Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği

Orhan Arkoç; Tahir Çetin Akıncı; Hıdır Selçuk Noğay

doi:10.24232/jeoloji-muhendisligi-dergisi.295443

Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği

Abstract

Yeraltı suyu dünyanın birçok yerinde içme ve tarımsal sulama amaçlı kullanılmaktadır. Tarımsal faaliyetler zamanla yeraltı sularını kirleterek kalitesinin bozulmasına neden olabilmektedir. Kalitesi bozulmuş bu sular insan sağlığını ve bitkilerin gelişimini olumsuz yönde etkilemektedir. Özellikle kirlenmeye açık serbest akiferlerde yeraltı suyu kalitesinin ucuz yöntemler ile izlenmesi önem kazanmaktadır. Bu çalışmada Ergene Havzası doğu kesiminde yer alan serbest akiferdeki sodyum absorbsiyon oranı (SAR) değerinin tahmini için bir yapay sinir ağı modeli önerilmektedir. Ergene Havzası doğu kesiminde serbest akiferde açılmış olan 18 su kuyusundan bir yıllık süre ile aylık olarak alınan örneklerden elde edilen elektriksel iletkenlik, toplam çözünmüş katı miktarı, sıcaklık, toplam sertlik, klorür miktarı ve pH değerleri model için girdi olarak kullanılmıştır. Modellenen yapay sinir ağında, Levenberg–Marquardt (trainlm) geri yayılım algoritması olarak seçilmiş ve 35 nöron sayısı kullanılmıştır. Modelin sonuçları ile hedefler arasında yüksek tutarlılık gözlenmiştir (R=0,885). Önerilen bu model ile yeraltı sularının daha ucuz ve kolay bir şekilde izlenmesi mümkün olabilecektir.

Keywords

Ergene Havzası,Sodyum Absorbsiyon Oranı,Yapay Sinir Ağları,Yeraltı Suyu Kalitesi

References

Adamowski, J., Fung Chan, H., Prasher, S. O., Ozga‐Zielinski, B., Sliusarieva, A., 2012. Comparison of multiple linear and nonlinear regression, autoregressive integrated moving average, artificial neural network, and wavelet artificial neural network methods for urban water demand forecasting in Montreal, Canada. Water Resources Research, 48 (1),1-14.
Arkoç, O., 2005. Ergene Havzası Çorlu-Çerkezköy arasındaki kesiminin hidrojeolojisi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Doktora Tezi, 144 s (yayımlanmamış).
Arkoç, O., 2011. Assessment of water quality of east part of the Ergene basin, Turkey. Journal of Environmental Protection and Ecology, 12 (4), 1644-1655.
Arkoç, O., Erdoğan, M., 2011. Ergene Havzası, Çorlu-Çerkezköy arasındaki kesiminin hidrojeokimyası. İTÜ Dergisi/d, 5 (2), 125-134.
Arkoç, O., 2014. Municipal solid waste landfill site selection using geographical information systems: a case study from Çorlu, Turkey. Arabian Journal of Geosciences, 7 (11), 4975-4985.
Asadollahfardi, G., Hemati, A., Moradinejad, S., Asadollahfardi, R., 2013. Sodium adsorption ratio (SAR) prediction of the Chalghazi river using artificial neural network (ANN) Iran. Current World Environment, 8 (2), 169-178.
Bauder, T. A., Waskom, R. M., Davis, J. G., Sutherland, P. L., 2011. Colorado State University Extension, Report for Irrigation water quality criteria, no.0.506, 4s. Fort Collins, CO, USA.
Bedient, P. B., Rifai, H. S., Newell, C. J., 1994. Ground water contamination: transport and remediation. Prentice Hall, Englewood Cliffs, 540 p.

Cığızoğlu, H. K., 2004. Estimation and forecasting of daily suspended sediment data by multi layer perceptrons, Advances in Water Resources, 27, 185-195.
El-Din, A. G., Smith, D. W., 2002. A neural network model to predict the wastewater inflow incorporating rainfall events. Water Research, 36 (5),1115–1126.
Gontarski, C. A., Rodrigues, P. R., Mori, M., & Prenem, L. F., 2000. Simulation of an industrial wastewater treatment plant using artificial neural networks. Computers & Chemical Engineering, 24 (2), 1719-1723.
Güneş, E. H., Güneş, Y., Talınıe, I., 2008. Toxicity evaluation of industrial and land base sources in a river basin. Desalination, 226 (1), 348-356.
Kaastra, I., Boyd, M., 1996. Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10, 215-236.
Kalaycı, S., 2010. SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri. Asil Yayınları, Ankara, 426s. .
Karayiannis, N., Venetsanopoulos, A. N., 2013. Artificial Neural Networks: Learning Algorithms, Performance Evaluation, and Applications. Springer Science & Business Media, No: 209, 373 p.
Kaykıoğlu, G., Ekmekyapar, F., 2005. Ergene Havzası’nda endüstriyel işlem suyu olarak kullanılan yeraltı sularının özellikleri üzerine bir araştırma. Trakya University Journal of Natural Sciences, 6 (1), 85-91.
Lippmann, R. P., 1987. An introduction to computing with neural nets. ASSP Magazine, IEEE, 4 (2), 4-22.
Maier, H. R., Dandy, G. C., 1996. The use of artificial neural networks for the prediction of water quality parameters. Water Resources Research, 32 (4), 1013–1022.
Mjalli, F. S., Al-Asheh, S., Alfadala, H. E., 2007. Use of artificial neural network black-box modeling for the prediction of wastewater treatment plants performance. Journal of Environmental Management, 83 (3), 329–338.
Nogay, H. S., Akinci, T. C., Eidukeviciute, M., 2012. Application of artificial neural networks for short term wind speed forecasting in Mardin, Turkey. Journal of Energy in Southern Africa, 23 (4), 3.
Özkan, E., Kubaş, A., 2008. Ergene havzasında kirliliğin sosyo ekonomik etkileri. Havza kirliliği konferansı, İzmir, 1, 15-21.
Peng, T. M., Hubele, N. F., Karady, G. G., 1992. Advancement in the application of neural networks for STLF. IEEE Transactions on Power Systems, 7 (1), 250-257.
Şengörür, B., Köklü, R., Ateş, A., 2015. Water quality assessment using artificial intelligence techniques: SOM and ANN—A case study of Melen River Turkey. Water Quality, Exposure and Health, 7 (4), 469-490.
Stern, H. S., 1996. Neural networks in applied statistics. Technometrics, 38 (3), 205-214.
Suarez, D. L., Wood, J. D., Lesch, S. M., 2006. Effect of SAR on water infiltration under a sequential rain–irrigation management system. Agricultural Water Management, 86 (1), 150-164.
Toth, E., Brath, A., Montanari, A., 2000. Comparison of short-term rainfall prediction models for real-time flood forecasting. Journal of Hydrology, 239 (1–4), 132–147.
WHO, 2006. A compendium of drinking-water quality standards in the eastern Mediterranean region. World Health Organization, Geneva, Document No. WHO-EM/CEH/143/E.
Yeşilnacar, M. I., Şahinkaya, E., 2012. Artificial neural network prediction of sulfate and SAR in an unconfined aquifer in southeastern Turkey. Environmental Earth Sciences, 67 (4), 1111-1119.
Yeşilnacar, M. I., Şahinkaya, E., Naz, M., Özkaya, B., 2008. Neural network prediction of nitrate in groundwater of Harran Plain, Turkey. Environmental Geology, 56 (1), 19-25.

