Akarsularda debinin yapay zekâ yöntemleri ile modellenmesi

Yıl 2013, Cilt: 29 Sayı: 2, 135 - 143, 01.04.2013

Ercan Gemici Mehmet Ardıçlıoğlu Fikret Kocabaş

Öz

Su kaynaklarının sürdürülebilir kullanımı ve taşkın zararlarından korunmak amacıyla nehir akımlarının düzenli olarak ölçülmesi zorunludur. Bu amaçla yerinde yapılan akım ölçümleri hem çok zaman almakta hem de pahalı olmaktadır. Bu nedenle, pratikte genelli kle anahtar eğrisi kullanılarak nehir akımları tahmin edilmektedir. Ancak her istasyon için bir anahtar eğrisi belirlenmesi ve istasyonların anahtar eğrilerinin zamanla değişebilmesinden dolayı debi tahminleri hatalı olabilmektedir. Yapay zekâ yöntemlerind en, yapay sinir ağları (YSA) ve bulanık mantık modelleri, anahtar eğrilerine iyi bir alternatif oluşturmaktadır. Bu çalışmada, Kızılırmak nehrinin yan kollarında seçilen 5 farklı istasyonda, 22 farklı akım şartlarında, akarsu enkesiti dilimlere bölünerek g eometrisi çıkarılmış ve hız - alan yöntemiyle debisi belirlenmiştir. Belirlenen taban eğimi, taban pürüzlülük katsayısı, enkesit dilim genişliği, dilimden geçen su seviyesi ve nehir enkesit genişliği değerleri giriş verisi olarak kullanılarak; çok katmanlı y apay sinir ağları (ÇKYSA), radyal tabanlı yapay sinir ağları (RTYSA) ve adaptif ağ tabanlı bulanık çıkarım sistem (ANFIS) modelleri ile her bir dilimden geçen debi tahmin edilmiştir. Ölçülen değerlerle modellerin tahminleri arasındaki hatalar belirlenmiş, model performansları kendi arasında karşılaştırılmış, ayrıca debinin belirlenmesinde giriş parametrelerinin etkinliği irdelenmiştir. Debinin belirlenmesinde YSA ve bulanık mantık modellerinin oldukça başarılı olduğu, model performanslarının birbirine yakın olduğu görülmüştür. En iyi performans ANFIS modelinden elde edilmiştir. Debi tahmininde seviye ölçümlerinin tek başına yeterli sonuç vermediği, diğer giriş verileriyle beraber ise en etkin giriş parametresi olduğu görülmüştür.

Anahtar Kelimeler

Akarsu, Modelleme, yapay sinir ağları, bulanık mantık, debi

Modeling of Discharge in Rivers by Artificial Neural Network

Öz

In order to provide the sustainable use of the water resources and prevent flood damages it is indispensable to measure regularly the river flow. Regular flow measurements take much time and cost. For that reason, in practice it is generally estimated appr oximately by the rating curves. But a rating curve must be obtained for each station and the prediction shows mistakes because rating curves change by time. Some of the methods of artificial intelligence, artificial neural networks and fuzzy logic models m ake up an alternative for the rating curves. In this study, 5 different stations, for 22 different stream flow conditions have been selected at side branch of the Kızılırmak River. Dividing the cross sections in slices, the geometry of the river is identif ied and discharge is determined with velocity - area method. Using the determined bottom slope, bottom roughness coefficient, water level flowing through slice and river cross section width value as input data; discharge from each slice was predicted, with m ultilayer perceptron (MLP), radial basis neural networks (RBNN) and adaptive - network based fuzzy inference systems (ANFIS) models. Errors between the measured values and model predictions were determined, the model performances were compared with each othe r, also the effectiveness of input parameters in determining the discharge was examined. ANN and fuzzy logic models showed to be fairly successful in the determination of discharge, and the performance of models observed were close to each other. The best performance was obtained from ANFIS model. The water level did not produce adequate results individually, but along with other input data is regarded as the most effective input parameter in the discharge prediction

