Bu çalışma, kıyıdaki yumuşak siltli zemine yerleştirilen esnek kazıkların tekrarlı yanal yükler altında azalan taşıma kapasitesinin, yüklemenin yalnızca erken bölümünden elde edilen sınırlı verilerle tahmin edilip edilemeyeceğini araştırmaktadır. Araştırmacılar; açık ve kapalı uçlu model kazıkları 0,5, 1, 2 ve 4 Hz frekanslarında 8.000 çevrime kadar çift yönlü yanal yüklemiş, sekiz deney veri seti oluşturmuş ve bu verileri Reptile meta-öğrenme yöntemiyle eğitilen çift yönlü yankı-durum derin ağına aktarmıştır. Önerilen Meta-ESN, hedef deneyin yalnızca ilk 100 çevrimini, yani tüm 8.000 çevrimlik serinin 1/80'ini kullanırken bile taşıma kapasitesinin uzun dönemli değişimini temel karşılaştırma modellerinden daha düşük hatayla yeniden oluşturmuştur. Bununla birlikte sonuçlar laboratuvar ölçekli, belirli bir siltli zemin, iki kazık ucu tipi ve düzenli harmonik yükleme koşullarıyla sınırlıdır; model henüz gerçek bir kıyı yapısında saha verileriyle doğrulanmamıştır.

Modelin temel öğrenicisi olan çift yönlü yankı-durum derin ağı (Bi-ESDN), tek görevli karşılaştırmada test verisi üzerinde 13,90 × 10^-7 ortalama kare hata elde etmiştir. Aynı ölçüt standart ESN için 322,39 × 10^-7, RNN için 2.052,38 × 10^-7, LSTM için 371,81 × 10^-7 ve Transformer için 80,14 × 10^-7 olarak bildirilmiştir. Reptile ile önceden eğitilen model, ilk 100 çevrim kullanıldığında 2,63 × 10^-5 MSE üretmiş; bu değer Merge yönteminin yaklaşık 1/17'si, sıfırdan eğitilen Vanilla yönteminin ise yaklaşık 1/8'i düzeyinde kalmıştır.

Çalışma, erken dönemde ölçülen yükleme ve yer değiştirme örüntülerinin kazık-zemin sistemindeki ilerleyen rijitlik kaybı hakkında bilgi taşıyabileceğini göstermektedir. Meta-öğrenmenin katkısı, tek bir deney koşulunu ezberlemek yerine farklı yükleme frekansları ve kazık ucu tiplerinden ortak zaman örüntülerini öğrenerek yeni bir koşula az sayıda ölçümle uyum sağlamaktır.

Türkiye açısından yöntem; liman yapıları, kıyı tesisleri ve açık deniz enerji yapılarındaki kazık temellerinin durum izleme sistemleri için araştırmaya değer bir yaklaşım sunmaktadır. Ancak modelin Türkiye'deki zemin profillerine veya gerçek yapılara doğrudan aktarılması mümkün değildir. Yerel zemin tabakalaşması, kazık geometrisi, dalga ve rüzgâr yükleri, oyulma, düşey yükler, sensör özellikleri ve saha gürültüsü kullanılarak yeniden eğitilmesi ve bağımsız saha verisi üzerinde doğrulanması gerekir.

Araştırmanın temel problemi nedir?

Kıyı ve açık deniz yapılarındaki kazık temelleri, rüzgâr, dalga ve akıntıların oluşturduğu tekrarlı yanal kuvvetlere maruz kalmaktadır. Bu yükler kazık çevresindeki zemini tekrar tekrar bozarak kazık-zemin sisteminin rijitliğini ve yanal yük taşıma kapasitesini zaman içinde azaltabilir. Histerezis eğrilerinin giderek aşağı doğru eğilmesi ve başlangıç eğimlerinin küçülmesi, aynı yer değiştirmeyi üretmek için gereken yanal kuvvetin azaldığını göstermektedir.

Gerçek bir yapının kapasite kaybını doğrudan saha izlemesiyle belirlemek güvenilir olmakla birlikte uzun süreli veri, sensör altyapısı ve maliyet gerektirir. Sayısal analizler daha ekonomik olabilir; ancak ayrıntılı kazık-zemin modellerinin kurulması, hesaplanması ve gerçek davranışla doğrulanması da güçtür. Laboratuvar model deneyleri kontrollü veri üretir, fakat her olası zemin, yük ve kazık koşulu için ayrı deney yapmak pratik değildir.

Araştırmacıların çözmek istediği problem, yeni bir çalışma koşulunda yalnızca ilk birkaç çevrimden toplanan verilerle bütün uzun dönemli kapasite kaybını tahmin edebilen ve daha önce görülmeyen görevlere hızla uyarlanabilen bir vekil model geliştirmektir.

Önerilen erken uyarı sistemi nasıl çalışmaktadır?

Çalışmanın ilk şeması, laboratuvar ve saha arasında kurulması amaçlanan bilgi akışını göstermektedir. Laboratuvar model kazık deneyleri farklı koşullarda kapasite kaybı verileri üretmekte, bu veri setleri meta-öğrenme çerçevesini eğitmekte ve ortaya genel bir yanal kapasite tahmin modeli çıkmaktadır. Amaç, gelecekte gerçek bir kıyı kazığından alınacak erken çevrimsel uyarım verilerini bu modele aktararak kazığın ilerleyen kapasite değişimini öngörmektir.

