linewidth": 0.6,
"axes.spines.top": False, "axes.spines.right": False,
"axes.prop_cycle": plt.cycler(color=RENK), "lines.linewidth": 2, "legend.frameon": False,
})
KLASOR = Path(__file__).resolve().parent
# %% 1. Model: beş katlı kayma binası
rng = np.random.default_rng(42)
KAT = 5
M_KAT = 300e3 # kg, her döşemenin kütlesi
K_KAT = 585e6 # N/m, her katın yanal rijitliği (15 °C'de); T1 ≈ 0,5 s verir
T_REF = 15.0 # °C, referans sıcaklık
BETA = 0.0015 # 1/°C: 1 °C ısınma bütün kat rijitliklerini %0,15 azaltır (VARSAYIM)
GURULTU = 0.002 # frekans ölçümünün bağıl standart sapması (%0,2)
T_ARALIK = (-5.0, 35.0) # °C, ölçüm günlerinin sıcaklık aralığı
HASARLAR = (0.05, 0.10, 0.20, 0.30)
K_NOM, M_NOM = np.full(KAT, K_KAT), np.full(KAT, M_KAT)
def rijitlik_matrisi(k):
"""Kayma binasının K matrisi. k[j]: (j+1). katın, yani j. ve (j+1). döşeme arasının rijitliği."""
ust = np.append(k[1:], 0.0) # üstteki katın rijitliği (çatıda yok)
return np.diag(k + ust) - np.diag(k[1:], 1) - np.diag(k[1:], -1)
def frekanslar(k, m):
"""K φ = ω² M φ genelleştirilmiş özdeğer problemi → doğal frekanslar (Hz), küçükten büyüğe."""
w2 = eigh(rijitlik_matrisi(k), np.diag(m), eigvals_only=True)
return np.sqrt(w2) / (2 * np.pi)
def olcum(n, kat=-1, hasar=0.0, T=None, k0=K_NOM, m0=M_NOM):
"""n ölçüm üretir: o günün sıcaklığında, gürültülü ilk beş frekans.
kat = −1 sağlam yapı; kat ∈ {0, …, 4} ise o katın rijitliği (1 − hasar) ile çarpılır."""
T = rng.uniform(*T_ARALIK, n) if T is None else np.full(n, T)
kat, hasar = np.broadcast_to(kat, n), np.broadcast_to(hasar, n)
F = np.empty((n, KAT))
for i in range(n):
k = k0 * (1 - BETA * (T[i] - T_REF)) # sıcaklık bütün katları birlikte etkiler
if kat[i] >= 0:
k[kat[i]] *= 1 - hasar[i] # hasar yalnız bir katın rijitliğini düşürür
F[i] = frekanslar(k, m0)
F *= 1 + GURULTU * rng.standard_normal(F.shape) # bağıl ölçüm gürültüsü
return F, T
def hasarli_olcumler(n_kat=200, **yapi):
"""Her hasar düzeyi için 5 kat × n_kat ölçüm: {düzey: (F, hasarlı kat, sıcaklık)}."""
veri = {}
for d in HASARLAR:
kat = np.repeat(np.arange(KAT), n_kat)
F, T = olcum(kat.size, kat, d, **yapi)
veri[d] = (F, kat, T)
return veri
f0 = frekanslar(K_NOM, M_NOM)
print("=== 1. Model ===")
print(f"Kat kütlesi {M_KAT/1e3:.0f} t, kat rijitliği {K_KAT/1e6:.0f} MN/m (15 °C'de), {KAT} kat; "
f"frekans ölçüm gürültüsü %{100*GURULTU:.1f}")
print("Doğal frekanslar (Hz): " + " ".join(f"{f:.3f}" for f in f0) + f" → T1 = {1/f0[0]:.3f} s")
soguk = frekanslar(K_NOM * (1 - BETA * (T_ARALIK[0] - T_REF)), M_NOM) / f0 - 1
sicak = frekanslar(K_NOM * (1 - BETA * (T_ARALIK[1] - T_REF)), M_NOM) / f0 - 1
print(f"Sıcaklıkla frekans değişimi (bütün modlarda aynı): -5 °C'de {100*soguk[0]:+.2f} %, "
f"35 °C'de {100*sicak[0]:+.2f} %")
assert 0.49 < 1 / f0[0] < 0.51 and np.allclose(soguk, soguk[0]) and np.allclose(sicak, sicak[0])
# Gürültüsüz duyarlılık tablosu: %10 hasar her katta ayrı ayrı + karşılaştırma için 10 °C ısınma
dusus = np.empty((KAT + 1, KAT))
for j in range(KAT):
k = K_NOM.copy()
k[j] *= 0.90
dusus[j] = 100 * (1 - frekanslar(k, M_NOM) / f0)
dusus[KAT] = 100 * (1 - frekanslar(K_NOM * (1 - BETA * 10), M_NOM) / f0)
print("Frekans düşüşü (%): f1 f2 f3 f4 f5")
for j in range(KAT + 1):
ad = f"%10 hasar, kat {j+1}" if j < KAT else "10 °C ısınma (karşılaştırma)"
print(f" {ad:28s}" + "".join(f"{v:7.2f}" for v in dusus[j]))
# Birinci mertebe duyarlılık: kütleye göre normalleştirilmiş modlarda λ_r = Σ_j k_j (φ_rj − φ_r,j−1)²,
# j. katın enerji payı e_rj = k_j (Δφ)² / λ_r → Δf_r / f_r ≈ −(d/2)·e_rj
lam0, phi = eigh(rijitlik_matrisi(K_NOM), np.diag(M_NOM))
kat_otelemesi = np.diff(np.vstack([np.zeros(KAT), phi]), axis=0) # Δφ, satır = kat
enerji_payi = (K_NOM[:, None] * kat_otelemesi**2 / lam0).T # e[r, j]
assert np.allclose(enerji_payi.sum(axis=1), 1)
print(f"1. modda 1. katın enerji payı e = {enerji_payi[0, 0]:.3f} → birinci mertebe: %10 hasarda "
f"f1 -{100*0.05*enerji_payi[0, 0]:.2f} % (tam çözüm -{dusus[0, 0]:.2f} %)")
# %% 2. Ölçüm verisi (sentetik)
F_egitim, T_egitim = olcum(1000) # sağlam: eğitim (normal davranışı öğrenmek için)
F_dogrulama, _ = olcum(2000) # sağlam: eşiği seçmek için
F_saglam_test, T_saglam_test = olcum(1000) # sağlam: yanlış alarm oranını ölçmek için
hasarli = hasarli_olcumler() # hasarlı test: her düzeyde 5 kat × 200 ölçüm
print("\n=== 2. Veri (sentetik) ===")
print(f"Sağlam ölçüm: eğitim {len(F_egitim)}, doğrulama {len(F_dogrulama)}, test {len(F_saglam_test)}; "
f"hasarlı test: {len(HASARLAR)} düzey × {KAT} kat × 200 = {len(HASARLAR) * KAT * 200}")
# %% 3. Görev 1: yalnız sağlam veriyle hasar algılama
mu, sd = F_egitim.mean(axis=0), F_egitim.std(axis=0)
def standart(F):
return (F - mu) / sd
Z = standart(F_egitim)
_, s, Vt = np.linalg.svd(Z, full_matrices=False) # PCA = standartlaştırılmış verinin SVD'si
lam = s**2 / (len(Z) - 1) # bileşen varyansları
Vt[0] *= np.sign(Vt[0].sum()) # işaret keyfi: 1. bileşen yüklerini pozitif seç
pca = PCA().fit(Z) # kütüphane karşılığı
assert np.allclose(pca.explained_variance_, lam)
puan1 = Z @ Vt[0]
r_T = np.corrcoef(puan1, T_egitim)[0, 1]
def oklid(F):
"""Normalleştirme yok: standart sapma birimlerinde ortalamadan uzaklığın karesi."""
