Porsuk çayı akım verilerinin değerlendirilmesi

Yıl 2020, , 329 - 340, 27.03.2020

Ali Yıldıran Suheyla Yerel Kandemir

https://doi.org/10.24012/dumf.448627

Cited By: 2

Öz

Dünyamızda canlılığın temel ihtiyaçlarından bir tanesi sudur. Hayatımızda bu kadar önemli bir yer tutan su dünyamızda sınırsız değildir. Bu nedenden dolayı dünyamızdaki su kaynaklarının bilinmesi, kontrol altında tutulması ve doğru bir şekilde değerlendirilmesi büyük önem taşımaktadır. Su kaynaklarının büyük bir kısmı nehirlerden elde edilmektedir ve nehir akım değerlerinin bilinmesi günümüzde büyük önem taşımaktadır. Nehir akım değerleri birçok parametreye bağlıdır. Belirli sebeplerden dolayı bu parametrelerin ölçülememesi ya da eksikliği durumunda bizlere su miktarı ile ilgili bilgi verebilen ve sadece matematiksel olarak bir davranış modeli belirleyen kara kutu modelleri bulunmaktadır. Yapay sinir ağları günümüzde en çok tercih edilen kara kutu modelinden biridir. Bu çalışmada yapay sinir ağlarının, ileri beslemeli geri yayılım metodu ve çoklu doğrusal regresyon analizi ile gen ifade programlama tekniği kullanılarak 4 farklı senaryo belirlenmiş ve bu senaryoların hangilerinin doğruya en yakın tahminlerde bulunduğu incelenmiştir. Çalışma sonunda yapay sinir ağları modellerinin gerçek değerlere daha yakın sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

