The detection of physical damage in buildings is a critical task in ensuring the safety and integrity of structures. In this study, the effectiveness of deep learning methods for detecting physical damage in buildings, specifically focusing on cracks, defects, moisture, and undamaged classes was investigated. Transfer learning methods, including VGG16, GoogLeNet, and ResNet50, were used to classify a dataset of 7200 images. The dataset was split into training, validation, and testing sets, and the performance of the models was evaluated by using metrics such as accuracy, precision, recall, and F1-score. Results show that all three models achieved high accuracy on the test set, with VGG16 and ResNet50 outperforming GoogLeNet. Additionally, precision, recall, and F1-score metrics indicate strong performance across all classes, with VGG16 and ResNet50 achieving particularly high scores. It is demonstrated the effectiveness of deep learning methods for physical damage detection in buildings and provides insights into the comparative performance of transfer learning methods.

Binalarda kullanılan enerji miktarı hem ülkemiz hem de küresel ölçekte toplam enerji tüketiminde önemli bir paya sahiptir. Bu durum tükenebilir enerji kaynaklarının kullanımı, bu kullanım sonucu oluşan çevresel kirlilik ve ekonomik faktörler de dikkate alındığında konfor koşullarının sağlanması noktasında enerji etkin bir mimari tasarımı zorunlu kılmaktadır. Enerji etkin yapı tasarımı çevresel iklim, yön, hakim rüzgar vb parametrelerden yararlanıp aktif/ pasif yöntemler kullanarak ısıtma-soğutma-havalandırma ve doğal aydınlatma konularında yapı performansını arttırarak enerji korunumu sağlamayı hedeflemektedir. Geleneksel binalar bugünkü gibi kapsamlı ısıtma, soğutma, aydınlatma vb sistem desteğine ihtiyaç duymadan pasif tasarım yöntemleriyle istenilen konfor seviyelerini sağlamaktadırlar. Bu çalışma mimari açıdan konfor koşullarının sağlanması için geleneksel bir yapı örneği üzerinden yeni bina tasarımlarına referans olabilecek deneyimleri ortaya koymayı hedeflemektedir. Bu amaçla Design Builder yazılımı ile daha önce konfor koşulları incelenmemiş Harput Şefik Gül Evi’nin simülasyon yolu yıllık ısıtma, soğutma ve aydınlatma yükleri belirlenmiştir. Binanın farklı yönlenme durumları için hesaplanan enerji gereksinimleri tartışılarak, farklı mahallerin yıl içerisinde konfor aralığında kalma süreleri tespit edilmiştir.

The recent seismic activity in southeastern Turkey in February 2023 again emphasized the critical need to promptly evaluate structural damage to assist in emergency response operations. This study introduces a comprehensive ensemble deep learning approach to structural damage classification following earthquake events, based on a dataset containing 13,270 high-resolution images with 15 different damage classes. Six different state-of-the-art convolutional neural network models (VGG16, ResNet50, InceptionV3, DenseNet121, EfficientNetB0, and MobileNetV2) are combined using a weighted voting approach to handle extreme class imbalance using weighted categorical cross-entropy loss. An integrated explainability component is incorporated into the trained convolutional neural network models to highlight the image regions that contribute to the predicted damage class, thereby improving the interpretability of deep learning decisions in safety-critical post-disaster assessment scenarios. The performance evaluation results show that the ensemble model achieves a test accuracy of 93.77%, with an increase of 2.67% compared to the best performing model individually. Notably, the ensemble model improves performance in minority classes like collapsed buildings. The proposed framework can be used to provide a powerful approach to structural damage evaluation, balancing accuracy with interpretability, to assist structural engineers in post-earthquake evaluation procedures.

This study presents two complementary contributions to the automated analysis of surface deterioration in historical buildings. First, we introduce a new large-scale dataset comprising 23,688 images across six deterioration categories, collected from diverse heritage materials and surface conditions. The dataset is designed to support reproducible benchmarking and will be publicly released. Second, we develop a structured, six-stage ablation and knowledge distillation framework that evaluates the incremental effect of widely used deep learning components—including ArcFace, class-balanced focal loss, MixUp/CutMix, Sharpness-Aware Minimization (SAM), Test-Time Augmentation (TTA), and standard distillation. Starting from an EfficientNet-B0 baseline and distilling into a ConvNeXtV2-Tiny student network, the framework achieves a Macro-F1 score of 0.9966 while reducing computational cost. The results demonstrate that meaningful accuracy gains can be achieved through carefully designed training strategies rather than architectural novelty. The framework also provides practical guidance for lightweight deployment in heritage monitoring applications.

Günümüzde dünya nüfusunun hızla artması ve teknolojik gelişmelere bağlı olarak enerji gereksinimi artmış ve doğal kaynaklar bu tüketimi karşılayamayacak seviyelere yaklaşmıştır. Bu sebeple enerjinin verimli kullanılması ve korunması her sektör için olduğu gibi mimarlık ve inşaat sektörünün de en önemli konusu haline gelmiştir. Dünya üzerinde kullanılan enerjinin %30-40’ının binalarda tüketildiği bilinmektedir. Kullanılan bu enerjinin büyük bir kısmının fosil kaynaklardan elde edilmesine bağlı olarak atmosfere salınan kirletici gazların ve son zamanlarda kentlerin yüz yüze kaldığı kentsel ısı adası etkisinin artış gösterdiği görülmektedir. Bu sorunların minimuma indirilmesi için bina ölçeğinde enerjinin etkin kullanılması amacıyla gerçekleştirilen bazı sürdürülebilir önlemler ve uygulamalar mevcuttur. Çatılar, yapıları dış ortam koşullarından koruyan en önemli yapı bileşenleri olmalarının yanı sıra binalardaki enerji kayıp ve kazançları üzerinde etkisi oldukça fazladır. Bu sebeple binalarda enerjinin etkin kullanılabilmesi için çatıların iklim koşulları göz önüne alınarak tasarlanması ve uygulanması son derece önemlidir. Bu çalışmada farklı iklim bölgelerinde farklı çatı tiplerinin ısıtma ve soğutma yükleri bakımından gösterdiği performansları incelenmiştir. Bu amaçla örnek bir binanın; TS 825 Standardına göre farklı iklim bölgelerinde bulunan 5 ilde (Hatay, Bursa, Elazığ, Sivas, Kars) farklı çatı tipleri (kırma, teras ve yeşil çatı) ile kurgulanan senaryolara ait ısıtma ve soğutma enerjisi yükleri DesignBuilder programında benzetim yolu ile belirlenmiştir. Sonuçlar tablolar ve grafikler ile karşılaştırılmalı olarak verilmiştir.