Details

Primary Language

Turkish

Subjects

Geological Sciences and Engineering (Other)

Journal Section

Research Article

Authors

Orhan Arkoç

Tahir Çetin Akıncı This is me

Hıdır Selçuk Noğay

Publication Date

December 15, 2016

Submission Date

February 29, 2016

Acceptance Date

April 28, 2016

Published in Issue

Year 2016 Volume: 40 Number: 2

DOI

https://doi.org/10.24232/jeoloji-muhendisligi-dergisi.295443

IZ

https://izlik.org/JA87TA27XP

Cite

RIS / Bibtex

APA

Arkoç, O., Akıncı, T. Ç., & Noğay, H. S. (2016). Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği. Jeoloji Mühendisliği Dergisi, 40(2), 177-188. https://doi.org/10.24232/jeoloji-muhendisligi-dergisi.295443

AMA

1.Arkoç O, Akıncı TÇ, Noğay HS. Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği. Jeoloji Mühendisliği Dergisi. 2016;40(2):177-188. doi:10.24232/jeoloji-muhendisligi-dergisi.295443

Chicago

Arkoç, Orhan, Tahir Çetin Akıncı, and Hıdır Selçuk Noğay. 2016. “Yapay Sinir Ağları Yardımı Ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği”. Jeoloji Mühendisliği Dergisi 40 (2): 177-88. https://doi.org/10.24232/jeoloji-muhendisligi-dergisi.295443.

EndNote

Arkoç O, Akıncı TÇ, Noğay HS (December 1, 2016) Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği. Jeoloji Mühendisliği Dergisi 40 2 177–188.

IEEE

[1]O. Arkoç, T. Ç. Akıncı, and H. S. Noğay, “Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği”, Jeoloji Mühendisliği Dergisi, vol. 40, no. 2, pp. 177–188, Dec. 2016, doi: 10.24232/jeoloji-muhendisligi-dergisi.295443.

ISNAD

Arkoç, Orhan - Akıncı, Tahir Çetin - Noğay, Hıdır Selçuk. “Yapay Sinir Ağları Yardımı Ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği”. Jeoloji Mühendisliği Dergisi 40/2 (December 1, 2016): 177-188. https://doi.org/10.24232/jeoloji-muhendisligi-dergisi.295443.

JAMA

1.Arkoç O, Akıncı TÇ, Noğay HS. Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği. Jeoloji Mühendisliği Dergisi. 2016;40:177–188.

MLA

Arkoç, Orhan, et al. “Yapay Sinir Ağları Yardımı Ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği”. Jeoloji Mühendisliği Dergisi, vol. 40, no. 2, Dec. 2016, pp. 177-88, doi:10.24232/jeoloji-muhendisligi-dergisi.295443.

Vancouver

1.Orhan Arkoç, Tahir Çetin Akıncı, Hıdır Selçuk Noğay. Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği. Jeoloji Mühendisliği Dergisi. 2016 Dec. 1;40(2):177-88. doi:10.24232/jeoloji-muhendisligi-dergisi.295443

Cited By

Finansal Haberlerin Bitcoin Fiyatlarına Etkisinin Yapay Sinir Ağları İle Analizi

Bilişim Teknolojileri Dergisi

https://doi.org/10.17671/gazibtd.703688

Assessment and modeling of benzene micropollutant in surface waters proximal to coal-fired thermal power plants

International Journal of Coal Preparation and Utilization

https://doi.org/10.1080/19392699.2024.2333828

Hydrogeochemical Evaluation and Multivariate Statistical Analysis of Groundwater for Sustainable Groundwater Quality Management in the Industrial Corridor of Ranipet District, Tamil Nadu, India

Water, Air, & Soil Pollution

https://doi.org/10.1007/s11270-024-07443-4