return np.sum(standart(F)**2, axis=1)
def pca_kalinti(F, q=1):
"""İlk q bileşeni (sıcaklık) çıkar, kalıntının karesel normunu döndür (Yan vd. 2005 fikri)."""
z = standart(F)
return np.sum((z - z @ Vt[:q].T @ Vt[:q])**2, axis=1)
def mahalanobis_kur(F_saglam):
"""Sağlam ölçümlerden μ ve Σ'yı öğrenir; D²(f) = (f − μ)ᵀ Σ⁻¹ (f − μ) fonksiyonunu döndürür."""
mu_s = F_saglam.mean(axis=0)
S_ters = np.linalg.inv(np.cov(F_saglam, rowvar=False))
def D2(F):
fark = F - mu_s
return np.einsum("ij,jk,ik->i", fark, S_ters, fark)
return D2
mahalanobis = mahalanobis_kur(F_egitim)
# Tutarlılık: D² = Σ_k (bileşen puanı_k)² / varyans_k (Mahalanobis = bütün bileşenleri ölçekleyen PCA)
z_test = standart(F_saglam_test)
assert np.allclose(mahalanobis(F_saglam_test), np.sum((z_test @ Vt.T)**2 / lam, axis=1))
def degerlendir(gosterge, F_dog, F_sag, veri):
"""Eşik = sağlam doğrulama göstergesinin %99'luk dilimi; yanlış alarm ve algılama oranları."""
esik = np.percentile(gosterge(F_dog), 99)
yanlis = np.mean(gosterge(F_sag) > esik)
algi = [np.mean(gosterge(veri[d][0]) > esik) for d in HASARLAR]
return esik, yanlis, algi
sonuc = {
"Öklid (çevresel normalleştirme yok)": degerlendir(oklid, F_dogrulama, F_saglam_test, hasarli),
"PCA kalıntısı (1. bileşen atıldı)": degerlendir(pca_kalinti, F_dogrulama, F_saglam_test, hasarli),
"Mahalanobis": degerlendir(mahalanobis, F_dogrulama, F_saglam_test, hasarli),
}
# Karşılaştırma: sıcaklık hiç değişmeseydi (laboratuvar koşulu, sabit 15 °C)
F_lab_egitim, _ = olcum(1000, T=T_REF)
F_lab_dog, _ = olcum(2000, T=T_REF)
F_lab_test, _ = olcum(1000, T=T_REF)
lab_veri = hasarli_olcumler(T=T_REF)
sonuc["Sabit 15 °C (laboratuvar, Mahal.)"] = degerlendir(
mahalanobis_kur(F_lab_egitim), F_lab_dog, F_lab_test, lab_veri)
print("\n=== 3. Görev 1: etiketsiz algılama ===")
print("PCA varyans payları: " + " ".join(f"{v:.3f}" for v in pca.explained_variance_ratio_))
print("1. bileşenin yükleri: " + " ".join(f"{v:.3f}" for v in Vt[0])
+ f"; sıcaklıkla korelasyonu r = {r_T:+.3f}")
print("Gösterge eşik yanlış alarm algılama (%): %5 %10 %20 %30")
for ad, (esik, yanlis, algi) in sonuc.items():
print(f" {ad:36s}{esik:7.3f}{100*yanlis:9.1f} % " + "".join(f"{100*a:7.1f}" for a in algi))
assert abs(r_T) > 0.9 and all(0 < y < 0.03 for _, y, _ in sonuc.values())
# %% 4. Görev 2: hasarlı katı bulmak (benzetimle eğitilen sınıflandırıcı)
n_egit = 4000
kat_e = rng.integers(0, KAT, n_egit)
d_e = rng.uniform(0.03, 0.35, n_egit) # şiddet bilinmiyor: geniş bir aralıktan çek
F_e, _ = olcum(n_egit, kat_e, d_e)
def goreli(F, referans):
"""Özellik: sağlam ortalamaya göre bağıl frekans değişimi."""
