Comparison of Different Artificial Neural Network Methods in Determining Reservoir Capacity

Öz

Making estimation of river flow with hydrological and methodological data of the past period and using in water resources project studies have been used for a long time in many studies in our country and in the world. In addition to this, along with frequent drought problems in recent years, it is also important to store and use the water in the reservoirs correctly. This study aims to research how two separate Artificial-Neural-Network-Functions, which are generated based on the study of neural networks in the human brain, can be used in areas with a certain reservoir capacity such as dams or ponds and to provide an example of the most appropriate ANN model for predicting the level changes that will occur depending on the next years. In this context, two separate functions have been evaluated. These are the Levenberg-Marquardt-(LM) training function and Gradient-Descent-with-Momentum(GDM) training functions. Here, instead of the best results obtained from the models, the best three model outputs were evaluated and the models were considered from a wide frame. Gökçe dam basin in Marmara region was selected as the Model Study Area. For the period of December 31, 2019 - January 1, 2000, the monthly average data prepared with daily data from DSI and different architectural ANN training models were used to forecast the monthly basin capacities for 2019. It can be stated that LM Training models created in terms of Basin reservoir level estimates give results closer to the measured value.

Anahtar Kelimeler

• Artificial Neural Network
• Basin Capacity
• Estimation Model
• Gökçe Dam Basin

Kaynakça

1. Erkek, C., Ağıralioğlı, N., Su Kaynakları Mühendisliği, 7. Baskı, Beta Basım A.Ş., İkitelli Çevre Sanayi Sitesi 8. Blok No.38-40-42-44, Başakşehir, İstanbul, 2013.
2. Bayazıt, M., Hidroloji, Birsen Yayınevi, Davutpaşa Cad. Davutpaşa Emintaş Sitesi 103/430, Topkapı, İstanbul, 2013.
3. Albayrak, G. A., İklim Değişikliğinin Su Kaynakları Yönetimine Etkisi, Ankara Örneği, Uzmanlık Tezi, İller Bankası Anonim Şirketi, 2017.
4. Altunkaynak, A., Forecasting Surface Water Level Fluctuations Of Lake Van By Artificial Neural Network. Water Resour Manage (21), 399-408., 2007.
5. Çalım, M.M., Yapay Sinir Ağları Yöntemi ile Baraj Hazne Kotu Tahmini., Yüksek Lisans Tezi, Mustafa Kemal Üniversitesi, Fen Bilimleri Enstitüsü, Hatay, 2008.
6. Yarar, A., Onüçyıldız, M., Yapay Sinir Ağlari ile Beyşehir Gölü Su Seviyesi Değişimlerinin Belirlenmesi., Selçuk Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 24(2), 21-30, 2009.
7. Abu Salam, Z.,K.,A.,Yapay Sinir Ağları İle Dibis Barajının Seviye Tahmini, Yüksek Lisans Tezi, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Ana Bilim Dalı, Isparta, S., 1-45, 2018.
8. Özen, A., Ediş, S., Göl, C., İznik Gölü Minimum Su Seviyelerinin Zaman Serisi Yöntemleri İle Modellenmesi, Journal of Biodiversity and Environmental Sciences, 8(24), 125-132, 2014.

9. Doğan, E., Kocamaz, U., Utkucu, M., Yıldırım, E., Modelling Daily water level fluctuations of Lake Van (Eastern Turkey) using Artificial Neural Networks. Fundam. Appl. Limnol., 187(3), 177–189, 2016.
10. Alp, M., CIGIZOĞLU, H.,K., Farklı Yapay Sinir Ağı Metotları ile Yağış-Akış İlişkisinin Modellenmesi, İTÜ İnşaat Fakültesi, İnşaat Mühendisliği Bölümü, İTÜ Dergisi/d Mühendislik, Cilt 3, Sayı:1, S:80-88, , İstanbul, Şubat 2004.
11. Altunkaynak, A., Başakın, E., E., Zaman Serilerini Kullanarak Nehir Akım Tahmini ve Farklı Yöntemlerle Karşılaştırılması, İTÜ, Hidrolik ve Su Kaynakları Mühendisliği, Erzincan Üniversitesi, Fen Bilimleri Enstitüsü Dergisi, Cilt 1, 2018.
12. Gümüş, V., Soydan, N., G., Şimşek, O., Aköz, M.,S.,Kırkgöz, M.,S., Yağış-Akış İlişkisinin Belirlenmesinde Farklı Yapay Sinir Ağı Yöntemlerinin Karşılaştırılması, Çukurova Üniversitesi, Mühendislik Mimarlık Fakültesi Dergisi, 28(1) S.37-49, Haziran 2013.
13. Sönmez,O., Demir, F., Doğan, D., Impact of Climate Change on Yalova Gokce Dam Water Level, Published in 5th International Symposium on Innovative Technologies in Engineering and Science, ISITES2017 Baku – Azerbaijan, 29-30 September, 2017.
14. Doğan, E., Gümrükcüoğlu, M., Sandalci, M., & Opan, M. Modelling of evaporation from the reservoir of Yuvacik dam using adaptive neuro-fuzzy inference systems. Engineering Applications of Artificial Intelligence, 23(6), 961-967., 2010.
15. Soycan,Y.T. Yapay Sinir Ağları Yaklaşımı ile Kompaksiyon Parametrelerinin Tahmini, Niğde Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Ana Bilim Dalı, S 23., 2008.
16. Keskenler, M. F.1 ve Keskenler, E. F.2, Geçmişten günümüze yapay sinir ağları ve tarihçesi,1Atatürk Üniversitesi, Erzurum, 2Recep Tayyip Erdoğan Üniversitesi, Rize, Takvim-i Vekayi, ISSN.2148-0087, Çilt 5, No:2., S 8-18., 2017.
17. Terzi, Ö., Köse, M., Yapay Sinir Ağları Yöntemi ile Göksu Nehrinin Akım Tahmini, SDV İnternational Technologic Science, No. 3, S.3, December, 2012.
18. Kartalopoulos, S.V., Understanding Neural Networks and Fuzzy Logic: Basic Concepts and Applications, IEEE Press, New York, S.205., 1996.
19. Planlama Raporu, DSİ 1. Bölge Müdürlüğü, Duaçınarı, Ankara Yolu Cad., No:221 16260, Yıldırım, Bursa, 1978.