Bulanık çıkarım sistemlerinde kullanılan küme sayılarının K-ortalamalar ile belirlenmesi ve baraj hacmi modellenmesi: Kestel barajı örneği

Abstract

Giderek azalan su kaynaklarının etkili biçimde kullanılması ve gelecek için su kaynaklarının doğru planlanması önemlidir. Su kaynaklarının planlanması çalışmalarında akım modellemeleri ve akım tahminleri yapmak çalışmaların temelini oluşturmaktadır. Bu çalışmada Sandıklı Kestel barajına ait 1986-2008 yılı verileri ile ANFIS modeli kullanılarak aylık hacimlerin tahmini yapılmaya çalışılmıştır. Sistemde girdi olarak önceki aylara ait hacimler, hazneye giren ve çıkan hacimler ve buharlaşma miktarı kullanılmıştır. ANFIS yönteminde girdiler için kullanılan küme sayıları ise K-ortalamalar yöntemi ile elde edilmiştir. K-ortalamalar yönteminden elde edilen küme sayıları ile oluşturulan farklı kümeler ANFIS’te modellenmiş ve sonuçlar karşılaştırılmıştır. Her bir girdi değeri için en uygun küme sayıları belirlenmiş ve bu doğrultuda modelleme yapılmıştır. Sonuç olarak uygun küme sayılarına göre yapılan modellerin rastgele oluşturulan modellere göre daha düşük hata yüzdesine sahip sonuçlar verdiği belirlenmiştir.

Keywords

• K-ortalamalar,ANFIS,Hidrolojik modelleme

Determination of the number of clusters used in fuzzy inference systems by means of K-means and modeling of dam volume: Kestel dam example

Abstract

Correct planning of water resources is important for the efficient use of rapidly decreasing water resources in the future. Flow modeling and flow estimations in the planning of water resource are the basis of studies. In this study, it is aimed to estimate monthly volumes by using ANFIS model based on the data of 1986-2008 for Sandıklı Kestel dam. In the system, the volume of the previous months, the volume of the incoming and outgoing volumes and the amount of evaporation were used as input variables. In ANFIS method, the number of clusters used for the inputs was obtained by the method of K-means. Different clusters formed by K-averages were modeled in ANFIS and the results were compared. The optimal number of clusters for each input value is determined. Models have been established in this way. As a result, it has been found that the models made according to the optimal number of clusters yield results with lower error percentage compared to randomly generated models.

Keywords

• K-means,ANFIS,Hydrological modeling

References

1. Sattari MT, Salmasi F, Öztürk F. “Sulama amaçlı hazne kapasitesinin belirlenmesinde çeşitli yöntemlerin karşılaştırılması”. Ankara Üniversitesi Ziraat Fakültesi Tarım Bilimleri Dergisi, 14(1), 1-7, 2008.
2. Simonovic SP. “Reservoir system analysis: Closing gap between theory and practice”. Journal of Water Resources Planning and Management, 118(3), 262-280, 1992.
3. Srinivasan K, Neelakantan TR, Narayan PS, Nagarajukumar C. “Mixed-integer programming model for reservoir performance optimization’’. Journal of Water Resources Planning and Management, 125(5), 298-301, 1999.
4. Treiber B, Schultz GA. “Comparison of required reservoir storages computed by the Thomas-Fiering model and the Karlsruhe Model Type A and B’’. Hydrological Sciences Journal, 21(1), 177-185, 1976.
5. Okkan U, Dalkılıç HY. “Radyal tabanlı yapay sinir ağları ile Kemer Barajı aylık akımlarının modellenmesi’’. İMO Teknik Dergi, 5957-5966, 2012.
6. Uysal G, Şorman AÜ. “Monthly streamflow estimation using wavelet-artificial neural network model: A case study on Çamlıdere Dam Basin, Turkey’’. Procedia Computer Science, 120, 237-244, 2017.
7. Kızılaslan MA, Sağın F, Doğan E, Sönmez O. “Aşağı Sakarya Nehri akımlarının yapay sinir ağları ile tahmin edilmesi’’. Sakarya Üniversitesi Fen Bilimleri Dergisi, 18(2), 99-103, 2014.
8. Okkan U, Mollamahmutoğlu A. “Yiğitler Çayı günlük akımlarının yapay sinir ağları ve regresyon analizi ile modellenmesi’’. Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23, 33-48, 2010.

9. Terzi Ö, Özcanoğlu O. “Gen ifade programlama ile Göksu Nehri’nin akım tahmini’’. Mühendislik Bilimleri ve Tasarım Dergisi, 5(3), 483-487, 2017.
10. Anusree K, Varghese K. “Streamflow prediction of Karuvannur River basin using ANFIS, ANN and MNLR models’’. Procedia Technology, 24, 101-108, 2016.
11. Altunkaynak A, Başakın EE. “Zaman serileri kullanılarak nehir akım tahmini ve farklı yöntemlerle karşılaştırılması’’. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 11(1), 92-101, 2018.
12. Fırat M, Yurdusev MA, Mermer M. “Uyarlamalı sinirsel bulanık mantık yaklaşımı ile aylık su tüketiminin tahmini’’. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 23(2), 449-457, 2008.
13. Yurdusev MA, Fırat M. “Adaptive neuro fuzzy inference system approach for municipal water consumption modeling: An application to Izmir, Turkey’’. Journal of Hydrology, 365, 225-234, 2009.
14. Ay M, Kisi O. “Modelling of chemical oxygen demand by using ANNs, ANFIS and K-ortalamalar clustering techniques’’. Journal of Hydrology, 511, 279-289, 2014.
15. Kim CM, Parnichkun M. “Prediction of settled water turbidity and optimal coagulant dosage in drinking water treatment plant using a hybrid model of K-ortalamalar clustering and adaptive neuro-fuzzy inference system’’. Applied Water Science, 7, 3885-3902, 2017.
16. Jang JSR. “ANFIS: Adaptive-network-based fuzzy inference system’’. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665-685, 1993.
17. MacQueen J. “Some methods for classification and analysis of multivariate observations’’. Proceedings of the Berkeley Symposium on Mathematical Statistics and Probability, 1, 281-297, 1967.
18. Goyal MK, Gupta V. “Identification of homogenous rainfall regimes in northeast region on India using fuzzy cluster analysis’’. Water Resources Management, 28(13), 4491-4511, 2014.
19. Dikbas F, Firat M, Koc AC, Gungor M. “Defining homogeneous regions for streamflow processes in Turkey Using a K-Means Clustering Method’’. Arab J Sci Eng, 38, 1313-1319, 2013.
20. Xu R, Wunsch D. “Survey of clustering algorithms’’. IEEE Transactions on Neural Networks, 16(3), 645-678, 2005.
21. Sarıman G. “Veri madenciliğinde kümeleme teknikleri üzerine bir çalışma: K-ortalamalar ve k-Medoids kümeleme algoritmalarının karşılaştırılması’’. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 15(3), 192-202, 2011.
22. Dalton L, Balalrin V, Brun M. “Clustering algorithms:on learning, validation, performance, and applications to genomics’’. Current Genomics, 10(6), 430-445, 2009.
23. Tan PN, Steinbach M, Kumar V. Introduction to Data Mining. Pearson,2016.