return F / referans - 1
siniflandirici = RandomForestClassifier(n_estimators=200, random_state=42, n_jobs=1)
siniflandirici.fit(goreli(F_e, mu), kat_e)
siniflandirici_ham = RandomForestClassifier(n_estimators=200, random_state=42, n_jobs=1)
siniflandirici_ham.fit(F_e, kat_e) # karşılaştırma: ham frekanslarla (Hz)
dogruluk_model = [accuracy_score(hasarli[d][1], siniflandirici.predict(goreli(hasarli[d][0], mu)))
for d in HASARLAR]
KM_5 = confusion_matrix(hasarli[0.05][1], siniflandirici.predict(goreli(hasarli[0.05][0], mu)))
# "Gerçek" yapı: kat rijitlikleri ve kütleleri modelden biraz farklı (modelin bilmediği sapmalar)
K_GERCEK = K_KAT * np.array([1.08, 0.94, 1.05, 0.92, 1.06])
M_GERCEK = M_KAT * np.array([1.03, 0.98, 1.04, 0.97, 0.90])
F_g_saglam, _ = olcum(1000, k0=K_GERCEK, m0=M_GERCEK) # izlemenin ilk dönemi: sağlam ölçümler
mu_g = F_g_saglam.mean(axis=0)
gercek = hasarli_olcumler(k0=K_GERCEK, m0=M_GERCEK)
dogruluk_goreli = [accuracy_score(gercek[d][1], siniflandirici.predict(goreli(gercek[d][0], mu_g)))
for d in HASARLAR]
dogruluk_ham = [accuracy_score(gercek[d][1], siniflandirici_ham.predict(gercek[d][0])) for d in HASARLAR]
print("\n=== 4. Görev 2: hasarlı kat ===")
print(f"Eğitim: {n_egit} benzetim (kat 1–5, hasar %3–35, rastgele sıcaklık); Random Forest, 200 ağaç")
print("Gerçek yapının sağlam frekanslarının modelden farkı (%): "
+ " ".join(f"{100*(g/m - 1):+.2f}" for g, m in zip(mu_g, mu)))
print("Doğruluk (%) %5 %10 %20 %30")
for ad, dog in [("Model = yapı (göreli özellik)", dogruluk_model),
("Gerçek yapı, göreli özellik", dogruluk_goreli),
("Gerçek yapı, ham frekans (Hz)", dogruluk_ham)]:
print(f" {ad:34s}" + "".join(f"{100*a:7.1f}" for a in dog))
print("Karışıklık matrisi, %5 hasar, model = yapı (satır: gerçek kat, sütun: tahmin edilen kat):")
for j in range(KAT):
print(f" kat {j+1}:" + "".join(f"{v:5d}" for v in KM_5[j]))
assert KM_5.sum() == KAT * 200 and np.isclose(np.trace(KM_5) / KM_5.sum(), dogruluk_model[0])
# %% 5. Görev 3: hasar şiddeti (regresyon)
regresor = RandomForestRegressor(n_estimators=200, random_state=42, n_jobs=1)
regresor.fit(goreli(F_e, mu), 100 * d_e)
mae_model = [np.mean(np.abs(regresor.predict(goreli(hasarli[d][0], mu)) - 100 * d)) for d in HASARLAR]
mae_gercek = [np.mean(np.abs(regresor.predict(goreli(gercek[d][0], mu_g)) - 100 * d)) for d in HASARLAR]
print("\n=== 5. Görev 3: hasar şiddeti ===")
print("Ortalama mutlak hata (yüzde puan) %5 %10 %20 %30")
print(" Model = yapı " + "".join(f"{m:7.2f}" for m in mae_model))
print(" Gerçek yapı (göreli özellik) " + "".join(f"{m:7.2f}" for m in mae_gercek))
assert np.all(np.isfinite(mae_model)) and np.all(np.isfinite(mae_gercek))
# %% 6. Grafikler
modlar = [f"f{r+1}" for r in range(KAT)]
fig, ax = plt.subplots(1, 2, figsize=(10, 4.2), layout="constrained")
F10, kat10, T10 = hasarli[0.10]
ax[0].scatter(T_egitim, F_egitim[:, 0], s=8, color=SOLUK, alpha=.6, label="Sağlam")
secim = kat10 == 0
ax[0].scatter(T10[secim], F10[secim, 0], s=10, color=RENK[0], alpha=.8, label="%10 hasar, 1. kat")
ax[0].set(xlabel="Sıcaklık (°C)", ylabel="1. doğal frekans f1 (Hz)",
title="f1 tek başına: soğukta hasarlı ≈ sıcakta sağlam")
ax[0].legend(loc="upper right")
im = ax[1].imshow(dusus, cmap="Blues", vmin=0, aspect="auto")
for (i, j), v in np.ndenumerate(dusus):
ax[1].text(j, i, f"{v:.2f}", ha="center", va="center", fontsize=9,
color="white" if v > 0.6 * dusus.max() else MUREKKEP)
ax[1].set_xticks(range(KAT), modlar)
ax[1].set_yticks(range(KAT + 1), [f"Kat {j+1}, %10" for j in range(KAT)] + ["10 °C ısınma"])
ax[1].grid(False)
ax[1].set_title("Frekans düşüşü (%): hasar deseni ve sıcaklık")
fig.colorbar(im, ax=ax[1], label="Frekans düşüşü (%)")
fig.savefig(KLASOR / "p4_hasar_tespiti_1.png", dpi=160)
plt.close(fig)
fig, ax = plt.subplots(2, 2, figsize=(10, 7.5), layout="constrained")
# Renk her panelde göstergeyi belirtir (turuncu: Öklid, mavi: PCA kalıntısı);
# üst panellerde çizgi biçimi hasar düzeyini (kesikli %5, düz %10)
for a, (ad, gosterge, renk) in zip(ax[0], [("Öklid (çevresel normalleştirme yok)", oklid, RENK[1]),
("PCA kalıntısı (1. bileşen atıldı)", pca_kalinti, RENK[0])]):
esik = sonuc[ad][0]
degerler = [gosterge(F_saglam_test), gosterge(hasarli[0.05][0]), gosterge(hasarli[0.10][0])]
kutular = np.geomspace(min(v.min() for v in degerler), max(v.max() for v in degerler), 45)
a.hist(degerler[0], bins=kutular, color=SOLUK, alpha=.6, label="Sağlam")
a.hist(degerler[1], bins=kutular, histtype="step", lw=1.6, ls=(0, (4, 2)), color=renk, label="%5 hasar")
a.hist(degerler[2], bins=kutular, histtype="step", lw=1.9, color=renk, label="%10 hasar")
a.axvline(esik, color=MUREKKEP, ls="--", lw=1.2, label="Eşik (%99)")
a.set_xscale("log")
a.set(xlabel="Hasar göstergesi (log ölçek)", ylabel="Ölçüm sayısı", title=ad)
a.legend(loc="upper left")
ilk = slice(0, 500) # okunaklılık için sağlam testin ilk 500 ölçümü
ax[1, 0].scatter(T_saglam_test[ilk],