Bu çalışma söz konusu sürecin laboratuvar deneyleri ve hesaplamalı modelleme bölümünü sınamaktadır. Gerçek kıyı kazıklarından alınmış bağımsız saha izleme verileriyle gerçekleştirilen son doğrulama çalışmada bulunmamaktadır.

Model kazık ve prototip arasındaki ölçek nasıl kurulmuştur?

Araştırmada, yumuşak kıyı zemini koşullarındaki çelik boru kazık esas alınmış ve prototip ile model arasında 20:1 geometrik benzerlik oranı kullanılmıştır. Model kazığın çapı, gömülme derinliği ve toplam uzunluğu bu orana göre küçültülmüştür. Duvar kalınlığı ise yalnızca geometrik ölçekle değil, prototip ve model kazığın kritik uzunluk oranları ile eğilme özelliklerinin eşleşmesi gözetilerek 1,50 mm olarak belirlenmiştir.

Araştırmacılar aynı gövde özelliklerine sahip iki model kazık hazırlamıştır. Kazıklardan biri açık uçlu, diğeri kapalı uçludur. Böylece kazık ucu koşulunun çevrimsel yanal kapasite kaybına etkisi ayrı bir görev değişkeni olarak veri setine dâhil edilmiştir.

Deney haznesindeki sınır etkisi nasıl kontrol edilmiştir?

Model haznesi 900 × 700 × 700 mm boyutlarında hazırlanmıştır. Kazık ile yatay hazne sınırı arasındaki mesafe kazık çapının yaklaşık 9,5 katı, kazık ucu çevresindeki kontrol mesafesi ise ilgili literatürde verilen alt sınırların üzerinde tutulmuştur. Çalışma bu geometriden hareketle yatay ve düşey sınır etkilerinin sonuçlar üzerinde ihmal edilebilir olduğunu kabul etmektedir.

Bu değerlendirme geometrik mesafe ölçütlerine dayanmaktadır. Çalışmada aynı deneyin daha büyük bir haznede tekrarlanması veya sınır etkisinin doğrudan ölçülmesi yoluyla yapılmış ek bir duyarlılık testi verilmemiştir.

Siltli zemin nasıl hazırlanmıştır?

Deney zemini, Wenzhou'daki Oufei Project sahasında yüzeyin yaklaşık 1 metre altından alınan akışkan durumdaki siltli zemindir. Başlangıçtaki zeminin özgül ağırlığı 2,72; yoğunluğu 1,62 g/cm³; likit limiti %55,53; plastik limiti %22,47 ve plastisite indisi %33,06 olarak ölçülmüştür.

Kazıkların yerleştirilmesinden önce zemine 22 gün süreyle vakum ön yükleme uygulanmıştır. Hazneye iki adet 550 mm etkili uzunluğa sahip prefabrik düşey dren yerleştirilmiş; drenler vakum şişesi ve pompaya bağlanmıştır. Boşluk suyu basıncı ve zemin basıncı fiber Bragg ızgaralı mikro-piezometreler ve basınç sensörleriyle, oturma ise 400 ve 600 mm derinliklerdeki plakalarla izlenmiştir.

İlk gün ölçümler iki saatte bir, sonraki günlerde sekiz saatte bir alınmıştır. Yirmi iki günlük işlem sonunda su muhtevasının %7,43 azaldığı ve drenajsız kayma dayanımının başlangıç değerine göre %96,70 arttığı bildirilmiştir. Ancak bu bölümde ölçülen nihai kayma dayanımının mutlak değeri, belirsizliği veya istatistiksel anlamlılık testi verilmemiştir.

Çevrimsel yükleme deneyleri nasıl uygulanmıştır?

Kazıklar vakumla iyileştirilmiş zemine statik presleme ile yerleştirilmiş ve 24 saat dinlendirilmiştir. Yükleme, iki yönlü ve yer değiştirme kontrollü olarak gerçekleştirilmiştir. Nihai durum için yükleme noktasındaki yanal yer değiştirme kazık çapının 0,1 katı olarak kabul edilmiş ve yer değiştirme artımı 3 mm seçilmiştir.

Deney frekansları, prototip rüzgâr ve dalga frekanslarının model ölçeğine dönüştürülmesiyle 0,5, 1 ve 2 Hz olarak belirlenmiş; aşırı koşulları temsil etmek için 4 Hz eklenmiştir. Her yükleme çevrimi için 100 veri örneği kaydedilmiş ve deneyler 8.000 çevrimde sonlandırılmıştır.

Deney eğrileri ne göstermektedir?

Sekiz kuvvet-zaman grafiğinin tamamında yanal direnç yüklemenin başlangıcında hızlı biçimde azalmakta, daha sonra kapasite kaybının hızı yavaşlamakta ve eğri daha kararlı bir seviyeye yaklaşmaktadır. Bu ortak şekil, farklı görevler arasında aktarılabilecek temel zaman örüntüsünü oluşturmaktadır.

