SIVILAŞMAYA KARŞI GÜVENLİK KATSAYISININ YAPAY SİNİR AĞLARI İLE TAHMİN EDİLMESİ: DENİZLİ-GÜMÜŞLER ÖRNEĞİ

S.Ü. Müh.-Mim. Fak. Drg., c.3, s.-, 007 J. Fac.Eng.Arch. Slcuk Univ., v.3, n.-, 007 SIVILAŞMAYA KARŞI GÜVENLİK KATSAYISININ YAPAY SİNİR AĞLARI İLE TAHMİN EDİLMESİ: DENİZLİ-GÜMÜŞLER ÖRNEĞİ Gulmustafa ŞEN, Erdal AKYOL v Mahmut FIRAT Pamukkal Ünivrsitsi Mühndislik Fakültsi Joloji Mühndisliği Bölümü, DENİZLİ Pamukkal Ünivrsitsi Mühndislik Fakültsi İnşaat Mühndisliği Bölümü, DENİZLİ ÖZET: Dprmlrin ndn olduğu önmli zmin davranışlarından biri d sıvılaşmadır. Sıvılaşma, suya tamamn doygun kohzyonsuz zminlrin dprm tkisi il zminin içindki boşluk suyu basıncının artması v zminin taşıyıcı özlliğini kaybtmsi sonucu mydana glir. Sıvılaşma Potansiyli İndksi (SPI), sıvılaşmanın yüzydki şiddtini görcli olarak dğrlndirmk amacıyla gliştirilmiştir. Sıvılaşma riskinin blirlnmsi için SPI nin doğru bir şkild hsaplanması grkir. Yapay Sinir Ağları (YSA), insan sinir sistmindn sinlnrk gliştirilmiş bir yöntm olup, son yıllarda doğrusal olmayan v karmaşık mühndislik problmlrind oldukça başarılı bir şkild kullanılmaktadır. Bu çalışmada, Dnizli ili Gümüşlr Bldiysi mücavir alanındaki zminlrin, sıvılaşma potansiyli dğrlndirilmiş v YSA yardımı il sıvılaşmaya karşı Güvnlik Katsayısı (GK) tahmin dilmiştir. GK nın tahmini için ilri bslmli sinir ağları kullanılmıştır. Bu amaçla, 7.5 büyüklüğündki bir dprm için zminin tkrarlı dirnç oranı (CRR7.5), dprmin oluşturduğu tkrarlı grilim oranı (CSR), yraltı suyu sviysi, Standart Pntrasyon Dnyi (SPT) drinliği il darb sayısı girdi paramtrlri olarak sçilmiştir. adt sondaj kuyusuna ait 37 adt vrinin 94 ü YSA nın ğitimi için, 3 ü is tst işlmlri için kullanılmıştır. Tst sonuçları il hsaplanan dğrlr karşılaştırıldığında, YSA il ld diln sonuçların hsaplanan dğrlr oldukça yakın çıktığı görülmüştür. Anahtar Klimlr: Güvnlik Katsayısı, Sıvılaşma Potansiyl İndksi, Yapay Sinir Ağları. Estimation Of Liqufaction Rsistanc By Artificial Nural Ntwork: A Cas Study For Dnizli Gümüşlr ABSTRACT: Liqufaction is on of th major natural hazards causd by arthquaks and it can b dfind as an incras of por prssur and lost of baring capacity of th soils bcaus of a dynamic impact (arthquak). In ordr to stimat liqufaction potntial, Liqufaction Potntial Indx (LPI) is calculatd. LPI has bn dvlopd for valuating th surfac impacts of th liqufaction. Artificial Nural Ntworks (ANN) dvlopd biological human brain systm has bn rcntly usd for modling of complx and nonlinar nginring problms. In this study LPI of th Gümüşlr Municipality sttlmnt ara has bn calculatd and factor of safty (FS) against liqufaction has bn stimatd by using ANN. Fd forward typ of ANN is mployd. Th input paramtrs ar cyclic rsistanc ratio for Mw=7.5 arthquaks (CRR7.5), cyclic strss ratio (CSR), dpth of ground watr lvl, dpth and N valus of standard pntration tst. 94 borhol valus hav bn usd in training procss whil 3 data hav bn usd in tst procdur. Satisfactory rsults hav bn obtaind. Kywords: Artificial Nural Ntworks, Factor of Safty, Liqufaction Potntial Indx. GİRİŞ Sıvılaşma kavramı ilk önc 930 lu yılların sonlarında Casagrand tarafından ortaya atılmıştır (Casagrand, 975). Mogami v Kubu (953) sıvılaşmayı, suyun zmin ortamından uzaklaşamadığı koşullarda, suya doygun

