11. Ulusal Beton Kongresi , Erzurum, Türkiye, 22 - 25 Mayıs 2025, ss.1-11, (Tam Metin Bildiri)
Yüksek sıcaklık beton
yüzeylerde termal genleşme ve büzülmeye bağlı olarak gelişigüzel çatlakların
oluşmasına sebep olup betonun yapısal performansını olumsuz etkilemektedir. Bu
çatlaklar, su ve kimyasal maddelerin betonun derinliklerine kolayca nüfuz etmesine
olanak tanıyarak betonun içyapısının bozulmasına ve dayanıklılığının ciddi
şekilde azalmasına neden olmaktadır. Bu durum, yapıların uzun vadeli güvenliği
ve ömrü üzerinde olumsuz etkiler yaratabileceğinden çatlakların hızlı, doğru ve
etkin bir şekilde tespit edilmesi kritik önem taşımaktadır. Bu çalışma,
derin öğrenme tabanlı algoritmalar kullanarak farklı yüksek sıcaklık ve süreye
maruz kalan beton yüzeylerdeki çatlakların karakteristik özelliklerinin tespit
edilmesini amaçlamaktadır. Çalışma kapsamında, 100×100×100 mm boyutlarında
beton numuneler sırasıyla 400°C, 600°C ve 800°C sıcaklıklara 1 saat, 2 saat ve
3 saat süreyle maruz bırakılmıştır. Yüksek sıcaklık etkisinin sonunda beton
yüzeylerinden meydana gelen çatlaklara ilişkin görüntüler alınarak kapsamlı bir
veri seti oluşturulmuştur. Oluşturulan bu veri seti, YOLOv11 modeli gibi
gelişmiş bir nesne tespit algoritması kullanılarak eğitilecek ve çatlakların
genişlik, alan, çevre gibi özellikleri belirlenerek detaylı bir analiz
gerçekleştirilmiştir. Geliştirilen yazılım sayesinde beton yüzeylerde oluşan
çatlaklar anlık olarak tespit edilebilmektedir. Deneysel çalışma sonucunda küp
beton numunelerin 1 saat, 2 saat ve 3 saat süreyle yüksek sıcaklıklara maruz
bırakıldığı tüm gruplarda, betonun basınç dayanımının, yüksek sıcaklıklara
maruz bırakılmayan referans silindir beton numunelere göre azaldığı
belirlenmiştir. 800oC’ye maruz betonların bütünlüğü bozulduğu ve
ufalandığı için basınç dayanımı değerleri elde edilememiştir. YOLOv11 modeli,
çatlak genişliği ölçümünde ortalama olarak gerçek değerlerden %5.12 daha yüksek
sonuçlar elde etmiştir. YOLOv11x modeli, en yüksek mAP50-95 ve Precision
değerlerini sağlayarak, doğru pozitif oranını artırmış ve yanlış pozitifleri
minimize etmiştir. Gerçek zamanlı çatlak tespitinde, YOLOv11 modelinin
inference süresi yapılandırmaya bağlı olarak 10.7 ms ile 50.5 ms arasında
değişmiştir.