Yük-yer değiştirme grafiklerinde çevrim sayısı arttıkça histerezis halkaları aşağı doğru eğilmekte ve ilk eğimleri azalmaktadır. İlk eğimin küçülmesi, kazık-zemin sisteminin yanal rijitliğinin azaldığını göstermektedir. Araştırmacılar başlangıçtaki hızlı bozulmayı, ilk çevrimlerde kazık çevresindeki zeminin daha fazla örselenmesi ve zeminin zamanla akma dayanımına yaklaşmasıyla ilişkilendirmektedir.

Açık ve kapalı uçlu kazıklar ile farklı yükleme frekansları arasında histerezis halkalarının yüksekliği ve alanı bakımından belirgin farklılıklar görülmektedir. Çalışma bu farklılıkları tek bir sabit görev modelinin neden bütün koşullara kolayca genellenemeyeceğinin deneysel gerekçesi olarak kullanmaktadır.

Yankı-durum ağı neden tercih edilmiştir?

Uzun kısa süreli bellek ve standart tekrarlayan sinir ağları, uzun zaman serilerini öğrenebilir; ancak çok sayıda eğitilebilir parametre içerir. Yankı-durum ağı (echo-state network, ESN), büyük ve seyrek bağlantılı bir rezervuar kullanır. Standart ESN'de giriş, rezervuar ve geri besleme bağlantılarının önemli bölümü sabit tutulur; esas olarak çıkış katmanı eğitilir. Bu yapı, uzun serilerde daha hafif bir eğitim süreci oluşturmayı amaçlamaktadır.

Çalışmada standart ESN iki yönden geliştirilmiştir. İlk olarak giriş serisinin ileri ve ters zaman yönlerinde işlenen iki rezervuar durumu birleştirilmiştir. İkinci olarak standart doğrusal çıkış katmanı yerine çok katmanlı algılayıcı kullanılmıştır. Ortaya çıkan yapı, çift yönlü yankı-durum derin ağı veya Bi-ESDN olarak adlandırılmıştır.

Model hangi girdileri kullanmaktadır?

Modelin temel girişleri aktüatör yer değiştirmesi ve zamandır. Yer değiştirme sinyalinin gradyanı ve tepe değerleri ek özellikler olarak çıkarılmış, zaman değişkeninin negatif logaritmik dönüşümü de kapasite kaybının zaman içindeki eğilimini temsil etmek amacıyla eklenmiştir.

Son giriş vektörü aşağıdaki beş bileşenden oluşmaktadır:

• Yer değiştirme, d
• Yer değiştirme gradyanı, d_grad
• Yer değiştirme tepe özelliği, d_peak
• Zaman, t
• Zamanın negatif logaritmik biçimi, t_log

Modele boşluk suyu basıncı oranı, sekant rijitlik, birikmiş plastik şekil değiştirme, zemin dayanımı veya benzeri fiziksel durum değişkenleri verilmemiştir. Bu nedenle model kapasite kaybının zaman örüntüsünü öğrenmekte, ancak kaybın hangi fiziksel mekanizmadan kaynaklandığını birbirinden ayıramamaktadır.

Reptile meta-öğrenmesi ne sağlamaktadır?

Reptile, modeli tek bir veri setinde en düşük hataya ulaştırmak yerine, çok sayıda ilişkili görevden yeni bir göreve hızla uyarlanabilen bir başlangıç parametre uzayı öğrenmeye yöneltmektedir. Her dış döngüde bir kaynak görev seçilir, model bu görev üzerinde birkaç iç güncelleme yapar ve ana parametreler görev üzerinde elde edilen yeni parametrelere doğru kısmen hareket ettirilir.

Çalışmada üç eğitim yaklaşımı karşılaştırılmıştır:

• Vanilla: Kaynak görev kullanmadan hedef görevde sıfırdan eğitim.
• Merge: D₂-D₈ kaynak görevlerinin tek veri setinde birleştirilerek ön eğitim yapılması.
• Reptile: Kaynak görevlerin ayrı görevler olarak örneklenmesi ve hızlı uyum sağlayacak ortak başlangıç parametrelerinin öğrenilmesi.

Merge yaklaşımı kaynak görevlerde düşük hata üretmiş; ancak heterojen görevleri ayrım gözetmeden birleştirdiği için hedef görevde aşırı uyum ve daha dalgalı test hatası göstermiştir. Reptile, kaynak verileri tek bir seri gibi birleştirmek yerine görevler arasındaki ortak ve farklı yapıları uyarlanabilir başlangıç parametrelerine dönüştürmeyi amaçlamaktadır.

Bi-ESDN diğer zaman serisi modelleriyle karşılaştırıldığında nasıl performans göstermiştir?

D₁ veri setinde ilk 2.000 çevrim eğitim, kalan 6.000 çevrim test için kullanılmıştır. Bütün seriler bellek gereksinimini azaltmak amacıyla 10 kat aşağı örneklenmiş ve her veri seti 80.000 zaman adımına indirilmiştir.

Transformer'ın eğitim hatası Bi-ESDN'e yakın olmasına rağmen test hatası yaklaşık 5,8 kat daha yüksektir. Çalışmadaki dikkat haritası, düzenli harmonik girişin Transformer içinde yükleme frekansına bağlı dama tahtasına benzer bir dikkat örüntüsü oluşturduğunu göstermektedir. Araştırmacılar, frekans değiştiğinde bu sabit örüntünün yeni göreve aktarılamayabileceğini ve test hatasının artmasını bununla ilişkilendirmektedir.

