BELİRGİN DALGA YÜKSEKLİKLERİNİN NEURO-FUZZY YAKLAŞIMI İLE TAHMİNİ: FİLYOS DENİZ YÖRESİ ÖRNEĞİ

Öz

Belirgin dalga yüksekliğinin (Hs) tahmini, yüksek maliyetli Deniz Mühendisliği yapılarının tasarımında ilk ve enönemli aşamayı oluşturmaktadır. Bu çalışmada, literatürde var olan deterministik ve stokastik yöntemlerealternatif oluşturacak bir yaklaşım önerilmiştir. Neuro-Fuzzy yöntemi, Yapay Sinir Ağları (ANN, ArtificialNeural Networks) ve Bulanık Mantık (FL, Fuzzy Logic) yöntemlerinin avantajlı yönlerinin kombine olarakkullanıldığı bir yöntemdir. Geliştirilen tahmin modelinde, günlük ortalama Hs ve belirgin dalga periyodu (Ts)verileri kullanılarak günlük Hs tahmini yapabilen Neuro-Fuzzy modeller önerilmiştir. Önerilen modeller, farklızaman aralıklarında kaydedilmiş Hs ve Ts verilerini kullanmaktadır. Çalışmada, Filyos deniz yöresinde ölçülmüşolan Hs ve Ts değerleri, Uyarlamalı Ağ Temelli Bulanık Çıkarım Sistemi (ANFIS, Adaptive Network-basedFuzzy Inference System) ile tahmin edilmiştir. Elde edilen tahmin sonuçları gerçek dalga verileri ilekarşılaştırılmış ve yüksek korelasyon değerlerinin elde edildiği; modellerin eksik dalga verilerinin tahminedilmesinde verimli olarak kullanılabileceği sonucuna ulaşılmıştır.

Anahtar Kelimeler

• Dalga tahmini, Neuro-Fuzzy yaklaşımı, ANFIS, Filyos, Kıyı yapıları.

Kaynakça

1. More, A., Deo, M.C., “Forecasting Wind with
2. Neural Networks”, Marines Structures, Cilt 16,
3. No 1, 35-49, 2003.
4. Mahjoobi, M., Mosabbeb, E.A., “Prediction of
5. Significant Wave Height using Regressive
6. Support Vector Machines”, Ocean Engineering,
7. Cilt 36, No 5, 339-347, 2009.
8. Özger, M., Şen, Z., “Prediction of Wave

9. Parameters by using Fuzzy Logic Approach”,
10. Ocean Engineering, Cilt 34, No 3-4, 460-469,
11. -
12. Günaydın, K., “The Estimation of Monthly Mean
13. Significant Wave Heights by using Artificial
14. Neural Network and Regression Methods”, Ocean Engineering, Cilt 35, No 14-15, 1406-
15. , 2008.
16. Hasselmann, K., Barnett, T.P., Bouws, E.,
17. Carlson, H., Cartwright, D.E., Enke, K., Weing,
18. J.A., Gienapp, H., Hasselmann, D.E.,
19. Krusemann, P., Meerburg, A., Muller, P., Olbers,
20. K.J., Richter, K., Sell, W., Walden, W.H.,
21. “Measurements of Wind-Wave Growth and Swell
22. Decay During The Joint North Sea Wave Project
23. (JONSWAP)”, Deutsche Hydrograph, Zeit,
24. Erganzung-self Reihe, Cilt 12, No A 8, 1973.
25. Kazeminezhad, M.H., Etemad-Shahidi, A.,
26. Mousavi, S.J., “Application of Fuzzy Inference
27. System in The Prediction of Wave Parameters”,
28. Ocean Engineering, Cilt 32, No 14-15, 1709-
29. , 2005.
30. Mahjoobi, J., Etemad-Shahidi, A.,Kazeminezhad,
31. M.H., “Hindcasting of Wave Parameters using
32. Different Soft Computing Methods”, Applied
33. Ocean Engineering, Cilt 30, No 1, 28-36, 2008.
34. Browne, M., Castelle, B., Strauss, D., Tomlinson,
35. R., Blumenstein, M., Lane, C., “Near-shore Swell
36. Estimation from A Global Wind-wave Model:
37. Spectral Process, Linear, and Artificial Neural
38. Network Models”, Coastal Engineering, Cilt 54,
39. No 5, 445-460, 2007.
40. Agrawal, J.D., Deo, M.C., “On-line Wave
41. Prediction”, Marine Structures, Cilt 15, No 1,
42. -74, 2002.
43. Deo, M.C., Jha, A., Chaphekar, A.S., Ravikant,
44. K., “Neural Networks for Wave Forecasting”,
45. Ocean Engineering, Cilt 28, No 7, 889-898,
46. -
47. Makarynskyy, O., Pires-Silva, A.A., Makarynska,
48. D., Ventura-Soares, C., “Artificial Neural
49. Networks in Wave Predictions at the West Coast
50. of Portugal”, Computer and Geosciences, Cilt
51. , No 4, 415-424, 2005.
52. Tsai, C.P., Lin, C., Shen, J.N., “Neural Network
53. for Wave Forecasting among Multi-stations”,
54. Ocean Engineering, Cilt 29, No 13, 1683-1695,
55. -
56. Deo, M.C., Naidu, C.S., “Real Time Wave
57. Forecasting using Neural Networks”, Ocean
58. Engineering, Cilt 26, No 3, 191-203, 1999.
59. Zamani, A., Solomatine, D., Azimian, A.,
60. Heemink, A., “Learning from Data for Windwave
61. Forecasting”, Ocean Engineering, Cilt 35,
62. No 10, 953-962, 2008.
63. Altunkaynak, Z., Özger, M., “Temporal
64. Significant Wave Height Estimation from Wind
65. Speed by Perceptron Kalman Filtering”, Ocean
66. Engineering, Cilt 31, No 10, 1245-1255, 2004.
67. Balas, C.E., Koç, L., Balas, L., “Predictions of
68. Missing Wave Data by Recurrent Neuronets”,
69. Journal of Waterway, Port, Coastal and
70. Ocean Engineering, Cilt 130, No 5, 256-265,
71. -
72. Nayak, P.C., Sudheer, K.P., “Fuzzy Model
73. Identification Based on Cluster Estimation for
74. Reservoir Inflow Forecasting”, Hydrological
75. Processes, Cilt 22, No X, 827-841, 2008.
76. Google maps, Filyos deniz yöresi,
77. http://maps.google.com/, 2009.
78. Özçalık, H.R., Uygur, A.F., “Dinamik
79. Sistemlerin Uyumlu Sinirsel-Bulanık Ağ
80. Yapısına Dayalı Etkin Modellenmesi”, KSÜ Fen
81. ve Mühendislik Dergisi, Cilt 6, No 1, 36-46,
82. -
83. