2026-10-23T17:57:06Zhttps://gumushane-rdlopen.rawdatalibrary.net/oai/request

oai:gumushane-rdlopen.rawdatalibrary.net:gumushane/211542026-10-22T11:44:46Zopenairedrivercom_gumushane_10000col_gumushane_10001

Deprem sonrası hasarlı yolların yapay zekâ ile tespit edilerek en kısa yol güzergâhlarının anlık optimizasyonuInstant optimization of the shortest routes based on automated detection of the damaged roads after an earthquake with artificial intelligenceNurcan ŞimşekDoç. Dr. Ramazan ÜnlüDisaster managementEarthquakeNatural disastersConvolutional neural networksDamage detectionK shorted path methodMachine learningArtificial intelligenceRoadsAfet yönetimiDepremDoğal afetlerEvrişimli sinir ağlarıHasar tespitiK en kısa yol yöntemiMakine öğrenmesiYapay zekaYollarDoğa kaynaklı afetlerden biri olan depremlerden sonra hasarlı yolların belirlenmesi ve hasar görmemiş uygun yolların bulunması, kurtarma işlemlerinin yürütülmesinde, insanların etkilenen bölgeden en kısa sürede tahliyesinde ya da insani yardım malzemelerinin bölgeye sevk edilmesinde hayati önem taşımaktadır. Günümüzde kullanılan geleneksel insan gözlemi ve uydu görüntüleri ile yapılan yol hasarı değerlendirmeleri zaman alıcı ve maliyetli olmalarının yanı sıra sadece yollarda bulunan hasarları inceleyerek afet bölgelerine ulaşabilmek için trafik geçişi hakkında herhangi bir bilgi içermemektedirler. Bu çalışmada; depremlerden sonra meydana gelen yol hasarlarının otomatik belirlenip afet bölgelerine yakın başka bir güzergâhın belirlenmesi için evrişimli sinir ağı ve klasik en kısa yol algoritmasının birbirine entegrasyonu ile hızlı ve verimli bir hibrit taşıma sistemi oluşturulmuştur. CNN algoritması hasarlı ve hasarsız olmak üzere toplamda 552 yol görüntülerinden oluşan veri setinde eğitilerek VGG-16 mimarisi ile gerçekleştirilen test sonrasında %97 oranında doğruluk elde etmeyi başarmıştır. CNN algoritmasının açık yol ve kapalı yol olarak yapmış olduğu tahminler ile klasik en kısa yol algoritması üzerinden hasar gören yollar, kullanılan ceza terimi ile çıkartılıp tüm kullanılabilir güzergâhlar arasından en kısa mesafeli olan güzergâh belirlenmiştir. Bu iki algoritmanın birbirine entegrasyonu ile hızlı ve verimli bir hibrit taşıma sistemi oluşturularak başarılı sonuçlar elde edilmiştir.After earthquakes, which is one of the natural disasters, identifying damaged roads and finding suitable undamaged roads are of vital importance in carrying out rescue operations, evacuating people from the affected area as soon as possible or dispatching humanitarian aid materials to the region. Road damage assessments made with traditional human observation and satellite images used today are time consuming or costly and do not contain any information about traffic passage in order to reach disaster areas by only examining the damages on the roads. In this study; a fast and efficient hybrid transportation system has been created by integrating the convolutional neural network and the classical shortest path algorithm to automatically determine the road damages that occur after earthquakes and to determine another route close to the disaster areas. The CNN algorithm is trained on a dataset consisting of a total of 552 road images, both damaged and undamaged. After the test performed with the VGG-16 architecture, it managed to achieve 97% accuracy. With the predictions made by the CNN algorithm as 'open road' and 'closed road', the damaged roads over the classical shortest path algorithm were removed with the penalty term used and the route with the shortest distance was determined among all available routes. Successful results were obtained by creating a fast and efficient hybrid transport system with the integration of these two algorithms.Gümüşhane University2021Master Thesishttps://rdlopen.rawdatalibrary.net/r/gumushane/21154trinfo:eu-repo/semantics/openAccessinfo:eu-repo/semantics/masterThesishttps://gumushane-rdlopen.rawdatalibrary.net/tr/items/gumushane/21154