Optimization of Time Delay Dimension by Ant Lion Algorithm Using Artificial Neural Networks for Estimation of Yeşilırmak River Flow Data

Yıl 2020, Cilt: 20 Sayı: 2, 310 - 318, 20.05.2020

Fatih Ahmet Şenel Tülay Suğra Küçükerdem Öztürk Kemal Saplıoğlu

https://doi.org/10.35414/akufemubid.669602

Cited By: 2

Öz

Today, the increase in demand for water has made it very important to preserve and design the existing water resources. Data collection, analysis and forecasting of future data are required for optimum project planning. Many methods have been developed to predict future data. In this study, it is aimed to estimate the flow rates of 3 stations on Yeşilırmak River by artificial neural networks. The success of the problem directly affects how many periods of data should be used retrospectively when performing time series analysis with artificial neural networks. The number of data retrospectively (time delay) can be considered as an optimization problem. At this stage, time lag size optimization was performed by using Ant lion algorithm. In addition to time delay, the number of hidden layers used in artificial neural networks has been optimized by adding to the model. When the results obtained are examined; It was concluded that the use of heuristic optimization techniques together with ANN increased the success of the model.

Anahtar Kelimeler

Ant Lion, Optimization, Artificial Neural Networks, Yesilirmak, Time Delay Dimension

Yeşilırmak Nehri Akış Verisi Tahmininin Yapay Sinir Ağları Kullanılarak Karınca Aslanı Algoritması ile Zaman Gecikmesi Boyutunun Optimizasyonu

Öz

Günümüzde suya olan talebin artması, mevcut su kaynaklarının korunması ve projelendirilmesi konusunu çok önemli hale getirmiştir. Projelendirme aşamasının en uygun şekilde yapılabilmesi için veri toplama, analiz etme ve gelecek verilerin tahmini gereklidir. Gelecek verilerin tahmin edilebilmesi için pek çok yöntem geliştirilmiştir. Bu çalışmada Yeşilırmak Nehri üzerinde bulunan 3 adet istasyonun gelecek dönemdeki akış miktarlarının yapay sinir ağları ile tahmin edilmesi amaçlanmıştır. Yapay sinir ağları (YSA) ile zaman serisi analizi yapılırken geriye dönük olarak kaç dönemlik verinin kullanılması gerektiği problemin başarısını doğrudan etkilemektedir. Geriye dönük olarak bakılan veri sayısı (zaman gecikmesi) bir optimizasyon problemi olarak ele alınabilmektedir. Bu aşamada Karınca Aslanı Algoritması (KAA) kullanılarak, zaman gecikmesi boyutunun optimize edilmesi gerçekleştirilmiştir. Zaman gecikmesine ek olarak yapay sinir ağlarında kullanılan gizli katman sayısı da modele eklenerek optimize edilmiştir. Elde edilen sonuçlara bakıldığında; YSA ile birlikte sezgisel optimizasyon tekniklerinin kullanılmasının modelin başarısını artırdığı sonucuna varılmıştır.

Anahtar Kelimeler

Karınca aslanı, Optimizasyon, Yapay sinir ağları, Yeşilırmak, Zaman gecikmesi boyutu

Kaynakça

• Arslan, O., 2018. Prediction of evaporation values of Konya closed basin via developed empirical formula. International Scientific and Vocational Journal, 2, 29-38.
• Çevik, O., Yürekli, K., 2003. Mevsimsel ARIMA modeli kullanılarak Yeşilırmak Nehri aylık akım serisinin modellenmesi. Tarım Bilimleri Dergisi, 9, 261-268.
• Çıtakoğlu, H., Çetin, M., Çobaner, M, and Haktanır,T., 2017. Mevsimsel yağışların jeoistatistiksel yöntemle modellenmesi ve gözlemi olmayan noktalarda tahmin edilmesi. Teknik Dergi, 7725-7745.
• EİE, Akım Gözlem Yıllıkları.
• Guclu, Y.S., Sen, Z., 2016. Hydrograph estimation with fuzzy chain model. Journal of Hydrology, 538, 587-597.
• Karabörk, M.Ç., Kahya, E., 1999. Sakarya havzasındaki aylık akımların çok değişkenli stokastik modellemesi. Journal of Engineering and Environmental Science, 23, 133-147.
• Kaynar, O., Taştan, S., Demirkoparan, F., 2011. Yapay sinir ağları ile doğalgaz tüketim tahmini. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 25, 463-474.
• Keskin, M.E., Taylan, E.D., 2007. Orta Akdeniz havzasındaki aylık akımların çok değişkenli stokastik modellemesi. Ege Üniversitesi Ziraat Fakültesi Dergisi, 42, 89-97.
• Küçük, M., Ağıralioğlu, N., 2006. Dalgacık dönüşüm tekniği kullanılarak hidrolojik akım serilerinin modellenmesi. İtü Dergisi, 5, 69-80.
• Küçükerdem, T.S., Kilit, M., Saplıoğlu, K., 2018. Kestel barajı hacminin adaptif ağ tabanlı bulanık çıkarım sistemi ile tahmini. International Symposium on Urban Water and Wastewater Management.
• Makas, Y., Karaatlı, M., 2016. Yapay sinir ağlarıyla hidroelektrik enerji üretiminin çok dönemli tahmini. Uluslararası Teknolojik Bilimler Dergisi, 4, 1-7.
• Mirjalili, S., 2015. The ant lion optimizer. Advances in Engineering Software, 83, 80-98.
• Nacar, S., Kankal, M., Hınıs, M.A., 2018. Çok değişkenli uyarlanabilir regresyon eğrileri (ÇDURE) ile günlük akarsu akımlarının tahmini- Haldizen Deresi örneği. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 8, 38-47.
• Raman, H., Sunilkumar, N., 1995. Multivariate modelling of water resources time series using artificial neural networks. Hydrological Sciences Journal, 40, 145-163. Salas, J.D., Delleur, J.W., Yevjevich, V., Lane, W.L., 1980. Applied modeling of hydrologic time series. Water Resources Publications.
• Taşar, B., Üneş, F., Demirci, M., Kaya, Y.Z., 2018. Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. DÜMF Mühendislik Dergisi, 9, 543-551.
• Terzi, Ö., Köse, M., 2012. Yapay sinir ağları yöntemi ile Göksu Nehri’nin akım tahmini. Uluslararası Teknolojik Bilimler Dergisi, 4, 1-7.
• Tian, T., Liu, C., Guo, Q., Yuan, Y., Li, W., Yan, Q., 2018. An improved ant lion optimization algorithm and its application in hydraulic turbine governing system parameter identification. Energies, 11.
• Topçuoğlu, K., Pamuk, G., Özgürel, M., 2005. Gediz Havzası yağışlarının stokastik modellemesi. Ege Üniversitesi Ziraat Fakültesi Dergisi, 42, 89-97.