Yapısal tasarımda yenilikler – geleceğin kilidini açmak

Her gün yaptığımız işlerde herhangi bir şeyi değiştirmeye neden zahmet edelim ki? Mühendislik ofislerimizin mevcut durumu zaten yeterince iyi değil mi? İş miktarı oldukça fazla, her gün yeni yapılar inşa ediliyor ve bu durum yakın zamanda değişmeyecek gibi görünüyor. Günümüz mühendislerinin dijital araçları, birkaç yıl önce hayal bile edilemeyecek hızlarla zaten son derece güçlü. Herhangi bir değişikliği zorlayan güç her zaman bir ihtiyaçtan doğar. Peki inşaat mühendisliği ofislerinin mevcut "ihtiyacı" nedir?

Görünüşe göre birkaç neden var... 

• her geçen gün bu işi yapmak isteyen insan sayısı giderek azalıyor
• birçok bölgedeki ekonomik büyüme sayesinde yapılacak iş miktarı her yıl artıyor
• inşaat mühendisliğiyle ilgili diğer mühendislik alanlarındaki gelişme hızı çok daha yüksek
• projelerin karmaşıklığı, 'yeşil' çözümlere, enerji tüketimine ve CO₂ etkisine odaklanılmasıyla birlikte muazzam ölçüde artıyor

Gelin, alanımızın yakın geleceğine bir göz atmaya çalışalım.

Yapı mühendisi olmak nasıl bir şey olacak?

Yapı mühendisliği mesleği, yapay zekanın yükselişiyle tehdit altına giren mesleklerden biri mi? Pek sayılmaz, en azından bu kadar yakın bir gelecekte değil. Her göreve dahil olan değişken sayısı, algoritmalar tarafından karşılanamayacak kadar fazladır. Bu durum, gerekli hesaplama gücünden değil; farklı alanlardan gelen senkronize edilmemiş ve birbiriyle işbirliği yapmayan veritabanlarından ve tüm veri karmaşasını anlamlandırmak için gereken insan sağduyusundan kaynaklanmaktadır.

Öte yandan, bir yapı mühendisinin günlük işi bugünkü gibi görünmeye devam edecek mi? Kağıt çizimler, el yazısı notlar, yüzlerce DWG ve PDF, bitmek bilmeyen tablolar, farklı ayrıntı düzeylerindeki yapısal modeller (birbirleriyle iletişim kurmak istemez halde), projeler hakkında yüzlerce e-posta ve sohbet mesajı, teslim tarihleri, bütçeler, dosyalar, kitaplar, tasarım yönetmelikleri, kılavuzlar ve yapı dergileriyle dolu ofislerde geçirilen uzun saatler? 

Umarız hayır.

Peki bugünün gerçekliğinden çok daha elverişli bir geleceğe geçmek için ne yapabiliriz? Zor çalışmak yerine akıllı çalışmak istiyorsak, mevcut fırsatları kullanmalıyız. Eğer bu fırsatlar şu an görünür değilse, makine öğrenmesi, büyük veri işleme veya topoloji optimizasyonu gibi kavramların bir süredir kullanımda olduğu makine mühendisliği gibi komşu alanlara bakabiliriz.

Yapı mühendisi unvanı varlığını sürdürecek olsa da, yeni beceri ve yeteneklere duyulan ihtiyaç kaçınılmazdır; bu durum zaten oldukça açıktır. Matematik, fizik, yapı mekaniği, malzemeler ve tasarım yönetmeliği gereksinimlerine ilişkin bilgiye sahip olmak artık yeterli olmayacaktır. Tamamen yeni bir dijital beceri seti gerekecektir: verilerle çalışmak, farklı araçlar arasında veri bağlantıları kurmak, parametrik tasarım kullanımı, makine öğrenmesini anlamak, verimli komut oluşturma bilgisi vb.

Bu yazıda şimdiye kadar ele alınmamış ancak tasarım sürecinde hâlâ kritik öneme sahip olan çok önemli bir konu daha var: hükümetler, tasarım yönetmelikleri ve denetim kuruluşları. Bunlar göz ardı edilemez; zira bu alandaki kabul ve işbirliği olmadan teknolojilerin ilerleyişi, mühendislik camiasının vereceği yanıttan çok daha hızlı olacaktır.