Anahtar Kelimeler

River, Modeling, artificial neural network, fuzzy logic, discharge

Kaynakça

• Lin, G.F., Chen, L.H., A Non-Linear Rainfall-Runoff Model Using Radial Basis Function Network, Journal of Hydrology, 289 (1-4), 1-8, 2004.
• Cığızoğlu, H.K., Kişi, Ö., Flow Prediction By Three Back Propagation Techniques Using K-Fold Partitioning of Neural Network Training Data, Nordic Hydrology, 36 (1), 1-16, 2005.
• Kişi, Ö., Multi-Layer Perceptrons with LevenbergMarquardt Optimization Algorithm for Suspended Sediment Concentration Prediction and Estimation, Hydrological Sciences Journal, 49 (6), 1025-1040, 2004.
• Bhattacharya, B., Solomatine, D.P., Application of Artificial Neural Network in Stage-Discharge Relationships, 4th Int. Conference on Hydroinformatics, Iowa City, USA, 1-7, July 23-27, 2000.
• Sudheer, K.P., Jain, S.K., Radial Basis Function Neural Networks for Modeling Rating Curves. ASCE, Journal of Hydraulic Engineering, 8 (3), 161-164, 2003.
• Lohani, A.K., Goel, N.K., Bhatia, K.K.S., Takagi-Sugeno Fuzzy Inference System for Modeling Stage-Discharge Relationship, Journal of Hydrology, 331(1-2), 146-160, 2006.
• Ardıçlıoğlu, M., Açık Kanal Akımı Hız-Debi Ölçümleri, İMO Teknik dergi, Sayı 250, 3805-3808, 2006.
• Ardıçlıoğlu, M., Öztürk, Ö., Tabii Nehirlerde Hız Dağılımı ve Debinin Belirlenmesinde Entropi Yönteminin Kullanılması, Yedinci Uluslar Arası İnşaat Mühendisliğinde Gelişmeler Kongresi, YTÜ, İstanbul, 11-13 Ekim, 2006.
• Ardıçlıoğlu M., Özdin S., Gemici E., Kalın L., Determination of Flow Properties in Shallow Flow River, Dryland Hydrology, Global Changes and Local Solutioni Arizona Hydrological Society Symposium, Tucson AZ, USA, September 1-4, 2010.
• Ardıçlıoğlu, M., Gemici E., Özdin S., Doğal Akarsularda Debinin Belirlenmesi, Tarım Bilimleri Araştırma Dergisi, 4(2), 73-77, 2011.
• Öztemel, E., Yapay Sinir Ağları, Papatya Yayıncılık, İstanbul, s. 220, 2006.
• Kaastra, I., Boyd, M., Designing a Neural Network for Forecasting Financial and Economic Time Series, Neurocomputing, 10 (3), 215-236, 1996.
• Elmas, Ç., Yapay Zeka Uygulamaları. Seçkin Yayıncılık, Ankara, s. 421, 2007.
• Sağıroğlu, Ş., Beşdok, E., Erler, M., Mühendislikte Yapay Zeka Uygulamaları-I. Yapay Sinir Ağları, Ufuk Kitabevi, Kayseri, s. 422, 2003.
• Seyman, M. N., Taşpınar, N., Çok Katmanlı Yapay Sinir Ağları Kullanılarak OFDM Sistemlerinde Kanal Dengeleme, 5.Uluslararası İleri Teknolojiler Sempozyumu (IATS’09), Karabük, 630-633, 13-15 Mayıs, 2009.
• Dur, E., Temeltaş, H., Kurnaz, S., Optik Akışın Hesaplanması ve Yapay Sinir Ağları ile Yorumlanarak Mobil Robotlar İçin Engel Tespiti ve Kaçınma Davranışında Kullanılması, Havacılık ve Uzay Teknolojileri Dergisi, 4 (1), 77-87, 2009.
• Kaynar, O., Zontul, M., Demirkoporan, F., Som Destekli RBF Yapay Sinir Ağları ile Ankara İlinin Doğalgaz Tüketim Tahmini, http://fbe.trakya.edu.tr/tujs, Trakya University Journal of Science, 11 (1), 41-49, 2010.
• Hamzaçebi, C., Kutay, F., Yapay Sinir Ağları ile Türkiye Elektrik Enerjisi Tüketiminin 2010 Yılına Kadar Tahmini, Gazi Üniv. Müh. Mim. Fak. Dergisi, 19 (3), 227-233, 2004.
• Fırat, M., Sinirsel Bulanık Mantık Yaklaşımı ile Havza Modellemesi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, Denizli, s. 184, 2007.
• Jang, J. S. R., ANFIS Adaptive-Network-Based-Fuzzy Inference Systems, IEEE Transactions on Systems, Man, and Cybernetics, 23 (3), 665-685, 1993.
• Demirel, Ö., Kakilli, A., Tektaş, M., ANFIS ve ARMA Modelleri ile Elektrik Enerjisi Yük Tahmini, Gazi Üniv. Müh. Mim. Fak. Der., 25 (3), 601-610, 2010.
• Hocaoğlu, F. O., Kurban, M., Adaptif Ağ Tabanlı Bulanık Mantık Çıkarım Sistemi ile Eskişehir Bölgesi İçin Güneşlenme Süreleri Tahmini, http://www.emo.org.tr/ekler/aea265a9054b3b8_ek.pdf) , 2005.
• Cigizoglu H.K., Estimation Forecasting and Extrapolation of River Flows by Artificial Neural Networks, Hydrological Sciences Journal, 48 (3): 349-361, 2003.
• Kisi O., Daily Pan Evaporation Modelling Using Multi-layer Perceptrons and Radial Basis Neural Networks, Hydrological Processes 23: 213-223, 2008.
• Kisi O., Cobaner M., Modelling River Stage-Discharge Relationships Using Different Neural Network Computing Techniques, CLEAN-Soil Air Water, 37(2): 160-169, 2009.
• Akoz M.S., Cobaner M., Kirkgoz M.S., Oner A.A., Prediction of Geometrical Properties of Perfect Breaking Waves on Composite Breakwaters, Applied Ocean Research, 33 (3): 178-185, 2011