78 G. ŞEN, E. AKYOL v M. FIRAT kohzyonsuz zminlrin tkdüz, gçici vya tkrarlanmalı şkild örslnmsindn kaynaklanan zmin dformasyonlarını kapsayan davranış biçimlrinin tümü için kullanmışlardır. Yr sarsıntısı ndniyl yüksk boşluk suyu basınçlarının glişimi v suyun yukarı doğru akışı kumda sıvılaşma dniln olayı mydana gtirir. Bu durumda fktif grilm sıfır olur v zmin tanlri arasında hrhangi bir tutucu kuvvt kalmaz (Ishihara, 985). Dprml sıvılaşan gvşk kum çökli üzrindki yapı batar vya dvrilir; gvşk kum sıvılaştığı zaman gömülü tanklar yüzy doğru çıkar (Sd, 970). Gnld, gvşk alüvyal çökllr, özllikl kil bulunmayan kum v silt v bazn çakıl tabakaları sıvılaşma potansiylin sahiptirlr. Yraltısuyu sviysinin yüzy 0 m dn daha yakın olması da sıvılaşma thliksini arttırır. Buna karşılık yraltı suyu sviysinin 0 m dn daha drind bulunması durumunda v sıkı zminlrd sıvılaşma potansiyli azdır. Sıvılaşma duyarlılığının blirlnmsind arazi (standart pntrasyon tsti (SPT), koni pntrasyon tsti (CPT), kayma dalgası hızının (VS) blirlnmsi) v laboratuar dnylrin (dinamik üç ksnli dnylr, tkrarlı basit kayma tsti) bağlı birçok analiz yöntmi litratürd mvcuttur. Bu çalışmada, Dnizli ili Gümüşlr Bldiysi mücavir alanındaki zminlrin, sıvılaşma analizind kullanılan GK dğrlri YSA il tahmin dilmiştir. Zminin sıvılaşması için grkli tkrarlı grilim oranı (CRR7.5), dprmin oluşturduğu tkrarlı grilim oranı (CSR), yraltı suyu sviysi (YASS), Standart Pntrasyon Dnyi (SPT) drinliği v darb sayısı girdi paramtrlri olarak sçilmiştir. Eld diln sonuçlar, hsaplanan dny sonuçları il karşılaştırılmış v YSA nın sıvılaşma analizind kullanılan GK nın tahmin dilmsind kullanılabilirliği tartışılmıştır. YAPAY SİNİR AĞLARI YSA, insan biyolojik sinir sistmini tml alarak gliştiriln bir yöntmdir. YSA, karmaşık mühndislik problmlrinin çözümün yni yaklaşımlar gtirmiştir. Gnl olarak bir YSA, tk katmanlı ya da çok katmanlı olarak düznlnbiln v parall olarak çalışan çok sayıda doğrusal olmayan yapay hücrdn mydana gln bir sistm olarak tanımlanabilir (Nasr v diğ., 003). YSA il yapılan bazı çalışmalar, maksimum taşkın tahmini (Bodri v Crmak, 000), akış miktarının tahmini (Dibik v Solomatin, 00; Hsu v diğ., 998; Zhang v Govindaraju, 998), yağış v akış modllmsi (Luk v diğ., 00), askı maddsi v konsantrasyonun tahmini (Fırat v Güngör, 004) gibi sıralanabilir. YSA, birbirin parall bir şkild bağlanmış v doğrusal olmayan bir yapıya sahip olan nöron olarak adlandırılan birçok lmandan oluşmaktadır (Jang