Derin Öğrenme Tabanlı Tekrarlı Yükleme Altında Kayaçlarda Çatlak İlerlemesinin Tahmini

Yeraltı ve yerüstü mühendislik yapılarında kullanılan kayaçlar, doğal (örneğin sismik olaylar) ve insan kaynaklı (kazı faaliyetleri, dolgu uygulamaları, patlatma işlemleri vb.) çeşitli yükleme koşullarına maruz kalmaktadır. Bu yüklemelerin etkilerinin, yapısal güvenlik ve uzun vadeli stabilite açısından önceden öngörülebilmesi, mühendislik uygulamalarında kritik bir gereklilik olarak karşımıza çıkmaktadır. Kayaçlar, bu kapsamda hem statik hem de tekrarlı yükleme koşulları altında farklı mekanik davranışlar sergilemektedir. Statik yüklerin aksine, tekrarlı yükler kritik altı çatlakların ilerlemesini hızlandırarak zamanla malzeme dayanımında zayıflamaya neden olmaktadır. Bu durum, uzun vadede mühendislik yapılarında ciddi hasar ve stabilite kayıplarına yol açabilmektedir (Lin vd. 2025). Dolayısıyla, kayaçlarda çatlak gelişiminin ve ilerlemesinin öngörülebilmesi, yalnızca bilimsel açıdan temel bir araştırma konusu olmakla kalmayıp, aynı zamanda mühendislik uygulamalarında güvenilir ve sürdürülebilir tasarımların gerçekleştirilmesi için de büyük önem taşımaktadır. Mevcut çalışmaların büyük bir bölümü tekrarlı yük altındaki kayaç davranışını yük-deformasyon eğrileri ve kırılma sonrası gözlemler üzerinden değerlendirilmiştir. SEM, Mikro-CT ve dijital görüntü korelasyonu gibi yöntemler mikroyapısal hasarı ortaya koymakla birlikte genellikle deney sonrası veya kesitsel analizlere dayanmaktadır. Akustik emisyon (AE) yöntemi ise çatlak başlama, ilerleme ve birleşme süreçlerini yükleme sırasında gerçek zamanlı olarak izleme imkanı sunmaktadır. Ancak AE verilerinden çatlak uzunluğunun sürekli ve nicel olarak tahmin edilmesine yönelik derin öğrenme temelli bütünleşik modeller literatürde sınırlıdır. Ayrıca genellikle yapılan çalışmalarda yaygın olarak kullanılan tek eksenli basınç dayanımı ve dolaylı çekme dayanımı testlerinden farklı olarak Yarı Dairesel Eğilme (SCB (Semi-circular bend) yöntemi kullanılacaktır. Bu proje kapsamında, farklı türde granit ve kireç taşı örnekleri üzerinde tekrarlı yükleme deneyleri gerçekleştirilecek, akustik AE sinyalleri yüksek hassasiyetli sensörler ile sürekli olarak kaydedilecek ve eş zamanlı olarak yük–deformasyon eğrileri ile belirli zaman aralıklarında çatlak uzunluğu ölçümleri elde edilecektir. Sürekli AE sinyali, çatlak uzunluğu ölçüm zamanları ile tam uyumlu olacak şekilde sabit süreli zaman pencerelerine bölünecek ve her zaman penceresine karşılık gelen AE waveform verisi model girdisi olarak kullanılacaktır. Her zaman penceresine ait waveform verisi, konvolüsyonel sinir ağı (CNN) tabanlı bir encoder kullanılarak otomatik olarak özellik vektörlerine dönüştürülecek ve elde edilen özellik dizisi, zamansal bağımlılıkların modellenmesi amacıyla çift yönlü uzun-kısa süreli bellek (Bi-LSTM) ağına girdi olarak verilecektir. Bi-LSTM ağı, her zaman penceresine karşılık gelen çatlak uzunluğu değerini sürekli bir değişken olarak tahmin edecek şekilde regresyon modunda eğitilecektir. Böylece, AE sinyallerinin zamansal evrimi ile çatlak uzunluğu arasındaki ilişki doğrudan öğrenilecek ve çatlak gelişiminin zamana bağlı değişimi yüksek doğrulukla tahmin edilecektir. Bu çalışma sonucunda geliştirilecek yaklaşımın, yalnızca kaya mekaniği alanıyla sınırlı kalmayarak malzeme yorulması, yapısal sağlık izleme, kırılma mekaniği ve sismik risk analizi gibi disiplinlerde yürütülecek araştırmalara da kavramsal ve metodolojik açıdan ışık tutması beklenmektedir. Deneysel veriler ile derin öğrenme tekniklerinin bütünleşik kullanımına dayanan bu çerçevenin, hasar süreçlerinin veri temelli ve zamansal olarak modellenmesine yönelik gelecekteki çalışmalara öncülük edebilecek bir altyapı sunacağı öngörülmektedir. Bu yönüyle proje, farklı mühendislik alanlarında geliştirilecek öngörücü izleme ve değerlendirme yaklaşımlarına referans oluşturabilecek niteliktedir.