Etkili Girdi Parametrelerinin Çoklu Regresyon ile Belirlendiği Su Sertliğinin ANFIS Yöntemi ile Tahmin Edilmesi

Year 2022, , 1413 - 1424, 28.12.2022

Ramazan Acar , Kemal Saplıoğlu

https://doi.org/10.35414/akufemubid.1147492

Cited By: 2

Abstract

Su sertliği; özellikle içme suları, endüstri suları ve hizmet suyu alanlarında kullanım hususunda önemli bir kalite özelliğidir. Kalsiyum (Ca), magnezyum (Mg) ve bikarbonat (HCO3) tuzları ile suyun geçici sertliği; klor (CL), fosfat (PO43), nitrat (NO3), sülfat (SO4) ve silikat tuzlarıyla da suyun kalıcı sertliği oluşmaktadır. Çalışmada, Fırat Havzası üzerinde bulunan 2119 nolu Kemahboğazı akım gözlem istasyonu (AGİ) için Anfis modelleri ile su sertliğinin tahmin edilmesi amaçlanmıştır. Bu amaçla Na, K, CO3, HCO3, CL, SO4, EC, sıcaklık (T), pH ve su miktarı (SM) verileri girdi olarak kullanılmıştır. Ancak modeller oluşturulurken parametre sayısının fazla olması kurulacak Anfis modellerinin sayısını arttırmakta ve bu modeller içerisinden en iyi modeli seçmeyi de zorlaştırmaktadır. Bu zorluğun üstesinden gelebilmek için Anfis modellerinde kullanılacak etkili parametrelerin belirlenebilmesi için çoklu regresyon modeli kurulmuştur. Oluşturulan çoklu regresyon modeline her parametre sırası ile eklenerek Düzeltilmiş R² değerlerindeki değişmeler gözlemlenerek Anfis modelinde kullanılacak etkili parametreler belirlenmiştir. Çoklu regresyon sonucu girdi parametrelerinin CL, EC, HCO3 ve SO4 olarak seçilmesine karar verilmiştir. Çalışmanın ikinci kısmında bu parametrelerin farklı kombinasyon ve alt küme sayıları ile Anfis modellemeleri oluşturulmuştur. Tüm sonuçlar eğitim ve test verileri için R², ağırlıklı karesel hata ve Wilcoxon testi değerleri belirlenmiş ve su sertliğinin belirlenmesinde kullanılabilecek modeller gösterilmiştir.

Keywords

Su sertliği, Anfis, Çoklu Regresyon, Su kalitesi, Düzeltilmiş R², Wilcoxon

Estimation of Water Hardness by ANFIS Method in which Effective Input are Determined by Multiple Regression

Abstract

Water hardness; It is an important quality feature especially for use in drinking water, industrial water and service water areas. Temporary hardness of water occurs with calcium (Ca), magnesium (Mg) and bicarbonate (HCO3) salts; Permanent hardness of water occurs with chlorine (CL), phosphate (PO43), nitrate (NO3), sulfate (SO4) and silicate salts. In this study, it is aimed to predict water hardness with Anfis models for Kemahboğazı flow observation station (AGI) no 2119 on the Euphrates Basin. For this purpose, Na, K, CO3, HCO3, CL, SO4, EC, temperature (T), pH and water content (SM) data were used as inputs. However, when the models are created, the high number of parameters increases the number of Anfis models to be installed and makes it difficult to choose the best model among these models. In order to overcome this difficulty, a multiple regression model was established to determine the effective parameters to be used in the Anfis models. The effective parameters to be used in the Anfis model were determined by observing the changes in the adjusted R² values by adding each parameter to the created multiple regression model in order. As a result of multiple regression, it was decided to choose the input parameters as CL, EC, HCO3 and SO4. In the second part of the study, Anfis models were created with different combinations and subset numbers of these parameters. R², weighted square error and Wilcoxon test values were determined for all results, training and test data, and models that can be used to determine water hardness are shown.