v diğ., 997). Litratürd farklı yapay sinir ağ yapıları kullanılmaktadır (Şkil ). Bunlar, ilri bslmli, gri bslmli v radyal tabanlı sinir ağlarıdır (Luk v diğ., 00). İlri bslmli bir yapay sinir ağı; giriş, çıkış v gizli katman olmak üzr n az üç katmandan oluşmaktadır. Giriş katmanındaki nöron sayısı, problm üzrindki tkili paramtrlr dikkat alınarak blirlnmiştir. Gizli tabaka sayısı v nöron sayısı is dnm yanılma il blirlnmiştir. Şkil d bir nöronun matmatiksl modli göstrilmktdir. Nöron girdilri sinaptik bağıntılar üzrindki ağırlıklar il çarpılarak bir toplayıcıya uygulanmakta v ld diln toplam, nöronun aktivasyon fonksiyonundan gçirilrk çıkışlar şitlik yardımıyla hsaplanmıştır. YSA, biyolojik sinir sistmindn sinlnrk gliştirildiği için, insanlar gibi örnklrl ğitilirlr. İnclnn bir problmin çözümünd mvcut örnklrdn başka bilgiy ihtiyaç duymaz. Ancak YSA il bir problmi çözrkn sonuç üzrind tkili olan giriş vrilri iyi sçilmlidir. YSA da giriş paramtr sayısı arttıkça modlin v sistmin karmaşıklığı artmakta v çözüm zorlaşmaktadır. Bu yüzdn giriş sayısı n aza indirilmiştir. N nt = Yi. wi + w0 i= N ağ + i= Y Y = f ( Ynt ) = f ( Yi. wi w0 ) () () Burada, Yağ ağın ürttiği sonuç, ƒ(ynt) sçiln transfr fonksiyonu, Ynt toplam fonksiyonu, Yi nöron girdisi, wi hr bir nöron girdisin ait ağırlık katsayısı v w0 bias tır.

Sıvılaşmaya Karşı Güvnlik Katsayısının Yapay Sinir Ağları İl Tahmin Edilmsi: Dnizli-Gümüşlr Örnği 79 Şkil. Yapay sinir ağ yapıları. Figur. Artificial nural ntwork structurs. Y w Bias (w 0 ) Y w Y nt f (Y nt ) Y out Y n w n Toplam Fonksiyon Aktivasyon Fonksiyonu Girişlr Ağırlıklar Şkil. Nöronun matmatik modli. Figur. Mathmatical modl of a nuron. Öğrnm gnl anlamda, dntimli öğrnm v dntimsiz öğrnm olmak üzr iki şkild vrilbilir. Yapılan bu çalışmada, dntimli öğrnm tipi sçilmiştir. Dntimli öğrnmd, ağa giriş v çıkış vrilri sunulur v bu vrilr gör ağırlık katsayılarını düznlmsi istnir (Fırat, 00; Luk v diğ., 00). Bir ağ mimarisi, aktivasyon fonksiyonu v öğrnm algoritması il karaktriz dilir. Aktivasyon fonksiyonu olarak, şitlik (3) t vriln sigmoid tipi aktivasyon fonksiyonu kullanılmıştır (Dibik v Solomatin, 00). Öğrnm algoritması olarak da, hatayı griy yayma algoritması kullanılmıştır (Hjlmflt v Wang, 996). Y ağ = f Ynt) = + ( (3) Ynt Eşitlik () dn hsaplanan toplam fonksiyon, aktivasyon fonksiyonundan gçirilrk ağın çıkışı ld dilir. Daha sonra ağın ürttiği sonuç il grçk sonuç karşılaştırılarak şitlik (4) yardımıyla ağ hatası hsaplanır. J r =. k i= ( Y grçk Y ağ ) (4) Burada, Jr grçk dğr il ağın ürttiği sonuç arasındaki hata v Ygrçk grçk çıkış dğridir. Bu hata kabul dilbilir dğr ulaşana kadar ğitim dvam dilir. Bu çalışmada, Matlab R.4 d yazılan program il çözüm yapılmıştır. SIVILAŞMA RİSKİNİN TAHMİN EDİLMESİ Sıvılaşma potansiylinin blirlnmsi, zminin sıvılaşmaya karşı güvnlik katsayısının blirlnmsi sasına dayanmaktadır. GK, zminin sıvılaşması için grkli tkrarlı dirnç oranının (CRR7.5), dprmin oluşturduğu tkrarlı grilim oranına (CSR) bölünmsi il bulunur (Youd v diğ., 00). Zminlrin sıvılaşma duyarlılığının güvnlik katsayısı il dğrlndirilmsinin yanında,

