Yeraltı deformasyonlarının belirlenmesi amacıyla K-ortalamalar kümeleme algoritması kullanılarak kesit model geliştirilmesi

Year 2019, Volume: 21 Issue: 63, 707 - 717, 20.09.2019

Mehmet Volkan Özdoğan

https://doi.org/10.21205/deufmd.2019216302

Abstract

Yersel lazer tarayıcıların yeraltı yapılarındaki deformasyonların
belirlenmesi amacıyla kullanımının son yıllarda hızla artmasıyla bu alandaki
bilimsel çalışmalarda buna paralel olarak artmaktadır. Bu çalışmalardan biri de
lazer tarayıcı ile elde edilen nokta bulutu verileri üzerinden alınan
kesitlerden üzerinden yapılan deformasyon çalışmalarıdır. Nokta bulutu
üzerinden alınan kesitler üzerindeki binlerce veriden analiz yapmanın
zorluğundan dolayı kesiti en iyi temsil eden kesit model oluşturma  yöntemi son yıllarda bir çok araştırmanın
konusu olmaktadır.  Bu çalışmada da
yersel lazer tarayıcı ile taranmış olan bir yeraltı galerisinde nokta bulutu
verileri üzerinden alınan kesitler üzerinden k-ortalamalar makina öğrenme
algoritması yeni bir kesit modeli oluşturulmuş ve bu kesit model üzerinden
deformasyon analizleri yapılmıştır. Yapılan analizler mevcut yöntemlerden olan
meshlenmiş yüzeyler üzerinden yapılan analizlerle karşılaştırılmış ve geliştirilen
yöntemin üstünlükleri ortaya konmuştur.  

Keywords

Yersel Lazer Tarayıcı, Kesit Analizi, Deformasyon Analizi, K-ortalamalar Algoritması

Supporting Institution

Tubitak - BİDEB

Project Number

BİDEB-2219

Thanks

Bu çalışmaya esas olan k-ortalamalar algoritmasının geliştirilmesi TUBİTAKBİDEB-2219 bursu kapsamında gerçekleştirilen “Yeraltı boşluklarında meydana gelen deformasyonların yersel lazer tarayıcı ölçümleri ile değerlendirilmesinde yeni algoritmaların geliştirilmesi” konu başlıklı çalışmadan üretilmiştir. Yazar desteklerinden dolayı TUBİTAK BİDEB Daire Başkanlığına desteklerinden dolayı teşekkürlerini sunmaktadır.

Developing a Cross-Section Model by K-Means Clustering Algorithm for Determining the Underground Deformations

Abstract

The
scientific studies on determination of deformations for underground structures by
terrestrial laser scanner have been developing with the increasing of the usage
of terrestrail laser scanners in underground structures. One of the most known
research subject is the determination of deformation from the cross-sections
which derived from point clouds acquired by terrestrail laser scanners. Because
of the difficulty of proccessing the thousand of points on cross sections
developing a best-fit cross-section model  from raw data has been studied by many
researchers in recent years. In this study first a new cross-section model has
been developed by using k-means clustering machine learning algorithm from
a  raw point cloud data then deformation
analyses have been carrried out on these models. Also mesh models have
been  created from point cloud data and a
standard deformation study have been performed on mesh models. The deformation
results of k-means algorithm and mesh models have been compared and advantage
of k-means algortihm has  been revealed

Keywords

Terrestrian Laser Scanner, Cross-section Analyse, Deformation Analyse, K-means Algorithm