oklid(F_saglam_test[ilk]) / sonuc["Öklid (çevresel normalleştirme yok)"][0],
s=7, color=RENK[1], label="Öklid")
ax[1, 0].scatter(T_saglam_test[ilk],
pca_kalinti(F_saglam_test[ilk]) / sonuc["PCA kalıntısı (1. bileşen atıldı)"][0],
s=7, color=RENK[0], label="PCA kalıntısı")
ax[1, 0].axhline(1, color=MUREKKEP, ls="--", lw=1.2, label="Eşik")
ax[1, 0].set(xlabel="Sıcaklık (°C)", ylabel="Gösterge / eşik", title="Sağlam yapıda gösterge ve sıcaklık",
ylim=(0, 1.6))
ax[1, 0].legend(loc="upper center", ncols=3)
duzey = [100 * d for d in HASARLAR]
cizim = [("Öklid (çevresel normalleştirme yok)", RENK[1], "-", "o"),
("PCA kalıntısı (1. bileşen atıldı)", RENK[0], "-", "o"),
("Mahalanobis", RENK[2], "--", "s"),
("Sabit 15 °C (laboratuvar, Mahal.)", MUREKKEP, ":", "^")]
for ad, renk, cizgi, isaret in cizim:
ax[1, 1].plot(duzey, [100 * a for a in sonuc[ad][2]], cizgi, marker=isaret, ms=6, color=renk, label=ad)
ax[1, 1].set(xlabel="Hasar düzeyi (% rijitlik kaybı, tek kat)", ylabel="Algılama oranı (%)",
title="Yanlış alarm ≈ %1'de algılama", xticks=duzey, ylim=(0, 105))
ax[1, 1].legend(loc="lower right", fontsize=8.5)
fig.savefig(KLASOR / "p4_hasar_tespiti_2.png", dpi=160)
plt.close(fig)
fig, ax = plt.subplots(1, 2, figsize=(10, 4.2), layout="constrained")
ax[0].imshow(KM_5, cmap="Blues")
for (i, j), v in np.ndenumerate(KM_5):
ax[0].text(j, i, str(v), ha="center", va="center", fontsize=10,
color="white" if v > 0.5 * KM_5.max() else MUREKKEP)
ax[0].set_xticks(range(KAT), [str(j + 1) for j in range(KAT)])
ax[0].set_yticks(range(KAT), [str(j + 1) for j in range(KAT)])
ax[0].grid(False)
ax[0].set(xlabel="Tahmin edilen kat", ylabel="Gerçek hasarlı kat", title="Karışıklık matrisi, %5 hasar")
for (ad, dog), renk in zip([("Model = yapı (göreli özellik)", dogruluk_model),
("Gerçek yapı, göreli özellik", dogruluk_goreli),
("Gerçek yapı, ham frekans", dogruluk_ham)], RENK[:3]):
ax[1].plot(duzey, [100 * a for a in dog], marker="o", color=renk, label=ad)
ax[1].axhline(100 / KAT, color=MUREKKEP, ls=":", lw=1.2, label="Rastgele tahmin (%20)")
ax[1].set(xlabel="Hasar düzeyi (% rijitlik kaybı)", ylabel="Doğru kat oranı (%)",
title="Konum doğruluğu ve model hatası", xticks=duzey, ylim=(0, 105))
ax[1].legend(loc="center right", bbox_to_anchor=(1, 0.5))
fig.savefig(KLASOR / "p4_hasar_tespiti_3.png", dpi=160)
plt.close(fig)
print("\nGrafikler kaydedildi: p4_hasar_tespiti_1.png, _2.png, _3.png")=== 1. Model ===
Kat kütlesi 300 t, kat rijitliği 585 MN/m (15 °C'de), 5 kat; frekans ölçüm gürültüsü %0.2
Doğal frekanslar (Hz): 2.000 5.839 9.205 11.825 13.487 → T1 = 0.500 s
Sıcaklıkla frekans değişimi (bütün modlarda aynı): -5 °C'de +1.49 %, 35 °C'de -1.51 %
Frekans düşüşü (%): f1 f2 f3 f4 f5
%10 hasar, kat 1 1.93 1.59 1.05 0.52 0.14
%10 hasar, kat 2 1.63 0.16 0.61 1.91 0.92
%10 hasar, kat 3 1.14 0.59 1.62 0.16 1.72
%10 hasar, kat 4 0.59 1.93 0.16 1.17 1.39
%10 hasar, kat 5 0.16 1.17 1.95 1.48 0.47
10 °C ısınma (karşılaştırma) 0.75 0.75 0.75 0.75 0.75
1. modda 1. katın enerji payı e = 0.356 → birinci mertebe: %10 hasarda f1 -1.78 % (tam çözüm -1.93 %)
=== 2. Veri (sentetik) ===
Sağlam ölçüm: eğitim 1000, doğrulama 2000, test 1000; hasarlı test: 4 düzey × 5 kat × 200 = 4000
=== 3. Görev 1: etiketsiz algılama ===
PCA varyans payları: 0.960 0.011 0.010 0.010 0.009
1. bileşenin yükleri: 0.447 0.447 0.448 0.447 0.447; sıcaklıkla korelasyonu r = -0.995
Gösterge eşik yanlış alarm algılama (%): %5 %10 %20 %30
Öklid (çevresel normalleştirme yok) 15.096 1.1 % 15.5 37.7 97.2 100.0
PCA kalıntısı (1. bileşen atıldı) 0.695 0.7 % 57.2 100.0 100.0 100.0
Mahalanobis 15.051 0.7 % 59.5 100.0 100.0 100.0
Sabit 15 °C (laboratuvar, Mahal.) 16.077 1.2 % 99.8 100.0 100.0 100.0
=== 4. Görev 2: hasarlı kat ===
Eğitim: 4000 benzetim (kat 1–5, hasar %3–35, rastgele sıcaklık); Random Forest, 200 ağaç
Gerçek yapının sağlam frekanslarının modelden farkı (%): +2.41 +1.70 +1.87 +0.80 -0.46
Doğruluk (%) %5 %10 %20 %30
Model = yapı (göreli özellik) 97.5 100.0 100.0 100.0
Gerçek yapı, göreli özellik 94.8 100.0 100.0 100.0
Gerçek yapı, ham frekans (Hz) 33.3 53.7 97.6 98.8
Karışıklık matrisi, %5 hasar, model = yapı (satır: gerçek kat, sütun: tahmin edilen kat):
kat 1: 195 1 1 1 2
kat 2: 2 194 2 1 1
kat 3: 6 2 192 0 0
kat 4: 1 0 0 199 0
kat 5: 1 2 1 1 195
=== 5. Görev 3: hasar şiddeti ===
Ortalama mutlak hata (yüzde puan) %5 %10 %20 %30
Model = yapı 0.99 1.22 1.10 0.84
Gerçek yapı (göreli özellik) 0.81 1.53 2.57 2.65
Grafikler kaydedildi: p4_hasar_tespiti_1.png, _2.png, _3.png7. Sonuçları yorumlayın
Sıcaklık küçük hasarı gizler

Sol grafikteki iki bulut neredeyse paraleldir: bulutların eğimi sıcaklığın, aralarındaki dikey uzaklık hasarın etkisidir. Soğuk bir günde ölçülen hasarlı yapı, sıcak bir günde ölçülen sağlam yapıyla aynı $f_1$'i verir. Yalnız birinci frekansa bakan bir alarm bu iki durumu ayıramaz. Fark desendedir (sağ grafik): sıcaklık her sütunda aynı rengi verirken, her katın hasarı başka modları başka oranlarda düşürür.