80 G. ŞEN, E. AKYOL v M. FIRAT Iwasaki v diğ., (98) tarafından önriln sıvılaşma potansiyli indksi (SPI) il sıvılaşma potansiyli çok düşüktn çok yüksğ kadar dğişik drclrl ifad dilbilmktdir (Çizlg ). Sıvılaşma potansiyli indksi, Iwasaki v diğ., (978) tarafından sıvılaşmanın bir tml hasarı mydana gtirip gtirmycğinin tahmini için gliştirilmiştir. Yazarlar, Japonya da altı dprmin mydana gldiği toplam 85 inclm alanında SPT sonuçlarını kullanmışlar v bu alanların 63 ünd sıvılaşma görmüşlr, sind is sıvılaşmaya rastlamamışlardır. Toprak v Holzr (003), tarafından Kaliforniya (ABD) bölgsind sıvılaşma üzrin bir dnysl çalışma yapılmış v SPI dğrinin 5 v 5 olduğu durumlarda sıvılaşmanın yüzyd görülbilm olasılığını inclmişlrdir. Wang v Rahman (999), yaptıkları çalışmada, sıvılaşma tkisinin önmli blirtilrindn olan yanal yr dğiştirmlrin yapay sinir ağları il tahminind gliştirdiklri modl çalışmalara yr vrmişlrdir. Sönmz (003) il Sönmz v Gökçoğlu (005), Iwasaki v diğ., (98) nin önrdiği sıvılaşma potansiyli sınıflamasında dğişikliklr önrmişlrdir. Ayrıca, YSA kullanılarak jotknik modllm, sıvılaşma potansiyli tahminlrinin yapılması v yanal yayılmanın blirlnmsi litratürd birçok araştırmacı tarafından dğrlndirilmiştir (Wang, 999; Baziar v Ghorbani, 005; Young- Su v Byung-Tak, 006; Hanna v diğ., 007). Yapay sinir ağları insanlar gibi örnklr il ğitildiklri için ğitim sırasında ytrli sayıda vri grubunun kullanılması grkir. YSA nın ğitim v tst işlmlri için toplam adt sondaj kuyusuna ait 37 adt vri Şn (004), tarafından yapılan çalışmadan alınmıştır. Bu vrilrdn 94 tansi ağın ğitimind, gri kalan 3 tansi is tst dilmsind kullanılmıştır. Şkil 3 d GK nın tahmin dilmsind kullanılan YSA modli göstrilmktdir. Şkil 3 d vriln modlin ğitimind aktivasyon fonksiyonu olarak (3) numaralı şitlikt tanımlanan sigmoid tipi aktivasyon fonksiyonu kullanılmıştır. Hr bir vri sti için ğitim yapılırkn; gizli katman sayısı, gizli katmandaki nöron sayısı, öğrnm drcsi, momntum katsayısı v itrasyon sayısı dnm-yanılma yoluyla blirlnmiştir (Çizlg ). Çizlg. Sıvılaşma indksi dğrlrin gör sıvılaşma potansiyli drclri (Iwasaki v diğ., 978, 98). Tabl. Liqufaction potntial rangs by liqufaction indx valus (Iwasaki t al., 978, 98). Sıvılaşma Potansiyl İndksi (SPI) Sıvılaşma Potansiyli Drcsi 0 Çok Düşük 0<SPI 5 Düşük 5<SPI 5 Orta 5<SPI Yüksk-Çok Yüksk SPT N Darb Sayısı Darb sayısı Yr Yraltı suyu Su sviysi Sviysi drinliği CSR CRR7.5 CRR 7.5 SPT Dny dnyi drinliği Drinliği 3. 3... N FS GK Giriş Giriş Katmanı katmanı Gizli Gizli Katman katman Çıkış Çıkış katmanı Katmanı Şkil 3. GK tahmini için kullanılan ağ yapısı. Figur 3. ANN structurs usd to stimat FS.