Keywords

Wilcoxon, Water hardness, ANFIS, Multiple Regression, Water quality, Adjusted R²

References

• Ahmed, A. and Shah, S., 2017. Application of adaptive neuro-fuzzy inference system (ANFIS) to estimate the biochemical oxygen demand (BOD) of Surma River. Journal of King Saud University-Engineering Sciences, 29(3), 237-243.
• Aksakal, A. ve Gündoğay, A., 2022. Determınatıon Of Column Curvature Ductılıty By Multıple Regressıon Analysıs. Ist-International Congress on Modern Sciences Tashkent, Uzbekistan, 395-403.
• Alver, A. ve Baştürk, E., 2019. Karasu Nehri Su Kalitesinin Farklı Su Kalitesi İndeksleri Açısından Değerlendirilmesi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23(2), 488-497.
• Areerachakul, S. 2012. Comparison of ANFIS and ANN for estimation of biochemical oxygen demand parameter in surface water. International Journal of Chemical and Biological Engineering, 6, 286-290.
• Aşıkkutlu, B., Akköz, C. ve Öztürk, B., 2014. Çavuşçu Gölü’nün (Konya/Ilgin) bazi su kalite özellikleri. Selçuk Üniversitesi Fen Fakültesi Fen Dergisi, 39, 1-9.
• Ayşe, Ü. N. A. L., Aydın, M. ve Saplıoğlu, M., 2018. TÜRK SÜRÜCÜLERİN FACEBOOK SOSYAL PAYLAŞIM SİTESİNİ TRAFİK BİLGİLENDİRME AMACIYLA KULLANIMI ÜZERİNE BİR ARAŞTIRMA. Mühendislik Bilimleri ve Tasarım Dergisi, 6(2), 354-364.
• Azad, A., Karami, H., Farzin, S., Saeedian, A., Kashi, H. and Sayyahi, F., 2018. Prediction of water quality parameters using ANFIS optimized by intelligence algorithms (case study: Gorganrood River). KSCE Journal of Civil Engineering, 22(7), 2206-2213.
• Gaya, M., Abba, S., Aliyu, M., Tukur, A., Saleh, M., Esmaili, P. and Wahab, N., 2020. Estimation of water quality index using artificial intelligence approaches and multi-linear regression. IAES International Journal of Artificial Intelligence, 9(1), 126. Gu, Q., Hu, H., Ma, L., Sheng, L., Yang, S., Zhang, X. and Chen, L., 2019. Characterizing the spatial variations of the relationship between land use and surface water quality using self-organizing map approach. Ecological Indicators, 102, 633-643. Güler, E. ve Kandemir, S., 2022. Lineer ve Kübik Regresyon Analizleri Kullanılarak OECD Ülkelerinin CO2 Emisyonlarının Tahminlemesi. Avrupa Bilim ve Teknoloji Dergisi, (34), 175-180.
• Hmoud Al-Adhaileh, M. and Waselallah Alsaade, F., 2021. Modelling and prediction of water quality by using artificial intelligence. Sustainability, 13(8), 4259.
• Icaga, Y., 2007. Fuzzy evaluation of water quality classification. Ecological Indicators, 7(3), 710-718.
• Jang, J., 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3), 665-685.
• Javadi, S., Hashemy, S., Mohammadi, K., Howard, K., and Neshat, A., 2017. Classification of aquifer vulnerability using K-means cluster analysis. Journal of hydrology, 549, 27-37.
• Juntunen, P., Liukkonen, M., Lehtola, M. and Hiltunen, Y., 2013. Cluster analysis by self-organizing maps: An application to the modelling of water quality in a treatment process. Applied Soft Computing, 13(7), 3191-3196.
• Karagöz, Y., 2019. SPSS-AMOS-META uygulamalı istatistiksel analizler. Ankara: Nobel Yayıncılık.
• Katipoğlu, O. ve Acar, R., 2021. Estimation of missing temperature data by Artificial Neural Network (ANN). Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(2), 431-438.
• Küçükerdem, T., Kilit, M. ve Saplioglu, K., 2019. Determination of the number of clusters used in fuzzy inference systems by means of K-means and modeling of dam volume: Kestel dam example. Pamukkale University Journal of Engineering Sciences, 25(8), 962-967.
• Laxmi, S. and Vijaya, M., 2018. A Weighted Mean Square Error Technique to Train Deep Belief Networks for Imbalanced Data. International Journal of Simulation--Systems, Science & Technology, 19(6).
• Lee, H. and Kang, K., 2015. Interpolation of missing precipitation data using kernel estimations for hydrologic modeling. Advances in Meteorology, 2015.
• MacQueen, J., 1967. Classification and analysis of multivariate observations. In 5th Berkeley Symp. Math. Statist. Probability, 281-297.
