TÜRKİYE’NİN KÜÇÜK ÖLÇEKLİ ŞEHİRLERİ İÇİN YIĞMA KONUT POTANSİYELİNİN DEĞERLENDİRİLMESİ
Bibliographic record
Abstract
Bugün Türkiye’deki kentsel nüfusun büyük kısmı yüksek katlı betonarme apartman bloklarında yaşamaktadır. Bunun nedeni, 20. yüzyılda çelik ve betonun yığma yapı malzemelerinin yerini almasıdır. Yığma yapım sisteminin birçok avantajına rağmen bugüne kadar, yığma yapı malzemeleri Türkiye’deki deprem bölgeleri için uygun malzeme olarak düşünülmemiştir. Böylece, 1950’lerde Türkiye’nin her bölgesinde konut blokları için yapı malzemesi olarak betonarme kullanılmaya başlanmıştır. Bu değişimin başında büyük şehirler gelmekle birlikte bir kaç yıl sonra küçük ölçekli şehirler de bu değişimin takipçisi olmuşlardır. Ancak, bu betonarme konutların yapımından önce kendi yerel özelliklerini taşıyan bu şehirler betonarme konut bloklarının yapımıyla birbirinin benzeri şehirler haline gelmişlerdir. Bu sebeple bu çalışmada ilk olarak bazı küçük ölçekli şehirlerdeki (Bolu, Düzce, Çankırı, Çorum, Kastamonu, Kırıkkale) konut tipolojisi incelenmiş ve bu şehirler için yüksek katlı betonarme konutların yerine 4 katlı yığma konut yapıları önerilmiştir. Buradaki amaç bu bölgelerde yığma yapıları yeniden hayata geçirmektir. Bunu başarabilmek için, 4 katlı bir yığma yapının 4 katlı bir betonarme yapıyla mimari özelliklerinde hiçbir değişiklik yapmadan aynı performansı gösterebileceğini ispatlamak gerekmektedir. Dolayısıyla bu çalışmada ilk basamak olarak iki yapım sisteminin maliyet ve sektör karşılaştırması yapılarak yığma yapım sisteminin avantajları ortaya konmuştur.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.029 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".