Ön eğitim yaklaşımları nasıl karşılaştırılmıştır?

Merge yöntemi eğitim verisinde en düşük kaybı elde etmiş, fakat test verisinde en yüksek hatayı üretmiştir. Reptile'ın eğitim hatası Merge'den yüksek olmasına rağmen test hatası daha düşüktür. Bu sonuç, hedef göreve aktarılabilirlik bakımından yalnızca kaynak görevlerdeki eğitim başarısının yeterli olmadığını göstermektedir.

Model ne kadar az erken dönem verisiyle tahmin yapabilmektedir?

Hedef görevde kullanılan erken eğitim bölümü sırasıyla 2.000, 1.500, 1.000, 500 ve 100 çevrime düşürülmüştür. Beklendiği gibi bütün yöntemlerin hatası veri miktarı azaldıkça artmıştır. Ancak Reptile yaklaşımındaki artış diğer iki yönteme göre daha sınırlı kalmıştır.

Yalnızca ilk 100 çevrim kullanıldığında Reptile hatası Merge yönteminin yaklaşık 1/17'si ve Vanilla yönteminin yaklaşık 1/8'i olmuştur. Model böylece bütün serinin yalnızca 1/80'ine karşılık gelen erken veriden uzun dönemli eğilimi kararlı biçimde yeniden oluşturmuştur.

Son taşıma kapasitesi ne kadar doğru tahmin edilmiştir?

Araştırmacılar, serinin son 100 saniyesindeki üst kuvvet tepelerinin ortalamasını kararlı yanal kapasite göstergesi olarak kullanmıştır. Gerçek kararlı değer grafikte yaklaşık 0,029 kN'dir.

Veri miktarı azaldıkça tahmin edilen son kapasite yukarı doğru sapmıştır. Dolayısıyla 100 çevrimli sonuç kararlı bir uzun dönem örüntüsü sunsa da 2.000 çevrimli tahminle aynı hassasiyette değildir.

Kaynak ve hedef görev benzerliği neden önemlidir?

Araştırmacılar veri setleri arasındaki benzerliği, temel bileşen analizi ve ağırlıklı Eros benzerliğiyle hesaplamıştır. D₁ diğer görevlerle en yüksek genel benzerliğe, D₆ ise en düşük benzerliğe sahip görev olarak belirlenmiştir.

D₁ ve D₆ hedef görev olarak ayrı ayrı incelendiğinde model her ikisinde de sınırlı veriyle tahmin yapabilmiştir. Bununla birlikte eğitim uzunluğu 2.000 çevrimden 100 çevrime indirildiğinde D₁ hatası yaklaşık 13 kat, D₆ hatası ise yaklaşık 50 kat artmıştır. D₆'nın bazı koşullarda daha düşük mutlak MSE üretmesi, modelin orada daha sağlam olduğu anlamına gelmemektedir. Normalleştirilmiş hata artışı, kaynak görevlere daha az benzeyen hedefte az örnekli öğrenmenin daha kırılgan olduğunu göstermektedir.

Model ölçüm gürültüsüne karşı ne kadar dayanıklıdır?

Gürültü dayanımı, giriş ve çıkış zaman serilerine beyaz gürültü eklenerek sonsuz, 1.000, 100 ve 20 sinyal-gürültü oranlarında incelenmiştir. Gürültü arttıkça hem eğitim hem test hataları artmış, etki test verisinde daha güçlü görülmüştür.

Araştırmacılar SNR değeri 100'ün üzerinde olduğunda modelin tatmin edici tahminleri koruduğunu bildirmiştir. Temiz sinyal enerjisine göre gürültü düzeyi yükseldiğinde, özellikle SNR 20 koşulunda tahmin farkları belirginleşmiştir. Çalışma, gürültünün temiz sinyalin %5'ini aşması durumunda izleme verisinin pratik kullanım değerinin azaldığını ifade etmektedir.

Bu sonuçlar gerçek sensör gürültüsünün eksiksiz temsili değildir. Deneyde yalnızca sentetik beyaz gürültü kullanılmıştır; saha sensörlerindeki sürüklenme, düşük frekanslı çevresel etkiler, eksik veri, zamanlama hataları ve aykırı ölçümler ayrı ayrı incelenmemiştir.

Çalışmanın güçlü yönleri nelerdir?

• Makine öğrenmesi modeli, doğrudan laboratuvar çevrimsel kazık deneyleriyle üretilen uzun zaman serileri üzerinde değerlendirilmiştir.
• Açık ve kapalı uçlu kazıklar ile dört yükleme frekansı kullanılarak sekiz ilişkili fakat aynı olmayan görev oluşturulmuştur.
• Model yalnızca eğitim hatasıyla değil, uzun test bölümü ve giderek azalan erken veri miktarıyla sınanmıştır.
• Standart ESN, RNN, LSTM, Transformer, sıfırdan eğitim ve birleştirilmiş ön eğitim gibi farklı karşılaştırma yöntemleri kullanılmıştır.
• Kaynak-hedef benzerliği ile az örnekli öğrenme dayanımı arasındaki ilişki ayrıca incelenmiştir.
• Sentetik gürültü altında ayrı bir dayanıklılık analizi yapılmıştır.
• Kapasite kaybının tüm zaman serisine ek olarak kararlı son tepe kuvveti de değerlendirilmiştir.

