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

Yıl 2016, Cilt: 40 Sayı: 2, 177 - 188, 15.12.2016

Orhan Arkoç , Tahir Çetin Akıncı Hıdır Selçuk Noğay

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

Cited By: 3

Öz

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.

Anahtar Kelimeler

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

Kaynakça

• 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.