Algılama: normalleştirme ne kazandırıyor?

| Gösterge | Yanlış alarm | %5 | %10 | %20 | %30 |
|---|---|---|---|---|---|
| Öklid (çevresel normalleştirme yok) | %1,1 | 15,5 | 37,7 | 97,2 | 100 |
| PCA kalıntısı ($q$ = 1) | %0,7 | 57,2 | 100 | 100 | 100 |
| Mahalanobis | %0,7 | 59,5 | 100 | 100 | 100 |
| Sabit 15 °C, Mahalanobis (laboratuvar) | %1,2 | 99,8 | 100 | 100 | 100 |
Öklid göstergesi sıcaklıkta boğuluyor. %5 hasarın yalnız %15,5'ini, %10 hasarın %37,7'sini yakalıyor. Sol alttaki panel nedenini gösteriyor: sağlam yapının göstergesi sıcaklığın iki ucunda U biçiminde yükseliyor ve eşiği soğuk ve sıcak günler belirliyor. Daha da kötüsü, soğuk bir günde oluşan hasar frekansları ortalamaya doğru çeker; o gün hasarlı yapı sağlam yapıdan daha “normal” görünür. Üst soldaki histogramda %10 hasarlı ölçümlerin bir kısmının eşiğin çok altında kalmasının nedeni budur.
PCA sıcaklığı buluyor. Sağlam eğitim verisinde birinci bileşen varyansın %96,0'ını taşıyor. Yüklerinin hepsi 0,447 ile 0,448 arasındadır, yani $1/\sqrt 5 \approx 0{,}447$: bu, “beş frekans birlikte” yönüdür. Bileşen puanının ölçüm sıcaklığıyla korelasyonu −0,995. Sıcaklığı hiç görmeden, yalnız frekanslardan, çevresel etkinin yönünü bulmuş olduk. Bu bileşen atıldığında %5 hasarın %57,2'si, %10 hasarın tamamı algılanıyor. Sol alt panelde mavi noktalar artık sıcaklıktan bağımsız.
Mahalanobis aynı işi örtük yapıyor. %59,5 ve %100 ile PCA kalıntısıyla neredeyse aynı sonucu veriyor. Kutudaki eşitliğin söylediği budur: eğitim verisi bütün sıcaklıkları kapsadığı sürece Mahalanobis uzaklığı doğrusal bir çevresel etkiyi kendiliğinden bastırır. PCA'nın buradaki asıl katkısı şeffaflıktır: çevresel bileşeni görünür kılar (yükler, sıcaklıkla korelasyon) ve onu bilerek atmamızı sağlar. Bu bilgi, etkinin doğrusal olmadığı durumda hayati olacak (Alıştırma 5).
Sıcaklığı bilmemenin bedeli. Sıcaklık hiç değişmeseydi aynı Mahalanobis göstergesi %5 hasarın %99,8'ini yakalayacaktı; sahada %59,5'ini yakalıyor. Aradaki fark geri kazanılamaz değildir ama yalnız frekanslarla da kazanılamaz: hasar deseninin sıcaklık yönüne paralel kısmı, sıcaklığın kendisinden ayırt edilemez. Sıcaklık ayrıca ölçülürse bu kısım geri gelir (Alıştırma 3). Yanlış alarm oranları %0,7 ile %1,2 arasında. Tam %1 çıkmamasının iki nedeni var: eşik 2.000 ölçümlük sonlu bir doğrulama kümesinden tahmin ediliyor ve oran 1.000 ölçümlük bir test kümesinde ölçülüyor. Yalnız ikincisinin standart hatası bile yaklaşık 0,3 yüzde puandır: $\sqrt{0{,}01 \cdot 0{,}99/1000} \approx 0{,}003$.
Konum ve şiddet

Model ile yapı aynıyken sınıflandırıcı %5 hasarda katı %97,5 doğrulukla buluyor, %10 ve üzerinde hiç yanılmıyor. En sık karışıklık, 3. kattaki hasarın 1. katta sanılması (200 ölçümün 6'sı). Konumun bu kadar kolay olması bizi şaşırtmamalı: beş katın deseni birbirinden belirgin biçimde farklı, gürültü küçük ve en önemlisi test verisi, eğitim verisini üreten modelin aynısından geliyor.
Gerçek yapıda tablo değişiyor. Ham frekanslarla eğitilen sınıflandırıcının doğruluğu %5 hasarda %33,3'e, %10 hasarda %53,7'ye iniyor; ancak %20 ve %30 hasarda (%97,6 ve %98,8) toparlanıyor. Nedeni basit: modelle yapı arasındaki %2,41'e varan frekans farkı, küçük bir hasarın etkisinden büyük. Sınıflandırıcı model hatasını hasar sanıyor. Bağıl özelliklerde ise her yapı kendi sağlam durumuyla karşılaştırıldığı için bu fark büyük ölçüde siliniyor: doğruluk %5 hasarda %94,8, üzerinde %100.
Şiddet tahmini model hatasına daha duyarlı. Model ile yapı aynıyken ortalama mutlak hata 0,84–1,22 yüzde puan aralığında. Gerçek yapıda %5 ve %10 hasarda hata benzer kalıyor (0,81 ve 1,53), ama %20 ve %30 hasarda 2,57 ve 2,65 yüzde puana çıkıyor. Konum için desenin biçimi yeterken şiddet için desenin büyüklüğü gerekir ve büyüklük, yapının gerçek mod şekillerine ve enerji paylarına bağlıdır.