Sıvılaşmaya Karşı Güvnlik Katsayısının Yapay Sinir Ağları İl Tahmin Edilmsi: Dnizli-Gümüşlr Örnği 8 Çizlg. GK tahmini için ğitimd sçiln paramtrlr. Tabl. Slctd training paramtrs to stimat FS. Eğitim vri Tst vri Öğrnm Momntum İtrasyon Ağ yapısı sayısı sayısı drcsi katsayısı sayısı 94 3 5 8 0.0 0.7 000 Çizlg 3. SPI için YSA sonuçları v hsaplanan sonuçlarının karşılaştırılması. Tabl 3. Comparison of ANN and calculatd valus for LPI. Sondaj YASS=0,5 m. YASS= m. YASS=,5 m. YASS= m. Kuyu No YSA (SPI) Hsap (SPI) YSA (SPI) Hsap (SPI) YSA (SPI) Hsap (SPI) YSA (SPI) Hsap (SPI) SK 4,8 3,,7 3, 3,4 3,0 3,3 3,0 SK 5 54,8 55, 5,3 5,6 5,3 49,3 37,3 37,3 SK 6 36,0 37,8 33,9 3,5 30,9 7,4,5 9,4 SK 0 6,0 6,7 6,7 6,4 7, 5,0 6,3 4,9 SK 5 3,0,0 9,3 8,7 8, 6,7,,0 Eğitimdn sonra ağın doğruluğunu kontrol tmk için daha önc ğitimd kullanılmayan 3 adt vri il ağ tst dilmiştir. Tst işlmlrind, SK 4, SK 5, SK 6, SK 0 v SK 5 kuyularının 0.5,,.5 v m. yraltı suyu sviysindki ölçümlr kullanılmıştır. YSA sonuçları il dny sonuçlarının karşılaştırılması Şkil 4 d vrilmiştir. Tst sonuçlarına bakıldığında n büyük hata % 4,47 v ortalama hata % 6,55 olarak ld dilmiştir. Ayrıca Karsl Hataların Toplamı (SSE-Sum Squar Error).095, Karsl Hataların Ortalaması (MSE-Man Squar Error) 0.0089 v Ortalama Karsl Hataların Karkökü (RMSE-(Root Man Squar Error) 0.0943 olarak hsaplanmıştır. Hsaplanan prformans dğrlndirm kritrlrin bakıldığında ld diln sonuçların kabul dilbilir dğrlrd olduğu görülmktdir. Şkil 4 dki grafiklr bakıldığında, hr bir YASS indki SK 4, SK 5, SK 6, SK 0 v SK 5 için YSA, GK tahmin dğrlrinin dny sonuçları il uyum içind olduğu görülmktdir. Eld diln sonuçlar, SPI nin blirlnmsind kullanılan GK nın tahmini için YSA nın başarılı bir şkild uygulanabilcğini göstrmktdir. Bu çalışmada ayrıca, tahmin diln GK dğrlrin gör SPI dğrlri Iwasaki v diğ., 98 (Eşitlik 5) y gör hsaplanmıştır. 0 SPI = Fw( z) dz (5) 0 Eşitlik 5 v yukarıda blirtiln koşullara gör 0.5,,.5 v m. YASS drinliklrind SK 4, SK 5, SK 6, SK 0 v SK 5 noʹlu sondaj kuyuları için tahmin diln GK dğrlri dikkat alınarak SPI dğrlri hsaplanmıştır. Çizlg 3 d bütün YASS için SK 4, SK 5, SK 6, SK 0 v SK 5 no lu sondaj kuyularına ait SPI dğrlri karşılaştırmalı olarak vrilmiştir. Burada dikkat çkn bir diğr nokta is, Şkil 3 d göstriln giriş katmanındaki amax, rd, SPT-N düzltmsi v inc tan düzltm paramtrlrinin olmamasıdır. Bir başka ifadyl bu paramtrlr arazid v/vya laboratuarda blirlnmmiş olsalar da, YSA il tahmin diln sonuçların kabul dilbilir olduğu gözlnmiştir (Çizlg 3). Bu da YSA nın, GK nın tahmin dilmsind başarılı bir şkild uygulanabilcğini göstrmiştir. İnclm alanı