Abstrak
Urbanisasi dan pertumbuhan populasi telah meningkatkan stok bangunan yang ada, sehingga semakin sulit untuk menilai keamanan seismik bangunan karena keterbatasan waktu, kurangnya personel yang terampil, dan biaya ekonomi yang tinggi. Dalam studi ini, metode penyaringan visual cepat (RVS) digunakan untuk menilai dan memprioritaskan kerentanan seismik bangunan beton bertulang (RC). Dengan demikian, model terintegrasi yang menggabungkan jaringan sisa fitur dalam, arsitektur berbasis pembelajaran mendalam yang mengandalkan blok sisa, dan XGBoost diusulkan. Selain itu, lima parameter yang paling berpengaruh untuk menentukan kerentanan seismik bangunan diidentifikasi menggunakan teknik XGBoost. Metode RVS digunakan untuk mengumpulkan data pada bangunan RC setelah gempa bumi di Afyon, Bingöl, Van, dan Kahramanmaraş, yang menghasilkan kumpulan data 372 struktur. Kinerja model dievaluasi menggunakan akurasi, presisi, recall, skor F1, spesifisitas, dan metrik AUC. Arsitektur yang diusulkan mencapai tingkat akurasi tinggi sebesar 94,66% dalam menentukan kerentanan seismik bangunan. Selanjutnya, dengan hanya menggunakan lima fitur yang paling kritis, diperoleh akurasi sebesar 82,66%. Analisis sensitivitas dilakukan untuk melihat pengaruh parameter yang digunakan terhadap model. Selain itu, stabilitas model diuji terhadap perubahan parameter atau kemungkinan kesalahan input. Hasil penelitian menunjukkan bahwa meskipun model sensitif terhadap perubahan parameter, prediksinya tetap dalam batas tertentu dan menunjukkan perilaku yang stabil terhadap kemungkinan kesalahan.
Pengembangan metode penyaringan visual cepat berbasis pembelajaran mendalam untuk penilaian kerentanan seismik bangunan RC yang ada di Turki