8. Dürüst bir değerlendirme: sonuçlar sahaya ne kadar taşınır?
- Frekanslar küresel özelliklerdir. Beş sayı bütün binayı özetler. Buradaki en küçük hasar bile bir katın toplam yanal rijitliğinin %5'i; bu, tek bir kolondaki çatlaktan çok daha büyük bir değişimdir. Yerel hasar frekansları çoğu zaman ölçüm gürültüsü düzeyinde değiştirir. Daha yerel bilgi için mod şekilleri, eğrilikleri ya da şekil değiştirme ölçümleri gerekir.
- Benzetimle eğitilen model, model güncellemesi ister. Konum ve şiddet modelleri yapının modeline güvenir. Model hatası, ham frekanslarla eğitilen sınıflandırıcıyı %5 hasarda %33,3'e düşürdü; bağıl özellikler bunun çoğunu giderdi, ama şiddet hatası yine büyüdü. Sahada önce yapının sonlu eleman modeli ölçülen sağlam frekanslara ve mod şekillerine göre güncellenir (model updating), modeldeki belirsizlik de benzetimlere katılır. Yalnız frekanslarla güncellemenin neden yetmeyebileceğini Alıştırma 6'da göreceksiniz.
- Algılama modelden bağımsızdır. Görev 1 yalnız yapının kendi sağlam ölçümlerine dayanır; modeldeki hatalar onu etkilemez. Zincirin en güvenilir halkası budur.
- Gürültü ve doğrusal olmama. Frekans belirleme hatası kayıt süresine, titreşim düzeyine ve moda bağlıdır; yüksek modlar çoğu zaman daha belirsizdir. Açılıp kapanan çatlaklar ve titreşim genliğine bağlı frekans değişimleri doğrusal modelimizde yoktur. Sıcaklık etkisini de doğrusal ve bütün katlara eşit varsaydık.
- Yanlış alarmın bir bedeli vardır. %1 küçük görünür, ama saatte bir ölçüm alan bir sistem yılda onlarca yanlış alarm üretir. Hasar seyrek olduğundan alarmların çoğu yanlıştır; bu, Hazırlık 2'deki hasar alarmı örneğinin (taban oranı) aynısıdır. Eşik, alışkanlıkla %99 diye değil, kaçan hasarın ve gereksiz incelemenin maliyetine göre seçilmelidir (Ders 05'te maliyete göre eşik). Hesabı Alıştırma 1'de yapacaksınız.
- Karar mühendisindir. Böyle bir algılayıcı yerinde incelemenin yerine geçmez; hangi yapının ne zaman inceleneceğini sıralamaya yardım eder. Bir yapının güvenliği, yönetmeliğe uygun inceleme, ölçüm ve hesapla değerlendirilir.
9. Sık yapılan hatalar
- Sağlam veriyi tek bir mevsimden toplamak. Algılayıcı yalnız gördüğü sıcaklıkları “normal” bilir. Kış verisi olmadan kurulan bir model ilk soğuk günlerde alarm verir. Eğitim verisi, çevresel koşulların bütün aralığını kapsamalıdır.
- “Sağlam” verinin gerçekten sağlam olduğunu varsaymak. Eğitim verisine karışan aykırı ölçümler ya da fark edilmemiş bir hasar, kovaryansı şişirir ve göstergeyi körleştirir. Veriyi gözle denetleyin; gerekirse aykırı değerlere dayanıklı bir kovaryans kestiricisi kullanın (scikit-learn'de
MinCovDet). - Atılacak bileşen sayısını hasarlı veriye bakarak seçmek. Sahada hasarlı veri yoktur. $q$'yu sağlam verideki varyans paylarına ve bileşenlerin ölçülen çevresel değişkenlerle ilişkisine bakarak seçin. Gerekenden fazla bileşen atmak hasar bilgisini de atar (Alıştırma 2).
- Benzetimdeki başarıyı saha başarısı sanmak. Model ile yapı aynıyken %97,5 olan doğruluk, model hatası ve ham frekanslarla %33,3'e indi. Benzetim sonuçları ancak model kadar doğrudur.
- Eşiği kesin bir sayı gibi okumak. %99'luk dilim sonlu bir kümeden tahmin edilir ve belirsizdir; yanlış alarm oranının kendisi de 1.000 ölçümlük bir testte yaklaşık ±0,3 yüzde puan belirsizlikle ölçülür. Bu çalıştırmada testteki oranlar %0,7 ile %1,2 arasında çıktı. Çok düşük yanlış alarm oranları hedefleniyorsa çok daha fazla sağlam veri gerekir.
10. Alıştırmalar
Alıştırma 1KolayYanlış alarm ve taban oranı
İzleme sistemi saatte bir ölçüm alıyor ve eşik, yanlış alarm oranını %1'e ayarlıyor. (a) Yılda kaç yanlış alarm beklenir? (b) Herhangi bir saatte yapının hasarlı olma olasılığı 0,001 olsun ve hasar varsa alarm kesin çalsın (%10 hasarda algılama %100'dü). Bir alarm geldiğinde yapının gerçekten hasarlı olma olasılığı nedir? (c) Ardından ikinci, bağımsız bir alarm gelirse bu olasılık ne olur?
Çözümü göster
(a) Yılda 365 × 24 = 8.760 ölçüm vardır; %1'i 87,6, yani yılda yaklaşık 88 yanlış alarm. Testte ölçülen %0,7 ile bile yaklaşık 61.
(b) Bayes teoremiyle:
$$ \begin{aligned} P(H \mid A) &= \frac{0{,}001 \cdot 1}{0{,}001 \cdot 1 + 0{,}999 \cdot 0{,}01} \\ &\approx 0{,}091 \end{aligned} $$Alarmların yaklaşık onda dokuzu yanlıştır; algılayıcı kusursuz duyarlı olsa bile. (c) İlk alarmdan sonraki olasılık yeni önsel olur: $0{,}091/(0{,}091 + 0{,}909 \cdot 0{,}01)$ $\approx 0{,}909$. Bu yüzden pratikte “art arda birkaç alarm” kuralı kullanılır. Dikkat: bu hesap alarmların bağımsız olduğunu varsayar. Eğitimde görülmemiş uzun bir soğuk dönem gibi kalıcı bir neden, art arda yanlış alarmlar üretebilir. Aynı hesabın başka sayılarla yapılışı Hazırlık 2'de var.