v yakın çvrsinin arazi gözlmlri sonucu joloji haritası hazırlanmıştır (Şkil 5). Çalışma alanında Nojn v Kuvatrnr yaşlı birimlr ayırt dilmiştir. Alttan üst doğru nojn yaşlı gölsl kirçtaşı, silt-kum-çakıl (N) ardalanması, kiltaşı-marn-silt (N) birimlri v Dnizli-İzmir karayolu çvrsind yoğunlaşan Kuvatrnr yaşlı alüvyonlar yr alır. Ayrıca çalışma alanından ld diln jotknik vrilr Coğrafi Bilgi Sistmi (CBS) programlarından MapInfo kullanılarak sayısallaştırılmıştır. Bölgnin sıvılaşma potansiylini göstrir harita hazırlanmış v SPI dğrlrin gör ş sıvılaşma ğrilri oluşturulmuştur (Şkil 5). İnclm alanının kuzydoğu ksimlri sıvılaşma potansiyli açısından riskli bölglrdir.

8 G. ŞEN, E. AKYOL v M. FIRAT.0.8.6.4. H.0 0.8 s 0.6 a p 0.4 0. 0.0.4.0 H.6 s. a p 0.8 0.4 0.0 ç YASS=0.5m için GK SK4 SK5 SK6 SK0 SK5 0.0 0.4 0.8..6.0 YSA YASS=.5m için GK R =0,96 SK4 SK5 SK6 SK0 SK5 0.0 0.4 0.8..6.0.4 YSA.4.0.6. 0.8 0.4 SK4 SK5 SK6 SK0 SK5 0.0 0.0 0.4 0.8..6.0.4 YSA.4 YASS=.0m için GK.0.6. 0.8 0.4 0.0 SK4 SK5 SK6 SK0 SK5 0.0 0.4 0.8..6.0.4 YSA Şkil 4. GK için YSA sonuçları il hsaplanan sonuçların karşılaştırılması. Figur 4. Comparison of ANN and calculatd valus. H s a p H s a p YASS=.0m için GK R =0,957 R =0,95 R =0,94 SONUÇLAR Bu çalışmada, Dnizli ili Gümüşlr Bldiysi mücavir alanındaki zminlrin, sıvılaşma riskinin blirlnmsind kullanılan güvnlik katsayısı (GK) yapay sinir ağları (YSA) il tahmin dilmiştir. YSA nın ğitim v tst işlmlri için toplam 37 adt vri kullanılmıştır. Ağın ğitimindn sonra daha öncdn ğitimd kullanılmayan SK 4, SK 5, SK 6, SK 0 v SK 5 numaralı sondaj kuyularına ait dğrlr tst vrisi olarak sçilmiştir. Ağın ğitimi için dğişik ağ mimarilri v ğitim paramtrlri dnnmiş v n iyi sonucu vrn modl sçilmiştir. YSA nın hm ğitimi hm d sorgulanması sırasında, hsaplamalarda kullanılan bazı paramtrlr (özllikl bazı düzltm katsayıları) kullanılmamıştır. YSA v hsaplanan sıvılaşma potansiyl indks dğrlrinin sonuçlarının karşılaştırılması ilgili şkild vrilmiştir. Şkil inclndiğind YSA sonuçları il dny sonuçlarının uyum içrisind olduğu görülmktdir. Ayrıca, ağın prformansını dğrlndirmk için hata dğrlri hsaplanmıştır. Tst sonuçlarına bakıldığında maksimum rölatif hata % 4.47, ortalama rölatif hata % 6.55, SSE.095, MSE 0.0089 v RMSE 0.0943 olarak hsaplanmıştır. Bu sonuçlara bakılarak YSA nın, GK nın tahminind başarılı bir şkild uygulanabilcği görülmktdir. Tahmin diln GK dğrlrin gör SPI dğrlri hsaplanmış v 0.5,,.5 v m. yraltı suyu sviysi için sonuçlar ilgili çizlgd vrilmiştir. Bu çalışma il YSA kullanılarak daha az paramtr il SPI v GK nın kabul dilbilir sınırlar içrisind hsaplanabilcği göstrilmiştir.