• Musavi-Jahromi, S. and Golabi, M., 2008. Application of artificial neural networks in the river water quality modeling: Karoon river, Iran. Journal of Applied Sciences, 8(12), 2324-2328.
• Ramazan, A. ve Saplıoğlu, K., 2020. Akarsulardaki Sediment Taşınımının Yapay Sinir Ağları Ve Anfıs Yöntemleri Kullanılarak Tespiti. Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 9(1), 437-450.
• Saplıoğlu, K., Doğan, Y. ve Acar, R., 2019. Akarsulardaki Sediment Taşınımının Çoklu Doğrusal Regresyon Yöntemi Kullanılarak Modellenmesi. Munzur Zirvesi 1. Uluslararası Uygulamalı Bilimleri Kongresi, (s. 150-160). Tunceli.
• Saplıoğlu, K. ve Güçlü, Y., 2022. Combination of Wilcoxon Test and Scatter Diagram for Trend Analysis of Hydrological Data. Journal of Hydrology,, 128132.
• Saplıoğlu, K. ve Ramazan, A., 2020. K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 306-322.
• Serteser, A., Kargıoğlu, M., Içağa, Y. and Konuk, M., 2008. Vegetation as an indicator of soil properties and water quality in the Akarçay Stream (Turkey). Environmental management, 42(5), 764-770.
• Shanmuganathan, S., Sallis, P. and Buckeridge, J., 2006. Self-organising map methods in integrated modelling of environmental and economic systems. Environmental Modelling & Software, 21(9), 1247-1256.
• Sing, K., Basant, A., Malik, A. and Jain, G., 2009. Artificial neural network modeling of the river water quality—a case study. Ecological Modelling, 220(6), 888-895.
• Soyaslan, İ. ve Hepdeniz, K., 2020. Coğrafi Bilgi Sistemleri (CBS) Kullanılarak Bucak Havzası Yeraltısuyu Sertlik Haritasının Hazırlanması. Avrupa Bilim ve Teknoloji Dergisi, 18, 99-108.
• Sungur, A., Yazıcı, M. ve Keskin, S., 2022. Prediction of the Shear Strength of Glass Fiber-Reinforced Clay Soil by Adaptive Neuro-Fuzzy Inference System (ANFIS). El-Cezeri Journal of Science and Engineering DOI: 10.31202/ecjse.1133184.
• Şener, Ş., Şener, E. ve Davraz, A., 2017. Evaluation of water quality using water quality index (WQI) method and GIS in Aksu River (SW-Turkey). Science of the Total Environment, 584, 131-144.
• Şişman, E. ve Kizilöz, B., 2020. Artificial neural network system analysis and Kriging methodology for estimation of non-revenue water ratio. Water Supply, 20(5), 1871-1883.
• Tepe, Y., Ateş, A., Mutlu, E. ve Töre, Y., 2006. Hasan Çayı (Erzin-Hatay) Su Kalitesi Özellikleri ve Aylık Değişimleri. Su Ürünleri Dergisi, 23(1), 149-154.
• Tezel, G. ve Buyukyildiz, M., 2016. Monthly evaporation forecasting using artificial neural networks and support vector machines. Theoretical and applied climatology, 124(1), 69-80.
• Topal, M. ve Topal, E., 2016. Murat Nehri (Elazığ)’nin Bazı Fizikokimyasal Parametreler Açısından Su Kalitesinin Belirlenmesi. International Symposium of Water and Wastewater Management.
• Wilcoxon, F., 1992. Individual comparisons by ranking methods. In Breakthroughs in statistics Springer, New York, NY. 196-202.
• Wu, Z., Wang, X., Chen, Y., Cai, Y. and Deng, J., 2018. Assessing river water quality using water quality index in Lake Taihu Basin, China. Science of the Total Environment, 612, 914-922.
• Yan, H., Zou, Z. and Wang, H., 2010. Adaptive neuro fuzzy inference system for classification of water quality status. Journal of Environmental Sciences, 22(12), 1891-1896.
• Yıldız, S. ve Karakuş, C., 2018. Sivas 4 Eylül Barajı su kalitesi-seviye ilişkisinin coğrafi bilgi sistemi (CBS) ile haritalanması. Academıc Platform-Journal Of Engıneerıng And Scıence, 6(1), 64-75.
• Zeydan, Ö., Özdoğan, N., Taştepe, Ş. ve Demirtaş, D., 2019. Kozlu Deresinde (Zonguldak) Su Kalitesinin İncelenmesi. Doğal Afetler ve Çevre Dergisi, 5(2), 1-11.
• Zhou, C., Gao, L., Gao, H. and Peng, C., 2006. Pattern classification and prediction of water quality by neural network with particle swarm optimization. In 2006 6th World congress on intelligent control and automation, IEEE, 2864-2868.
• https://www.google.com/maps/place/Bo%C4%9Fazi%C3%A7i,+Merkez,+24402+Bo%C4%9Fazi%C3%A7i%2FKemah%2FErzincan/@39.5756426,38.5824648,109774m/data=!3m1!1e3!4m5!3m4!1s0x407a7958487d3a7f:0x73a1fbd011c528ee!8m2!3d39.579071!4d38.902425 , (23.07.2022).