Alıştırma 2OrtaKaç bileşen atılmalı?
Betikteki pca_kalinti(F, q) göstergesini $q$ = 0, 1, 2, 3 için değerlendirin (eşik yine doğrulama kümesinden). Algılama oranları nasıl değişiyor? $q$ = 0 hangi göstergeye eşittir?
Çözümü göster
for q in range(4):
esik, yanlis, algi = degerlendir(lambda F: pca_kalinti(F, q),
F_dogrulama, F_saglam_test, hasarli)| $q$ | %5 | %10 | %20 | %30 |
|---|---|---|---|---|
| 0 | 15,5 | 37,7 | 97,2 | 100 |
| 1 | 57,2 | 100 | 100 | 100 |
| 2 | 47,2 | 99,0 | 100 | 100 |
| 3 | 32,0 | 79,1 | 88,3 | 99,7 |
$q$ = 0'da hiçbir şey atılmaz ve kalıntı $\vect z$'nin kendisidir; sonuç Öklid göstergesiyle aynıdır. En iyi sonuç $q$ = 1'dedir. 2. ile 5. bileşenlerin varyans payları neredeyse eşittir (0,011 ile 0,009 arası): bunlar çevresel değil, gürültü yönleridir. Onları atmak hasar sinyalinin bir kısmını da atar. Bu çalıştırmada 2. bileşeni atmak en çok 1. kat hasarına zarar verdi: %5 hasarda 1. katın algılanma oranı %62,0'dan %27,0'a indi. Hangi katın kaybedeceği gürültünün rastgele yönüne bağlıdır. Kural: yalnız çevresel bir nedeni açıkça görülen bileşenleri atın.
Alıştırma 3OrtaSıcaklığı da ölçerseniz
İzleme sistemi sıcaklığı da kaydediyor olsun. Sağlam eğitim verisinde her frekans için bir doğru uydurun, $f_i \approx a_i + b_i\,T$ (Ders 02), artıkları hesaplayın ve Mahalanobis uzaklığını artıklar üzerinde kurun. %5 hasar ne oranda algılanıyor? Laboratuvar koşuluyla karşılaştırın.
Çözümü göster
Doğrulama kümesinin sıcaklığı da gerekir: betikte F_dogrulama, _ = olcum(2000) satırını F_dogrulama, T_dogrulama = olcum(2000) yapın (rastgele sayı sırası değişmez).
A = np.column_stack([np.ones_like(T_egitim), T_egitim])
katsayi, *_ = np.linalg.lstsq(A, F_egitim, rcond=None) # her sütun: [a_i, b_i]
def artik(F, T):
return F - np.column_stack([np.ones_like(T), T]) @ katsayi
D2 = mahalanobis_kur(artik(F_egitim, T_egitim))
esik = np.percentile(D2(artik(F_dogrulama, T_dogrulama)), 99)
algi_5 = np.mean(D2(artik(hasarli[0.05][0], hasarli[0.05][2])) > esik)Eğimler bağıl olarak her modda °C başına yaklaşık −%0,074 çıkar; bu, $\beta/2$ = %0,075 beklentisine uyar. %5 hasarın %99,9'u algılanır (sağlam testte yanlış alarm %0,9), yani laboratuvar düzeyi (%99,8). Sıcaklık bilindiğinde her ölçümden kendi sıcaklığının etkisi çıkarılır ve hasar deseninin sıcaklığa paralel kısmı da kullanılabilir hâle gelir. Yalnız frekanslara dayanan yöntemler (PCA, Mahalanobis) bunu yapamaz. Ölçülebiliyorsa çevresel değişkeni ölçmek, onu tahmin etmekten iyidir.
Alıştırma 4OrtaFizikten gelen normalleştirme: frekans oranları
Modelimizde sıcaklık bütün frekansları aynı çarpanla değiştiriyor. O hâlde hangi özellikler sıcaklıktan tamamen bağımsızdır? $f_2/f_1, \dots, f_5/f_1$ oranlarıyla Mahalanobis göstergesini kurun ve PCA kalıntısıyla karşılaştırın. Bu yaklaşım hangi durumda çöker?
Çözümü göster
def oran(F):
return F[:, 1:] / F[:, :1]
D2_oran = mahalanobis_kur(oran(F_egitim))
esik, yanlis, algi = degerlendir(lambda F: D2_oran(oran(F)), F_dogrulama, F_saglam_test, hasarli)Ortak çarpan oranlarda sadeleşir. Sağlam eğitim verisinde dört oranın sıcaklıkla korelasyonu −0,049 ile −0,004 arasındadır, yani pratikte sıfır. Algılama oranı %5 hasarda %58,5, %10 hasarda %100 (yanlış alarm %0,6); PCA kalıntısı (%57,2) ve Mahalanobis (%59,5) ile aynı düzeydedir. Burada fizik ve PCA aynı şeyi bulur, çünkü sıcaklığın etkisi düzgün bir ölçeklemedir. Sıcaklık katları farklı etkilerse (güneş alan bir çatı, donan bir zemin) oranlar artık sıcaklıktan bağımsız olmaz. Veriden öğrenilen PCA ise etki doğrusal kaldığı sürece yeni yönü kendisi bulur.
Alıştırma 5ZorDonma: doğrusal olmayan bir çevresel etki
0 °C'nin altında zemin katın ek olarak sertleştiğini varsayın (donmuş zemin ve dolgu duvarlar için kaba bir varsayım). olcum fonksiyonuna aşağıdaki iki satırı, if kat[i] >= 0: bloğunun dışına ve o satırla aynı girintiyle ekleyin: donma sağlam ölçümleri de etkilemelidir. Sonra betiği yeniden çalıştırın.
if kat[i] >= 0:
k[kat[i]] *= 1 - hasar[i]
if T[i] < 0: # donma: zemin kat sertleşir
k[0] *= 1 + 0.02 * (-T[i])PCA varyans payları, soğuk günlerdeki yanlış alarmlar ve algılama oranları nasıl değişiyor? Sonra $q$ = 2 deneyin. Hangi kat görünmez oluyor, neden?