Sıvılaşmaya Karşı Güvnlik Katsayısının Yapay Sinir Ağları İl Tahmin Edilmsi: Dnizli-Gümüşlr Örnği 83 KAYNAKLAR Şkil 5. İnclm alanının joloji v ş sıvılaşma ğrilrini göstrir harita. Figur 5. Gological and liqufaction risk map of study ara. Baziar, M. H. and Ghorbani, A., 005, Evaluation of Latral Sprading Using Artificial Nural Ntworks, Soil Dynamics and Earthquak Enginring 5, pp. 9. Bodri, L. and Crmak, V., 000, Prdiction of Extrm Prcipitation Using a Nural Ntwork: Application to Summr Flood in Moravia, Advancs in Enginring, 3, pp. 3 3. Casagrand, A. 975, Liqufaction and Cyclic Dformation of Sands: A Critical Rviw, Procdings of th 5th Pan-Amrican Confrnc on Soil Mchanics and Foundation Enginring, Vol. 5, Bunos Airs, Argntina, pp. 79-33. Dibik, Y. B. and Solomatin, D. P., 00, Rivr Flow Forcasting Using Artificial Nural Ntworks, Physics and Chmistry of th Earth, Part B: Hydrology, Ocans and Atmosphr, 6, No., pp. 7. Fırat, M., 00, Doğrusal v Kıvrımlı Akarsulara Yrlştiriln Köprü Ayakları Etrafında Mydana Gln Oyulma Drinliğinin Yapay Sinir Ağları il Blirlnmsi, Yüksk Lisans Tzi, Pamukkal Ünivrsitsi, 33 s. Fırat, M. and Güngör, M., 004, Askı Maddsi Konsantrasyonu v Miktarının Yapay Sinir Ağları il Blirlnmsi. İMO Tknik Drgi, Cilt 5 (3), 367 38.