Project Number

BİDEB-2219

References

• Ozdogan, M.V., Deliormanli A.H. 2018. Yersel Lazer Tarayıcı ile Yeraltı Galerisinde Meydana Gelen Deformasyonların Belirlenmesi, Dokuz Eylül Üniversitesi-Mühendislik Fakültesi Fen ve Mühendislik Dergisi, Cilt 20, Sayı 59. DOI: 10.21205/deufmd. 2018205952
• Bizjak, K.F., Petkovsek, B. 2004. Displacement analysis of tunnel support in soft rock around a shallow highway tunnel at Golovec, Eng. Geol. Cilt. 75 s. 89–106. DOI: 10.1016/j.enggeo.2004.05.003
• Stiros, S.C., Psimoulis, P.A. 2012. Response of a historical short-span railway bridge to passing trains: 3-D deflections and dominant frequencies derived from Robotic Total Station (RTS) measurements, Eng. Struct., Cilt. 45, s. 362–371. DOI: 10.1016/j.engstruct.2012.06.029
• Lindenbergh, R.，Pfeifer，N., Rabbani，T. 2005. Accuracy analysis of the Leica HDS3000 and feasibility of tunnel deformation monitoring, IAPRS XXXVI ( 3/W3 )．Proceedings of Laser scanning, Enschede．
• Van Gosliga, R., Lindenbergh, R., Pfeifer, N., 2006. Deformation analysis of a bored tunnel by means of terrestrial laser scanning. Image Engineering and Vision Metrology. ISPRS Commission, Cilt. 36, s. 167–172.
• Nuttens, T., De Wulf, A., Bral, L., De Wit, B., Carlier, L., De Ryck, M., vd., 2010. High resolution terrestrial laser scanning for tunnel deformation measurements, In:he FIG Congress 2010 Facing the Challenges – Building the Capacity.
• Han，J.Y.，Guo，J，Jiang，Y.S，2013. Monitoring tunnel deformations by means of multi-epoch dispersed 3D LIDAR point clouds: an improved approach． Tunnelling and Underground Space Technology, Cilt. 38 s. 385-389．DOI: 10.1016/j.tust.2013.07.022
• Han, J.Y., Guo, J., Jiang, Y.S. 2013. Monitoring tunnel profile by means of multi-epoch dispersed 3-D LiDAR point clouds. Tunn. Undergr. Space Technol., Cilt 33, s. 186–192. DOI:10.1016/j.tust.2012.08.008
• Yang, Q., Zhang, Z., Liu, X., Ma, S. 2017. Development of Laser Scanner for Full Cross-Sectional Deformation Monitoring of Underground Gateroads, Sensors (Basel), Cilt. 17, s. 1-14. DOI:10.3390/s17061311
• Lindenberg, R., Uchanski, L., Bucksch, A., Van Gosliga, R. 2009. Structural monitoring of tunnels using terrestrial laser scanning. Rep Geod., Cilt. 2(87), s.231–239.
• Delaloye, D. 2012. Development of a new methodology for measuring deformation in tunnels and shafts with terrestrial laser scanning (LiDAR) using elliptical fitting algorithms. Queen’s University. Master of Applied Science. 202s, Ontario, Canada
• Nuttens, T., Stal, C., De Backer, H., Schotte, K., Van Bogaert, P., De Wulf, A. 2014. Methodology for the ovalization monitoring of newly built circular train tunnels based on laser scanning: liefkenshoek Rail Link (Belgium), Autom Constr., Cilt. 43, s. 1–9. DOI: 10.1016/j.autcon.2014.02.017
• Xie, X., Lu, X. 2017. Development of a 3D Modeling Algorithm for Tunnel Deformation Monitoring Based on Terrestrial Laser Scanning, Underground Space, Cilt. 2(1), s. 16-29. DOI: 10.1016/j.undsp.2017.02.001
• Dinçer, E. 2006. Veri Madenciliğinde K-Means Algoritması ve Tıp Alanında Uygulanması, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 101s, Kocaeli.
• Sarıman, G. 2011. Veri Madenciliğinde Kümeleme Teknikleri Üzerine Bir Çalışma: K-Means ve K-Medoids Kümeleme Algoritmalarının Karşılaştırılması, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt. 15(3), s. 192-202.
• Ali, H.H., Kadhum, L.E. 2017. K- Means Clustering Algorithm Applications in Data Mining and Pattern Recognition, International Journal of Science and Research, Cilt. 6(8), s. 1577-1584. DOI: 10.21275/ART20176024
• Han, J. ve Kamber, M. 2001. Data Mining Concepts and Techniques, Morgan Kauffmann Publishers Inc.
• Berkhin, P. 2002. Survey of Clustering Data Mining Techniques, San Jose, California, USA, Accrue Software Inc.
• Demiralay, M., Çamurcu, A.Y. 2005. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, Cilt. 4(8), s. 1-18
• Cebeci, Z., Yıldız, F., Kayaalp T. 2015. K-Ortalamalar Kümelemesinde Optimum K Değeri Seçilmesi, 2. Ulusal Yönetim Bilişim Sistemleri Kongresi, 8-10 Ekim 2015, Erzurum, s. 231-242
• Saraswathi, D., Sheela, L.M.I. 2016. Lung image segmentation using k-means clustering algorithm with novel distance metric, International Journal of Recent Trends in Engineering & Research, Cilt 2 Sayı 12, s. 236-245.
• Osadchy, R. 2011. Lecture Notes: K-MEANS http://www.cs.haifa.ac.il/~rita/uml_course/lectures/kmeans.pdf
• Wei, C. T., Ling, C. Y., Shao, C. Y. 2008. Fast image segmentation based on KMeans clustering with histograms in HSV color space,ʼ IEEE 10th Workshop on Multimedia Signal Processing, Cilt. 4, s. 322-325.