Yazar "Eren, Mehmet Esen" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Deprem Sonrası Betonarme Binalarda NDT Kalibrasyonu ve BIM Tabanlı Performans Malatya Vaka Çalışması
    (Dicle Üniversitesi, 2026) Eren, Mehmet Esen
    6 Şubat 2023 Kahramanmaraş depremleri sonrasında Malatya’da orta hasar gören bir betonarme bina üzerinde tahribatsız test (NDT) çalışmaları yürütülmüştür. Bu kapsamda Windsor probu (WP) ve Schmidt çekici (SH) ile elde edilen veriler, karot basınç dayanımı (fc) sonuçlarıyla karşılaştırılarak kalibre edilmiştir. Analizler, WP yöntemi ile fc arasında güçlü bir ilişki (R² ≈ 0.80) bulunduğunu; SH’nin ise yüzey koşullarına duyarlılığı nedeniyle düşük güvenilirlik sergilediğini göstermiştir. SH ve WP verilerinin birlikte değerlendirildiği çoklu regresyon modeli daha yüksek açıklama gücüne ulaşmış (R² = 0.877, p < 0.05) ve literatürde önerilen kombine yaklaşımlarla uyumlu sonuçlar vermiştir. Kalibre edilen malzeme dayanım değerleri, mimari röleve ve yeniden çizilen projeler temel alınarak oluşturulan BIM tabanlı model ile Sta4CAD yazılımında kurulan yapısal analiz modeline entegre edilmiş; TBDY-2018 hükümleri doğrultusunda performans değerlendirmesi yapılmıştır. Bulgular, Eurocode-8’in TBDY-2018’e kıyasla daha yüksek deprem talepleri öngördüğünü ve bu farkların özellikle zayıf zemin koşullarında yapısal güvenlik açısından kritik olabileceğini ortaya koymuştur. Çalışma, deprem sonrası sınırlı karot imkânı (n = 20) bulunan saha koşullarında NDT yöntemlerinin pratik uygulanabilirliğine ilişkin bulgular sunmakta ve gelecekte Bayesian istatistiksel yöntemler ile yapay zekâ tabanlı modellerin (ANN, SVM, ANFIS) dayanım tahmini doğruluğunu artırma potansiyeline işaret etmektedir.
  • Küçük Resim Yok
    Öğe
    Physics-Guided Self-Supervised Few-Shot Learning for Ultrasonic Defect Detection in Concrete Structures
    (Mdpi, 2025) Eren, Mehmet Esen
    This study introduces a physics-guided self-supervised framework for few-shot ultrasonic defect detection in concrete structures, addressing the dual challenges of scarce labels and domain variability in structural health monitoring (SHM). Our method integrates physics-informed augmentations, contrastive representation learning, and adversarial domain alignment within a mutually reinforcing cycle, enabling robust defect classification with minimal supervision. A Physics-Informed Augmentation Module synthesizes realistic ultrasonic signals, training a Transformer encoder to extract invariant features while suppressing sensor noise. An Adversarial Feature Aligner further improves cross-domain generalization by mitigating distribution shifts across heterogeneous concretes. Experimental validation on three benchmark datasets demonstrates 63-66% accuracy in one-shot cross-domain tasks and up to 89% in five-shot settings. These results represent 12-15 percentage point gains over modern few-shot baselines, with improvements statistically significant at p < 0.001. Compatible with existing ultrasonic hardware, the proposed framework bridges physics-based modeling and machine learning while paving the way for scalable, field-ready SHM solutions for aging infrastructure and resilient smart cities.
  • Küçük Resim Yok
    Öğe
    Seismic Failure Mechanism Shift in RC Buildings Revealed by NDT-Supported, Field-Calibrated BIM-Based Models
    (Mdpi, 2026) Eren, Mehmet Esen; Fenerli, Cenk
    This study proposes a field-calibrated, NDT-integrated BIM modeling framework to improve the reliability of post-earthquake assessment for reinforced concrete (RC) buildings. The approach combines destructive and nondestructive testing (NDT) data-including core drilling, Schmidt hammer, ultrasonic pulse velocity (UPV), and Windsor probe-through a site-specific WinSonReb regression model. The calibrated material properties (average compressive strength approximate to 18.6 MPa, CoV > 20%) were embedded into a Building Information Modeling (BIM) environment, producing an as-is, NDT-calibrated BIM model representing a Level-2 static digital twin of the structure. Nonlinear static pushover analyses performed in accordance with TBDY-2018 and ASCE 41-17 showed that the calibrated model exhibits a fundamental period of 0.85 s-approximately 18% longer than the uncalibrated BIM model. This elongation increased displacement demand and caused a shift in performance classification: while the uncalibrated model indicated Life Safety (LS), the calibrated model predicted behavior approaching Collapse Prevention (CP) in the Y direction. Furthermore, calibration reversed the predicted damage hierarchy, from ductile beam hinging to brittle column- and wall-controlled failure near elevator openings, consistent with post-event observations from the 2023 Kahramanmara & scedil; earthquakes. These results demonstrate that integrating field-calibrated NDT data into BIM-based seismic models fundamentally alters both strength estimation and failure-mechanism prediction, reducing epistemic uncertainty and providing a more conservative basis for retrofit prioritization. Although demonstrated on a single case study, the proposed workflow offers a realistic and scalable pathway for NDT-supported seismic performance assessment of existing RC buildings.