Yapay sinir ağları, regresyon analizi, akım, Porsuk çayı, gen ifade programlama

Kaynakça

• Alp, M., Cığızoğlu, H. K., (2004). Farklı Yapay Sinir Ağı Metotları İle Yağış-Akış İlişkisinin Modellenmesi, İTE İnşaat Fakültesi, İnşaat Mühendisliği Bölümü Dergisi, 3:1, 80-88.
• Alpar, R., (2003). Uygulamalı Çok Değişkenli İstatistiksel Yöntemlere Giriş 1, Detay Yayıncılık, Ankara, Türkiye.
• Aytek, A., Kisi, O., 2008. A genetic programming approach to suspended sediment modelling, Journal of Hydrology, 351:3, 288-298.
• Cığızoğlu, H. K., (2003). Incorporation of ARMA models into flow forecasting by artificial neural networks, Environmetrics, 14:4, 417-427.
• Cobaner, M., Seckin, G., Kisi, O., (2008). Initial assessment of bridge backwater using an artificial neural network approach, Canadian Journal of Civil Engineering, 35, 500-510.
• Demir, M., Ceritbinmez, F., Kanca, E., (2014). Plastik Parça Üretiminde Çapaklanma Miktarının Genetik Algoritma Yöntemiyle Tahmin Edilmesi, Uluslararası Mühendislik ve Fen Bilimlerinde Yenilikçi Teknolojiler Sempozyumu, Karabük.
• Demirpençe, H., (2005). Köprüçay Akımlarının Yapay Sinir Ağları ile Tahmini, Antalya Yöresinin İnşaat Mühendisleri Sorunları Kongresi, Antalya.
• Fay, D., Ringwood, J. V., (2007). A wavelet transfer model for time-series forecasting, International Journal Bifurcation and Chaos, 17:10, 3691-3696.
• Gümüş, V., Kavşut M. E., Yenigün K., (2010). Yağış-Akış İlişkisinin Modellenmesinde YSA Kullanımının Değerlendirilmesi: Orta Fırat Havzası Uygulaması, Bilimde Modern Yöntemler Sempozyumu, Diyarbakır.
• Gümüş, V., Soydan, N. G., Şimşek, O., Aköz, M. S., Kırkgöz, M., S., (2013). Yağış Akış İlişkisinin Belirlenmesinde Farklı Yapay Sinir Ağı Yöntemlerinin Karşılaştırılması, Çukurova Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 28:1, 37-49.
• Gümüş, V., Kavşut M. E., (2013). Zamanti Nehri Ergenuşağı İstasyonu Eksik Aylık Akım Verilerinin Tahmini, Gazi Üniversitesi Fen Bilimleri Dergisi, 1:2, 81-91.
• Keskin, M. E., Taylan, E. D., (2007). Orta Akdeniz Havzasındaki Akımların Stokastik Modellemesi, İMO Teknik Dergi, 282, 4271-4291.
• Kızılaslan, M., Anıl, F.S., Doğan, E., Sönmez, O., (2014). Aşağı Sakarya Nehri Akımlarının Yapay Sinir Ağları ile Tahmin Edilmesi, Sakarya Üniversitesi Fen Bilimleri Dergisi, 18:2, 99-103.
• Kişi, Ö., (2004). Yapay Sinir Ağları ve Regresyon Teknikleri ile Filyos Çayı Akımlarının Tahmini, IV. Hidroloji Kongresi, İstanbul, Türkiye.
• Kisi, O., Shiri, J., Tombul, M. (2013). Modeling rainfallrunoff process using soft computing techniques, Computers & Geosciences, 51, 108-117.
• Kohonen, T., (1988). An introduction to neural computing, Neural Networks, 1, 3-6.
• Küçük, M., Ağrıalioğlu, N., (2005). Dalgacık dönüşüm tekniği kullanılarak hidrolojik akım serilerinin modellenmesi, İstanbul Teknik Üniversitesi Dergisi, 5:2, 69-80.
• Koza, J. R., (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection, A Bradford Book The MIT Press Cambridge, Massachusetts London, England.
• Kök, M., Kanca, E., Doğan, M. A., Çavdar, F., (2014). AL2 O3 Takviyeli AA6061 MMK’lerde Genetik Algoritma Yöntemiyle Yüzey Pürüzlülüğünün Tahmin Edilmesi, Mühendis ve Makina, 55:651, 57-64.
• Lopes HS, Weinert WR., (2004). A gene expression programming system for time series modeling. In: Proceedings of XXV Iberian Latin American Congress on Computational Methods in Engineering (CILAMCE), Recife (Brazil), 10- 12/November, 1-13, 2004.
• Makkeasorn A., Chang N. B., Zhou X., (2008). Short-term streamflow forecasting with global climate change implications – A comparative study between genetic programming and neural network models, Journaş of Hydrology, 352, 336-354.
• Okkan, U., Mollamahmutoğlu, A., (2010). Yiğitler Çayı Günlük Akımlarının Yapay Sinir Ağları ve Regresyon Analizi İle Modellenmesi, Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23, 33-48.
• Öztemel, E., (2003). Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, Türkiye.
• Saplığolu, K., Çimen M., (2010). Yapay Sinir Ağlarını Kullanarak Günlük Yağış Tahmini, Mühendislik Bilimleri Tasarım Dergisi, 1:1, 14-21.
• Sarıdemir, M., (2017). Metakaolin ve silis dumanı içeren betonların basınç dayanımının gen ifadeli programlama ile tahmin edilmesi Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 23:3, 238-244.
• Savic D. A., Walters, G. A., Davidson J. W., (1999), A Genetic programming gapproach to rainfall-runoff modelling, Water Resour Manag, 13, 219-231.
• Shiri, J., Kisi, Ö., (2011). Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations, Computers & Geosciences, 37:10, 1692-1701.
• Şen, Z., (2004). Yapay Sinir Ağları İlkeleri, Su Vakfı Yayınları, İstanbul, Türkiye.
• Terzi, Ö., Köse, M., (2012). Yapay Sinir Ağları Yöntemi İle Göksu Nehri’nin Akım Tahmini, SDU Uluslararası Teknolojik Bilimler Dergisi, 4:3, 1-7.
• Terzi, Ö., Barak M., (2015). Dalgacık-Sinir Ağı ile Yağış-Akış Tahmini: Kızılırmak Nehri Örneği, Tarım Bilimleri Dergisi, 21, 546-557.
• Turhan, E., Çağatay, H.Ö., (2015). Yapay Sinir Ağları (YSA) Yöntemi ile Göksun Nehri Poskoflu Akım Gözlem İstasyonu (AGİ) Eksik Akım Verilerinin Tahmin Edilmesi, VIII. Ulusal Hidroloji Kongresi, Şanlıurfa.
• Turhan, E., Çağatay, H.Ö., (2016). Eksik Akım Verilerinin Tahmin Modelinin Oluşturulmasında Yapay Sinir Ağlarının Kullanımı: Asi Nehri Demirköprü Akım Gözlem İstasyon Örneği, Çukurova Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 31, 93-106.
• Ünver, Ö., (1999). Uygulamalı İstatistik Yöntemler, Siyasal Kitabevi, Ankara, Türkiye.
• Yurdusev, M. A., Acı, M., Turan, M. E., İçağa, Y., (2008). Akarçay Nehri Aylık Akımlarının Yapay Sinir Ağları ile Tahmini, C.B.Ü. Fen Bilimleri Dergisi, 4:1, 73-88.
• Devlet Su İşleri Genel Müdürlüğü Web Sitesi. http://www.dsi.gov.tr/toprak-ve-su-kaynaklari, (05.04.2018).