Topoloji optimizasyonu

Bu konu ne hakkında? Basitçe ifade etmek gerekirse, belirli miktarda yapı taşıyla bir strüktür oluşturmanız gereken zorlu bir görevi çözmek gibidir. Yapının belirli yükler altında yeterince dayanıklı olmasını istersiniz, ancak aynı zamanda mümkün olduğunca az yapı taşı kullanmak istersiniz.

Topoloji optimizasyonunda, bloklarımızı yerleştirmenin en iyi yolunu bulmamıza yardımcı olmak için hesaplama algoritmaları kullanılır. Program, strüktürü mümkün olduğunca az blok kullanarak mümkün olduğunca güçlü kılmak için blokların nereye yerleştirileceğine dair yüzlerce varyasyonu deneyerek farklı tasarımlarla oynuyor. Bilgisayar, hangi köprü tasarımının yıkılmadan en fazla ağırlığı taşıyabileceğini görmek için her türlü köprü tasarımını test ediyor; ancak aynı zamanda hiçbir bloğu da boşa harcamıyor.

Bu yöntem, mühendislerin ve tasarımcıların mümkün olan en az malzemeyi kullanarak işlevini yerine getiren, çok verimli ve zaman zaman alışılmadık görünümlü strüktürler ortaya çıkarmasına yardımcı olur. Malzeme tasarrufu sağladığı, ağırlığı azalttığı ve çoğu zaman kendi başımıza düşünemeyeceğimiz yenilikçi tasarımlara yol açtığı için akıllıca bir tasarım yöntemidir.

Yukarıdaki görselde, farklı mesnet koşullarıyla ilişkili üç boyutlu bir köprünün üç optimize edilmiş tasarımını görebilirsiniz [K. Bando, R. Din, M. Fouquerand, L. Gilbert, A. Moissenot ve M. Nicolas, Optimisation d'une structure et application architecturale, PSC MEC07, Ecole Polytechnique (X), 2016].

Halihazırda mevcut olanlar

Günümüzde betonarme yapılar için mevcut en gelişmiş tasarım araçlarından biri olan IDEA StatiCa Detail, kullanıcıya tanımlanan geometrideki gerilme akışlarına dayalı topoloji optimizasyonunu görsel olarak sunabilmektedir. Bu araç, tasarımcıya donatı çubuklarının en verimli konumlarını ve yönlerini çok net ve görsel bir şekilde göstermektedir. Topoloji optimizasyonuna adanmış blog makalemize göz atabilirsiniz.

Bu güçlü ve gelişmiş modeller bile, ciddiye alındığında mümkün olanların yalnızca başlangıcıdır. Geometrisi organik şekillere dayanan ve tipik kafes şeklinden çok bir biyoloji kitabındaki görüntüye benzeyen yüzlerce tasarımı zaten biliyoruz. Organik şekillerden ilham alan, inşa edilmiş veya inşaat halindeki birkaç proje bulunmaktadır. Güzel bir örnek, Zaha Hadid Architects tarafından Riyad'da yürütülen mevcut Metro istasyonu projesidir.

Biraz hayal gücüyle, bu organik şekiller mimaride yalnızca güzellikleri nedeniyle değil, topoloji optimizasyonu ve yeni yapım süreçleri sayesinde taşıyıcı strüktürlerin geometrisi olarak da karşımıza çıkabilir.

Günümüzün tasarım araçları sayesinde ne tür yapılar ve projeler çözüme kavuşturuluyor? Vaka çalışmaları kütüphanemize bir göz atalım.

Mühendislikte verinin gücü

IDEA StatiCa araştırmacıları, yakın zamanda düzenlenen bir çelik yapı konferansında Connection uygulamasında kaynak kullanım oranının otomatik tahmini için kullanılan yeni yöntemleri sundu. Bu devrimci yaklaşım, çok karmaşık bir çözümle basit bir soruyu yanıtlamaktadır. Malzemenin plastikleşmesine izin verildiğinde bir kaynağın gerçek kapasitesi nedir?