84 G. ŞEN, E. AKYOL v M. FIRAT Hanna, A. M., Ural, D., and Saygili, G., 007, Nural Ntwork Modl for Liqufaction Potntial in Soil Dposits Using Turky and Taiwan Earthquak Data, Soil Dynamics and Earthquak Enginring 7, pp. 5 540. Hjlmflt, A. T. and Wang, M., 996, Prdicting Runoff Using Artificial Nural Ntworks, Surfac Watr Hydrology, pp. 33 44. Hsu, K., Gupta, H. V. and Sorooshian, S., 998, Stramflow Forcasting Using Artificial Nural Ntworks, ASCE Watr Rsourcs Enginring Confrnc 98, pp. 967 97. Ishihara, K. 985, Stabilitiy of Natural Dposits During Earthquaks, Procdings of th Elvnth Intrnational Confrnc on Soil Mchanics and Foundation Enginring, vol.,, San Francisco, pp. 3-376. Iwasaki, T., Tatsuoka, F., Tokida, K. I., and Yasuda, S., 978, A Practical Mthod for Assssing Soil Liqufaction Potntial Basd on Cas Studis at Various Sits in Japan, Procdings nd Intrnational Confrnc on Microzonation, San Francisco, pp. 885 896. Iwasaki, T., Tokida, K. I., Tatsuoka, F., Watanab, S., Yasuda, S. and Sato, H., 98, Microzonation for Soil Liqufaction Potntial Using Simplifid Mthods, Procdings Third Intrnational Earthquak Microzonation Confrnc, Sattl, pp. 39 330. Jang, J. S. R., Sun, C. T. and Mizutani, E., 997, Nuro-Fuzzy and Soft Computing, PrnticHall, ISBN 0-3-6066-3, p. 607. Luk, C. K., Ball, J. E. and Sharma A., 00, An Application of Artificial Nural Ntworks for Prcipitation Forcasting, Mathmatical and Computr Modlling, 33, p. 683 693. Mogami, T., and Kubu, K., 953, Th Bhavior of Soil During Vibration, Procdings 3rd Intrnational Confrnc on Soil Mchanics and Foundation Enginring, Zurich, Vol., pp. 5 55. Nasr, G., E., Badr, E., A. and Joun, C., 003, Back Propagation Nural Ntworks for Modlling Gasolin Consumption, Enrgy Convrsion and Managmnt, 44, pp. 893 905. Sd, H. B., 970, Soil Problms and Soil Bhaviour, Chaptr 0 of Earthquak Enginring, Robrt L. Wigl, coordinating d. Prntic Hall, Englwood Cliffs, NJ, pp. 7-5. Sönmz, H., 003, Modification of th Liqufaction Potntial Indx and Liqufaction Suscptibility Mapping for a Liqufaction-Pron Ara (Ingol, Turky), Environmntal Gology, 44, pp. 86 87. Sönmz, H. v Gökçoğlu, C., 005, A Liqufaction Svrity Indx Suggstd for Enginring Practic, Environmntal Gology, 48, pp. 8-9. Şn, G., 004, Gümüşlr Bldiysi Mücavir Alanının Sıvılaşma Analizi v Coğrafi Bilgi Sistmind Uygulaması, Yüksk Lisans Tzi, Pamukkal Ünivrsitsi, 99 s. Toprak, S. and Holzr, T. L., 003, Liqufaction Potntial Indx: Fild Assssmnt, ASCE Journal of Gotchnical and Gonvironmntal Enginring, 9, pp. 35 3. Wang, J., 999, Artificial Nural Ntwork and Fuzzy Nural Intgratd Systms for Gotchnical Modling, PhD Thsis, Graduat Faculty of North Carolina Stat Univrsity, p. 80. Wang, J. and Rahman, M. S., 999, A Nural Ntwork Modl for Liqufaction-inducd Horizontal Ground Displacmnt, Soil Dynamics and Earthquak Enginring, 8, pp. 555 568. Young-Su, K. and Byung-Tak, K., 006, Us of Artificial Nural Ntworks in th Prdiction of Liqufaction Rsistanc of Sands, Journal of Gotchnical and Gonvironmntal Enginring, ASCE, Vol. 3, No., pp. 50 504. Youd, T. L., Idriss, I. M., Andrus, R. D., Arango, I., Castro, G., Christian, J. T., Dobry, R., Liam Finn, W. D., Hardr Jr., L. F., Hyns, M. E., Ishihara, K., Kostr, J. P., Liao, S. S. C., Marcuson III, W. F., Martin, G. R., Mitchll, J. K., Moriwaki, Y., Powr, M. S., Robrtson, P. K., Sd, R. B. and Stoko II, K. H., 00, Liqufaction Rsistanc of Soils: Summary Rport from th 996 NCEER and 998 NCEER/NSF Workshops on Evaluation of Liqufaction Rsistanc of Soils, ASCE, Journal of Gotchnical and Gonvironmntal Enginring, 7, pp. 87 833. Zhang, B. and Govindaraju, R. S., 998, Using Modular Nural Ntworks to Prdict Watrshd Runoff, ASCE Watr Rsourcs Enginring Confrnc 98, pp. 897 90.