Çalışmanın temel sınırlılıkları nelerdir?

• Deneyler laboratuvar ölçeğinde ve tek bir ana zemin türünde gerçekleştirilmiştir.
• Zemin vakum ön yüklemeyle iyileştirildiğinden sonuçlar doğal veya farklı yöntemlerle iyileştirilmiş siltlere doğrudan aktarılamaz.
• Yalnızca açık ve kapalı uçlu tek kazıklar incelenmiştir; kazık grupları ve kazık-kazık etkileşimi bulunmamaktadır.
• Yükleme düzenli, harmonik, çift yönlü ve yer değiştirme kontrollüdür. Düzensiz fırtına yükleri, birleşik düşey-yanal yükler ve gerçek spektrumlar incelenmemiştir.
• Oyulma, tabakalı zemin, kum ara tabakası, sıvılaşabilir zemin ve değişken gömülme derinliği deney kapsamına alınmamıştır.
• Modelin girdileri yer değiştirme ve zaman türevli özelliklerle sınırlıdır; fiziksel zemin durumunu açıklayan girdiler kullanılmamıştır.
• Model fiziksel kapasite kaybı mekanizmasını tanımlamamakta, yalnızca ölçülen zaman örüntüsünü yeniden oluşturmaktadır.
• Sekiz görev aynı deney programı içinde üretilmiştir; farklı laboratuvar, farklı ölçek veya farklı sensör sistemiyle dış doğrulama yapılmamıştır.
• Tam bir sekiz görevli bırak-birini-dışarıda doğrulama yerine ayrıntılı analiz esas olarak D₁ ve D₆ üzerinde yoğunlaşmıştır.
• Sonuçlar için tekrar eğitimler, farklı rastgele başlangıçların dağılımı, güven aralığı veya istatistiksel anlamlılık testi verilmemiştir.
• Model belirsizlik aralığı veya yanlış alarm olasılığı üretmemektedir.
• Çift yönlü rezervuarın gerçek zamanlı çevrim içi kullanımda gelecekteki bağlama ihtiyaç duyup duymadığı ve saha uygulamasında nedensel biçimde nasıl işletileceği ayrıntılandırılmamıştır.
• Verilerin 10 kat aşağı örneklenmesinin kısa süreli kuvvet tepeleri üzerindeki etkisi için ayrı duyarlılık analizi sunulmamıştır.
• Gerçek bir kıyı kazığı veya açık deniz rüzgâr türbini temelinde saha doğrulaması yapılmamıştır.

Çalışmanın desteklediği sonuçlar

• Bi-ESDN, bu laboratuvar veri setinde standart ESN, RNN, LSTM ve Transformer'dan daha düşük test MSE'si üretmiştir.
• Reptile ön eğitimi, hedef görevdeki erken veri çok sınırlı olduğunda Vanilla ve Merge yaklaşımlarından daha düşük hata sağlamıştır.
• Kaynak görevlerle daha yüksek benzerlik, azalan eğitim verisine karşı daha kararlı tahminlerle ilişkilidir.
• Model, ilk 100 çevrimle kapasite kaybının genel uzun dönem biçimini ve kararlı tepe kapasitesini yaklaşık olarak tahmin edebilmiştir.
• Model performansı sentetik gürültü arttıkça bozulmuş, ancak SNR 100 ve üzerindeki koşullarda görece kararlı kalmıştır.

Çalışmanın kanıtlamadığı sonuçlar

• Modelin gerçek açık deniz veya kıyı yapılarında güvenilir bir erken uyarı sistemi olarak çalıştığı kanıtlanmamıştır.
• Meta-ESN'in bütün kazık, zemin ve çevresel yük koşullarına genellenebildiği gösterilmemiştir.
• Modelin tahmin ettiği kapasite kaybının belirli bir zemin mekaniği mekanizmasından kaynaklandığı belirlenmemiştir.
• 0,008 kN'lik hata bütün mühendislik ölçeklerinde kabul edilebilir bir güvenlik düzeyi olarak doğrulanmamıştır.
• Model yanlış alarm, kaçırılmış uyarı veya yapısal göçme olasılığı hesaplamamaktadır.
• Laboratuvar ölçeğinde elde edilen MSE değerleri doğrudan prototip kazığın güvenlik katsayısına dönüştürülemez.
• Model, bakım veya tahliye kararını tek başına verebilecek bir saha sistemi değildir.

Uygulama açısından sonuçlar ne ifade etmektedir?

Çalışmanın en önemli uygulama fikri, bir kazığın bütün hizmet ömrünü beklemeden erken yükleme verilerinden uzun dönemli kapasite değişiminin tahmin edilebilmesidir. Böyle bir yaklaşım saha verileriyle doğrulanırsa, uzun süreli izleme verisi henüz oluşmamış yeni yapılarda veya çalışma koşulu değişmiş kazıklarda erken risk değerlendirmesine yardımcı olabilir.

Bunun için laboratuvar modelinin ötesine geçilmesi gerekir. Gerçek uygulamada kazık başı yer değiştirmesi ve yük verilerine ek olarak boşluk suyu basıncı, eğilme momenti, ivme, zemin rijitliği, oyulma derinliği, dalga ve rüzgâr ölçümleri gibi fiziksel girdilerin değerlendirilmesi; saha sensörlerindeki veri kaybı ve sürüklenmenin sınanması; tahmin belirsizliklerinin hesaplanması ve mühendislik uyarı eşiklerinin bağımsız güvenlik analizleriyle belirlenmesi gerekir.

