TY  - JOUR
T1  - YAPAY SİNİR AĞLARI İLE DİBİS BARAJI’NIN SEVİYE TAHMİNİ
TT  - PREDICTION OF WATER LEVEL IN DIBIS DAM USING ARTIFICIAL NEURAL NETWORK
AU  - Abu Salam, Zaki Kareem Ahmed
AU  - Keskin, Mustafa Erol
PY  - 2018
DA  - December
Y2  - 2018
JF  - Mühendislik Bilimleri ve Tasarım Dergisi
JO  - MBTD
PB  - Süleyman Demirel Üniversitesi
WT  - DergiPark
SN  - 1308-6693
SP  - 564
EP  - 569
VL  - 6
IS  - 4
LA  - tr
AB  - Suya olan talebin giderek artması su kaynaklarının optimum birşekilde kullanılmasını gerekli hale getirmiştir. Bu çalışmada Irak Kerkük’ünkuzeybatısında bulunan Dibis barajının su seviyesi tahmin edilmeyeçalışılmıştır. Çalışmada Dibis barajına giren akım değerleri, barajdan çıkanakım değerleri, yağış değerleri ve başlangıç su seviyesi modellerin tahminindeçeşitli kombinasyonlar şeklinde kullanılmıştır. Bu çalışmada dört farklı modelkullanılmıştır. Modeller yağışlı/yağışsız, başlangıç su seviyeli/başlangıç suseviyesiz olarak oluşturulmuştur. Çalışmada başlangıç su seviyesinin en önemliparametre olduğu sonucuna ulaşılmıştır. Diğer parametrelerden yağışında önemliolduğu ancak doğruluk payını yaklaşık olarak % 1 değiştirdiği tespitedilmiştir. Başlangıç su seviyesine ek olarak bir önceki günün su seviyesininmodellere konulmasının da sadece % 2’lik bir katkısının olduğu çalışmada eldeedilmiş bir başka sonuçtur.
KW  - Yapay Sinir Ağları
KW  - Dibis Barajı
KW  - Seviye tahmin
N2  - Gradual increasing in water demanding has made the useof water resources in the optimum manner as a necessity. In this study, it isattempted to prediction the water level of dibis dam located at the north-westof kirkuk in iraq. Inflow, outflow values of dibis dam, rainfall values and thewater level at the beginning were used in the models' prediction in differentcombinations. Four different models have been used in this study. The modelswere made with/without rainfall and with/without initial water level. It wasfound that the initial water level is the most important parameter and alsoclarified the significance of the rainfall as one of the other parameters whichis changing the accuracy only by 1%. Another finding shows that the inclusionof the water level of the previous day in the models contributed only by 2%, inaddition to the initial water level.
CR  - Abu Salam, Z. 2017. Yapay Sinir Ağları ile Dibis Barajı'nın Seviye Tahmini. Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 50s, Isparta.
CR  - Alshihri, M. M., Azmy, A. M., El-Bisy, M. S. 2009. Neural Networks for Predicting Compressive Strength of Structural Light Weight Concrete. Construction and Building Materials, 23(2009), 2214–2219.
CR  - Altunkaynak, A. 2007. Forecasting Surface Water Level Fluctuations of Lake Van by Artificial Neural Network. Water Resour Manage, 21(2007), 399-408.
CR  - Chandwani, V., Agrawal, V., Nagar, R. 2015. Modeling Slump of Ready Mix Concrete Using Genetic Algorithms Assisted Training of Artificial Neural Networks. Expert Systems with Applications, 42(2015), 885–893.
CR  - Chen, C., Yu, W., Liang, C., Chun, W. 2016, Developing a Conjunctive Use Optimization Model for Allocating Surface and Subsurface Water in an Off-Stream Artificial Lake System. WATER, 8(2016), 1-14.
CR  - Doğan, E., Kocamaz, U., Utkucu, M., Yıldırım, E., 2016. Modelling Daily water level fluctuations of Lake Van (Eastern Turkey) using Artificial Neural Networks. Fundam. Appl. Limnol., 187(3), 177–189.
CR  - Elmas, Ç. 2003. Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama). Seçkin Yayınevi, Ankara, 192s.
CR  - Faraj, B. 2016. Dibis Barajı'nın yönetimi yıllık rapor. Kerkük.
CR  - Lohani, A., Krishan, G. 2015. Application of Artificial Neural Network for Groundwater Level Simulation in Amritsar and Gurdaspur Districts of Punjab, India. Earth Science and Climatic Change, 6(2015), 1-5.
CR  - Mpallas, L., Tzimopoulos, C., Evangelides, C. 2011, Comparison between Neural Networks and Adaptive Neuro-fuzzy Inference System in Modeling Lake Kerkini Water Level Fluctuation Lake Management using Artificial Intelligence. Journal of Environmental Science and Technology, 4(2011), 366-376.
CR  - Rajasekaran, S., Pai, G. 2003. Neural networks, fuzzy logic and genetic algorithms. synthesis and applications. Prentice-Hall of India Private Limited, New Delh, 456s.
CR  - Saplıoğlu, K., Çimen, M. 2010. Yapay Sinir Ağlarını Kullanarak Günlük Yağış Miktarının Tahmini. Journal of Engineering Science and Design, 1 (2011), 14-21.
CR  - Shafaei, M., Kisi, O., 2016. Lake Level Forecasting Using Wavelet – Svr, Wavelet – Anfis and Wavelet – Arma Conjunction Models. Water Resour Manage, 30, 79-97.
CR  - Tanty, R., Desmukh, T., 2015. Application of Artificial Neural Network in Hydrology- A Review. International Journal of Engineering Research and Technology, 4(06), 184-188.
CR  - Vaheddoost, B., Aksoy, H., Abghari, H., 2016. Prediction of Water Level using Monthly Lagged Data in Lake Urmia, Iran. Water Resources Management, 30(13), 4951–4967.
UR  - https://dergipark.org.tr/tr/pub/jesd/issue//423611
L1  - https://dergipark.org.tr/tr/download/article-file/587916
ER  -