Özet:

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.