Çalışmanın Yöntemi ve Bulguları

Yankı-durum ağının ileri yönlü durum güncellemesi

\[ \mathbf{R}^{t+1}=\Psi_a\left(\mathbf{W}_{in}\mathbf{X}^{t}+\mathbf{W}_{res}\mathbf{R}^{t}+\mathbf{b}_{R}\right) \]

R^t, rezervuarın t anındaki yüksek boyutlu durumunu; X^t, giriş vektörünü; W_in, giriş ağırlıklarını; W_res, rezervuar içi bağlantıları; b_R, rezervuar yanlılığını ve Ψ_a doğrusal olmayan etkinleştirme fonksiyonunu göstermektedir. Çalışmada yaygın seçenek olarak hiperbolik tanjant belirtilmiştir.

Sızıntılı rezervuar güncellemesi

\[ \mathbf{R}^{t+1}=\lambda\mathbf{R}^{t}+(1-\lambda)\Psi_a\left(\mathbf{W}_{in}\mathbf{X}^{t}+\mathbf{W}_{res}\mathbf{R}^{t}+\mathbf{b}_{R}\right) \]

λ, 0 ile 1 arasında seçilen sızıntı katsayısıdır. Eski rezervuar durumunun ne kadarının korunacağını ve yeni girdinin ne hızla sisteme dâhil edileceğini belirler. Kullanılan nihai modelde λ = 0,6'dır.

Standart ESN çıkışı

\[ \hat{\mathbf{Y}}^{t}=\mathbf{W}_{out}[\mathbf{X}^{t};\mathbf{R}^{t}]+\mathbf{W}_{back}\hat{\mathbf{Y}}^{t-1}+\mathbf{b}_{Y} \]

W_out, giriş ve rezervuar durumlarını tahmine dönüştüren çıkış ağırlıklarını; W_back, önceki tahminin güncel çıktıya geri beslenmesini; b_Y ise çıkış yanlılığını göstermektedir. Köşeli parantez içindeki noktalı virgül, vektörlerin birleştirildiğini ifade etmektedir.

ESN kayıp fonksiyonu

\[ \mathcal{L}(\mathbf{Y},\hat{\mathbf{Y}})=\frac{1}{N_{out}}\sum_{i=1}^{N_{out}}\left(\sum_{n=T_a}^{T}(Y_i^n-\hat{Y}_i^n)^2+\eta\lVert\mathbf{W}_{out}\rVert^2\right) \]

T_a, ilk rezervuar durumlarının kararlı hâle gelmesi için kullanılan ısınma bölümüdür ve çalışmada yaygın seçimin toplam seri uzunluğunun yaklaşık %10'u olduğu belirtilmiştir. η, çıkış ağırlıklarını sınırlayan düzenlileştirme katsayısıdır.

Ters yönlü rezervuar

\[ \bar{\mathbf{R}}^{t}=\lambda\bar{\mathbf{R}}^{t+1}+(1-\lambda)\Psi_a\left(\mathbf{W}_{in}\mathbf{X}^{t+1}+\mathbf{W}_{res}\bar{\mathbf{R}}^{t+1}+\mathbf{b}_{R}\right) \]

Üst çizgili rezervuar durumu, giriş serisinin ters zaman yönünde işlenmesiyle oluşturulmaktadır. Amaç, güncel değer tahmininde ileri ve geri zaman bağlamını birlikte kullanmaktır.

Çift yönlü Bi-ESDN çıkışı

\[ \hat{\mathbf{Y}}^{t}=\mathbf{W}_{out}[\mathbf{X}^{t};\mathbf{R}^{t};\operatorname{flip}(\bar{\mathbf{R}}^{t})]+\mathbf{W}_{back}\hat{\mathbf{Y}}^{t-1}+\mathbf{b}_{Y} \]

İleri rezervuar, ters çevrilerek yeniden zaman sırasına getirilen geri rezervuar ve mevcut giriş aynı çıkış katmanında birleştirilmektedir. Çalışmada doğrusal çıkış yerine çok katmanlı algılayıcı kullanıldığı için bu yapı Bi-ESDN olarak adlandırılmıştır.

Meta-öğrenme hedefi

\[ \min_{\phi}\mathbb{E}_{\pi}\left[\mathcal{L}_{\pi,te}\left(\mathcal{G}_{\pi,tr}(\phi)\right)\right] \]

φ, görevler arasında öğrenilen başlangıç parametrelerini; π, kaynak görev dağılımından seçilen bir görevi; G_π,tr, destek verisi üzerindeki iç döngü güncellemesini ve L_π,te, sorgu verisi üzerindeki test kaybını göstermektedir. Hedef, birkaç iç güncellemeden sonra yeni görevde düşük hata üreten bir başlangıç noktası bulmaktır.