Çözümü göster
Varyans payları 0,961; 0,016; 0,009; … olur: gürültüden belirgin biçimde büyük ikinci bir “çevresel” bileşen ortaya çıkar. $q$ = 1 ile eşik 0,695'ten 0,910'a yükselir ve %5 hasarda algılama %57,2'den %25,0'a düşer (%10 hasarda %98,4). Toplam yanlış alarm oranı %1,1'dir, ama hepsi soğuk günlerdedir: 0 °C altındaki sağlam ölçümlerin %8,3'ü alarm verir, üstündekilerin hiçbiri vermez. Ortalama bir oran, bu yığılmayı gizler.
$q$ = 2 ile soğuk günlerdeki yanlış alarm %2,3'e iner ve %5 hasarda algılama %49,8'e çıkar. Ama bedeli ağırdır: %10 hasarda 1. katın algılanma oranı %7,0'a düşer, diğer katlarınki %100 kalır. Nedeni şudur: donma yalnız 1. katın rijitliğini değiştirir, yani 1. kat hasarıyla aynı deseni (ters işaretle) üretir. Bu yönü atan gösterge, 1. kat hasarına da kör olur. Mahalanobis de benzer biçimde etkilenir: %5 hasarda algılama %30,4'e, 1. kat hasarında yalnız %4,0'a düşer.
Ders: Doğrusal PCA, kırıklı (iki doğrulu) bir çevresel etkiyi ancak ek bir boyut harcayarak temsil edebilir; $q$ = 2 soğuk günlerdeki yanlış alarmları %8,3'ten %2,3'e indirir. Bu ek boyut bir hasar deseniyle örtüşüyorsa, ikisi yalnız frekanslardan ayrılamaz. Çareler: sıcaklığı ölçüp kırıklı ilişkiyi modellemek, donmuş ve donmamış dönemler için ayrı referanslar kurmak ya da yerel (local) PCA gibi doğrusal olmayan yöntemler kullanmak.
Alıştırma 6ZorYalnız frekanslarla model güncelleme
“Gerçek” yapının modelini güncellemeyi deneyin. Kütleleri nominal kabul edip beş kat rijitliği çarpanını, modelin sağlam frekansları yapının ölçülen sağlam ortalamasını (mu_g) verecek biçimde scipy.optimize.least_squares ile bulun. Sınıflandırıcıyı ve şiddet regresyonunu güncellenmiş modelden üretilen 4.000 benzetimle yeniden eğitip gerçek yapıda sınayın. Bulunan çarpanlar gerçek değerlere yakın mı? Sonuçlar iyileşiyor mu?
Çözümü göster
Aşağıdaki kodu betiğin sonuna ekleyin. Kod rastgele sayı üretecini (rng) kaldığı yerden kullandığı için sonuçlar üretecin o anki durumuna bağlıdır; kodu başka bir yere eklerseniz sayılar biraz değişir.
from scipy.optimize import least_squares
cozum = least_squares(lambda a: frekanslar(K_KAT * a, M_NOM) / mu_g - 1, x0=np.ones(KAT))
K_GUNCEL = K_KAT * cozum.x
mu_u = olcum(1000, k0=K_GUNCEL)[0].mean(axis=0)
kat_u, d_u = rng.integers(0, KAT, 4000), rng.uniform(0.03, 0.35, 4000)
F_u, _ = olcum(4000, kat_u, d_u, k0=K_GUNCEL)
# ardından iki Random Forest'ı goreli(F_u, mu_u) ile yeniden eğitin
# ve gerçek yapıda goreli(gercek[d][0], mu_g) ile sınayınBeş frekans kusursuz tutar (kalan fark %0,0000), ama bulunan çarpanlar 1,178; 1,004; 0,986; 0,953; 1,020'dir. Gerçek değerler 1,08; 0,94; 1,05; 0,92; 1,06 idi. Kütle hataları (çatıda %10 eksik gibi) yanlış rijitliklere yüklenmiştir. Sonuçlar da iyileşmez: %5 hasarda konum doğruluğu %94,8'den %95,2'ye çıkar, yani pratikte değişmez; %30 hasarda şiddet hatası ise 2,65'ten 3,96 yüzde puana büyür.
Ders: Beş frekans, on bilinmeyeni (beş rijitlik ve beş kütle) belirleyemez. Bütün frekansları tutturan bir model de yanlış olabilir. Güvenilir bir güncelleme için mod şekilleri (birden çok ivmeölçer), kütleler için bağımsız bilgi (çizimler, yük analizi) ve parametrelerin belirsizliğini hesaba katan yöntemler gerekir.
Özet
- Doğal frekanslar hasarla düşer ama sıcaklıkla da değişir. Çevresel etkiyi ayıklamayan bir gösterge küçük hasarı kaçırır: Öklid uzaklığı %5 hasarın yalnız %15,5'ini algıladı.
- Sıcaklık bütün frekansları aynı oranda kaydırır; tek kattaki hasar ise o katın enerji paylarına göre kendine özgü bir desen bırakır. Yalnız frekanslarla algılanabilen, desenin sıcaklığa benzemeyen kısmıdır.
- PCA, sağlam verinin birinci bileşeninde sıcaklığı yakalar (varyansın %96,0'ı, sıcaklıkla korelasyon −0,995). Bu bileşeni atan kalıntı göstergesi %5 hasarın %57,2'sini algılar; Mahalanobis uzaklığı aynı ayıklamayı örtük yapar (%59,5).
- Benzetimle eğitilen konum ve şiddet modelleri model hatasına duyarlıdır. Özellikleri yapının kendi sağlam ölçümlerine göre bağıl yazmak konum doğruluğunu büyük ölçüde korur; şiddet için iyi bir model güncellemesi gerekir.
Orta seviye burada bitiyor. Ders 11'de sinir ağlarına geçip geri yayılımı sıfırdan türetecek ve ilk ağımızı NumPy ile eğiteceğiz.
Kaynaklar
- C. R. Farrar, K. Worden — Structural Health Monitoring: A Machine Learning Perspective, Wiley, 2013 (yenilik algılama, çevresel etkiler, hasar özellikleri).
- A.-M. Yan, G. Kerschen, P. De Boe, J.-C. Golinval (2005) — değişen çevresel koşullar altında PCA ile hasar teşhisi; doğrusal analiz.
- B. Peeters, G. De Roeck (2001) — Z24 köprüsünün bir yıllık izlenmesi: çevresel etkiler ve hasar olayları.
- A. K. Chopra — Dynamics of Structures (kayma binası, özdeğer problemi, modal analiz).
- scipy.linalg.eigh ve scikit-learn — PCA belgeleri.