Belgede açıklanan yenilikçi yöntem, çelik yapılardaki kaynak kullanım oranlarının tahmin doğruluğunu önemli ölçüde artırmak için gelişmiş yapay zeka, özellikle de evrişimli sinir ağları kullanmaktadır. Bu özgün yaklaşım, kaynak hatları boyunca gerilme dağılımını ve şekil değiştirme geçmişini ayrıntılı biçimde analiz ederek geleneksel yöntemlerin ötesine geçtiği için yapı mühendisleri açısından çığır açıcıdır. Bu tür ayrıntılı bir analiz, çeşitli kaynak konfigürasyonlarına ve yükleme senaryolarına hitap ederek daha hassas tahminlere olanak tanır. Bu gelişme yalnızca yapısal tasarımların güvenliğini ve verimliliğini artırmakla kalmayıp, makine öğrenmesinin geleneksel mühendislik uygulamalarıyla entegre edilmesinin potansiyelini de ortaya koymakta; yapı mühendisliğinde daha akıllı, veriye dayalı çözümlerin önünü açmaktadır. Bu iyileştirmenin nasıl kullanılacağı hakkında daha fazla bilgi için buraya bakabilirsiniz.

Yüzlerce yük artımını saniyeler içinde hesaplamak o kadar kolay olmadığından, algoritma geçmişte gerçekleştirilen analizlerden elde edilen büyük bir veri kümesi kullanmakta ve istenen çözüme en yakın kaynak boyutu değerlerini gerçek zamanlı olarak bulabilmektedir.

Yeni yapı mühendisleri için sözlük ipuçları:

Makine öğrenmesi (ML), bilgisayarların verilerden öğrenmesini ve verilere dayalı kararlar almasını sağlayan bir yapay zeka dalıdır. Yapısal tasarım ve analizde ML; malzeme davranışını tahmin etmek, yapısal bütünlüğü değerlendirmek ve tasarım süreçlerini optimize etmek için kullanılabilir. ML algoritmaları, büyük veri kümelerini analiz ederek geleneksel yöntemlerin gözden kaçırabileceği örüntüleri ve içgörüleri belirleyebilir. Bu durum, daha verimli, daha güvenli ve maliyet etkin yapısal tasarımlara yol açabilir. ML ayrıca yapıların gerçek zamanlı izlenmesine ve bakım planlamasına da yardımcı olarak ömürlerini ve güvenliklerini daha da artırabilir.

Evrişimli sinir ağları (CNN'ler), görüntüler gibi ızgara benzeri topolojiye sahip verilerin işlenmesinde yaygın olarak kullanılan bir yapay zeka türüdür. Görüntü tanıma ve sınıflandırma gibi görevlerde üstün performans gösterirler. Bir CNN, verileri filtreleyen ve sıkıştıran matematiksel işlemler olan evrişimleri gerçekleştiren katmanlar aracılığıyla giriş verilerindeki örüntüleri ve özellikleri tanımayı öğrenir. Bu yapı, CNN'lerin karmaşık örüntüleri tanımlamasına olanak tanıyarak onları yapısal analizden otomatik tasarım süreçlerine kadar çeşitli mühendislik uygulamalarında güçlü araçlar haline getirir. Karmaşık veri kümelerini verimli biçimde işleyebilme yetenekleri, onları modern mühendislik problem çözümünde değerli bir varlık kılmaktadır.

Özet

Az önce gördüğünüz gibi, gelecek düşündüğünüzden çok daha yakın. Yapay zeka tarafından üretilen görüntülerdeki gelecek değil; otomasyon ve akıllı optimizasyonun temel ilkeleri zaten yapısal analiz araçlarına entegre edilmeye başlanmıştır.

Araçlar devrimi tek başlarına gerçekleştirmeyecek. Bu yeni olanakları hayata geçirmek için tasarım sürecine dahil olan tarafların büyük bir zihniyet dönüşümü yaşaması gerekmektedir. Mühendislerin mevcut fırsatlara nasıl uyum sağlayacakları ve bunları günlük iş akışlarına nasıl dahil edecekleri tamamen onlara bağlıdır.