MAML dış döngü gradyanı

\[ \mathbf{g}_{MAML}=\frac{\partial}{\partial\phi}\mathcal{L}_{\pi,te}\left(\mathcal{G}_{\pi,tr}(\phi)\right)=\mathcal{G}'_{\pi,tr}(\phi)\mathcal{L}'_{\pi,te}(\phi) \]

MAML, iç döngü optimizasyonunun türevini de dış döngü hesabına dâhil ettiği için ikinci dereceden veya Jacobian bağlantılı hesaplamalar gerektirebilir. Çalışma bu maliyeti azaltmak için Reptile kullanmaktadır.

Reptile meta-güncellemesi

\[ \mathbf{g}_{Reptile}=\beta(\phi'-\phi) \]

φ′, seçilen görevde iç döngü sonunda elde edilen parametreleri; β, meta-öğrenme oranını göstermektedir. Ana parametreler görev üzerinde uyarlanmış parametrelere doğru β oranında hareket ettirilir. Çalışmada en iyi sonuç n = 3, β = 0,2 ve iç döngü epoch sayısı ε = 50 ile elde edilmiştir.

Prototip ve model kazık için kritik uzunluk

\[ L_{cr,p}=4{,}44\left(\frac{E_{p,p}I_{p,p}}{E_{s,p}}\right)^{1/4} \]

\[ L_{cr,m}=4{,}44\left(\frac{E_{p,m}I_{p,m}}{E_{s,m}}\right)^{1/4} \]

L_cr, kritik kazık uzunluğunu; E_pI_p, kazığın N·m² birimindeki eğilme rijitliğini; E_s, zeminin N/m² birimindeki Young modülünü göstermektedir. p ve m indisleri sırasıyla prototip ve model kazığı ifade etmektedir.

Kritik uzunluk benzerlik oranı

\[ \lambda_L=\frac{L_{cr,p}}{L_{cr,m}}=C_E^{1/4}C_l \]

C_l, geometrik benzerlik sabiti; C_E, elastisite modülü benzerlik sabitidir. Çalışmada C_l = 20 ve C_E = 1 kabul edilmiştir.

Eğilme benzerliği koşulu

\[ \frac{E_{p,p}I_{p,p}}{E_{s,p}}\times\frac{E_{s,m}}{E_{p,m}I_{p,m}}=20^4 \]

Bu koşul, model ve prototip kazıkların göreli esneklik özelliklerini eşleştirmek için kullanılmış ve model kazık duvar kalınlığı 1,50 mm olarak belirlenmiştir.

Yükleme frekansının ölçeklendirilmesi

\[ f_m=f_p\frac{D_p}{D_m} \]

Dalga yükleri için prototip frekansı 0,05-0,10 Hz ve çap oranı 0,64/0,032 kullanılarak model frekansı 1-2 Hz; rüzgâr yükleri için 0,017-0,05 Hz kullanılarak yaklaşık 0,34-1 Hz hesaplanmıştır. Deney programında 0,5, 1 ve 2 Hz frekanslarına ek olarak aşırı koşulu temsil etmek amacıyla 4 Hz uygulanmıştır.

Veri seti kovaryans matrisi

\[ \mathbf{C}_i=\frac{1}{8\times10^4-1}\mathbf{D}_i^{T}\mathbf{D}_i \]

Her aşağı örneklenmiş veri seti yaklaşık 80.000 gözlem ve üç temel değişkenden oluşmaktadır. C_i, i numaralı normalize edilmiş veri setinin 3 × 3 kovaryans matrisidir.

Temel bileşen ayrışımı

\[ \mathbf{C}_i=\mathbf{U}_i\mathbf{\Sigma}_i\mathbf{U}_i^{T} \]

U_i, kovaryans matrisinin özvektörlerini; Σ_i, özdeğerleri içeren köşegen matrisi göstermektedir. Özvektörler veri setindeki baskın değişim yönlerini temsil etmektedir.

Ağırlıklı Eros benzerliği

\[ \operatorname{Eros}(\mathbf{D}_i,\mathbf{D}_j,\boldsymbol{\omega})=\sum_{k=1}^{3}\omega_k\left|\langle\mathbf{u}_{ik},\mathbf{u}_{jk}\rangle\right| \]

İki veri setinin aynı sıradaki temel bileşenleri arasındaki iç çarpım hesaplanmakta ve mutlak değer kullanılmaktadır. Sonuç 1'e yaklaştıkça veri setlerinin temel değişim yönlerinin daha benzer olduğu kabul edilmektedir.

Eros ağırlıkları

\[ \omega_k=\frac{\mathbb{E}(\Sigma_{i,kk},\,i=1,\ldots,8)}{\sum_{k=1}^{3}\mathbb{E}(\Sigma_{i,kk},\,i=1,\ldots,8)} \]

Her temel bileşenin ağırlığı, sekiz veri setindeki ortalama özdeğer katkısına göre belirlenmektedir. Daha fazla varyansı açıklayan temel bileşen, benzerlik hesabında daha yüksek ağırlık almaktadır.

Bi-ESDN hiperparametreleri

Hiperparametreler ızgara aramasıyla seçilmiştir. Rezervuar büyüklüğü 1.000, 2.000 ve 4.000; MLP katman sayısı 3, 4 ve 5; katman genişliği ise 25, 50 ve 100 değerleri arasında değerlendirilmiştir. Hesaplama, Intel i7-13790F işlemci ve NVIDIA RTX 4070 Ti SUPER grafik işlemci kullanılarak gerçekleştirilmiştir.

Sonuçların teknik özeti

• Bi-ESDN, tek görevli model karşılaştırmasında 13,90 × 10^-7 test MSE'siyle en düşük hatayı üretmiştir.
• Reptile'ın en uygun meta-öğrenme düzeni n = 3, β = 0,2 ve ε = 50 olarak belirlenmiştir.
• İlk 2.000 çevrimle Reptile test kaybı 1,4 × 10^-6 olmuştur.
• İlk 100 çevrimle Reptile MSE'si 2,63 × 10^-5 olarak hesaplanmıştır.
• İlk 100 çevrimle tahmin edilen kararlı tepe kapasitesi yaklaşık 0,037 kN, gerçek değer yaklaşık 0,029 kN ve mutlak fark 0,008 kN'dir.
• Kaynak görevlere daha az benzeyen D₆'da veri 2.000 çevrimden 100 çevrime indirildiğinde göreli hata artışı yaklaşık 50 kat olmuştur.
• Daha benzer D₁ görevinde aynı azaltma yaklaşık 13 katlık hata artışı üretmiştir.
• Sentetik gürültü analizinde SNR 100 ve üzerindeki koşullar daha kararlı tahminlerle ilişkilendirilmiştir.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Meta-ESN: Early warning on the lateral cyclic capacity of flexible piles using a meta-learning-aided bi-directional echo-state deep network

Yazarlar ve doğru sıraları: Wei Qin; Yuqi Pan; Yanke Tan; Xin Ye; Hao Wu; Guoliang Dai; Dong Wang.

Birinci yazar: Wei Qin.

Eş birinci yazarlık: Eş birinci yazarlık veya eş katkı bilgisi belirtilmemiştir.

Sorumlu yazar: Xin Ye. Kaynakta verilen iletişim adresi: nixey.ye@connect.polyu.hk.

Kurumsal bağlantılar:

• College of Civil Engineering and Architecture, Wenzhou University, Wenzhou, Çin.
• Key Laboratory of Earthquake Engineering and Engineering Vibration, Institute of Engineering Mechanics, China Earthquake Administration, Harbin, Çin.
• Key Laboratory of Engineering and Technology for Soft Soil Foundation and Tideland Reclamation of Zhejiang Province, Wenzhou, Çin.
• Key Laboratory of Marine Environment and Ecology, Ministry of Education, Ocean University of China, Qingdao, Çin.
• Department of Civil and Environmental Engineering, The Hong Kong Polytechnic University, Hong Kong.
• National Rail Transit Electrification and Automation Engineering Technology Research Center (Hong Kong Branch), Hong Kong.
• College of Civil Engineering, Tongji University, Şanghay, Çin.
• Wenzhou Port Group Co., Ltd., Wenzhou, Çin.
• School of Civil Engineering, Southeast University, Nanjing, Çin.

Yazar-kurum eşleştirmesi: Wei Qin: Wenzhou University, China Earthquake Administration laboratuvarı ve Zhejiang yumuşak zemin laboratuvarı; Yuqi Pan: Ocean University of China ve Wenzhou University; Yanke Tan: The Hong Kong Polytechnic University, Hong Kong demiryolu araştırma merkezi ve Tongji University; Xin Ye: Wenzhou University ve Zhejiang yumuşak zemin laboratuvarı; Hao Wu: Wenzhou Port Group ve Wenzhou University; Guoliang Dai: Southeast University; Dong Wang: Ocean University of China.

DOI: 10.2139/ssrn.7199956

Dergi: Bu sürüm için hakemli bir dergi veya kabul edilmiş nihai dergi sürümü doğrulanamamıştır.

Yayın platformu: SSRN.

Platform sağlayıcısı: Elsevier.

Yayın yılı: 2026.

Kaynak türü: Laboratuvar model deneyi, zaman serisi analizi ve meta-öğrenme modellemesini birleştiren araştırma preprinti.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır.

Resmî çalışma bağlantısı:SSRN resmî çalışma sayfası

DOI bağlantısı:https://doi.org/10.2139/ssrn.7199956

Bu Türkçe açıklama, yüklenen 32 sayfalık çalışma baştan sona incelenerek hazırlanmıştır. Çalışmadaki model mimarileri, matematiksel denklemler, deney düzeneği, model ve prototip kazık parametreleri, zemin hazırlığı, sekiz yükleme koşulu, histerezis grafikleri, model karşılaştırmaları, az örnekli öğrenme sonuçları, görev benzerliği ve gürültü analizleri değerlendirilmiştir. Bilimsel bulgulara dış kaynaklardan yeni sonuç eklenmemiştir. Dış kaynaklar yalnızca DOI, SSRN kaydı ve yayın durumunun bibliyografik doğrulaması için kullanılmıştır.

Çalışmanın başlıca sınırlılıkları; laboratuvar ölçeğinde kalması, tek ana zemin profili kullanılması, yalnızca iki kazık ucu tipi ve düzenli yükleme frekanslarının incelenmesi, model girdilerinde doğrudan zemin durumu değişkenlerinin bulunmaması, belirsizlik aralıklarının verilmemesi ve gerçek saha kazıklarında doğrulama yapılmamasıdır. Çalışma, gerçek bir kıyı kazığında kesin erken uyarı başarısı veya yapısal güvenlik garantisi sunmamaktadır.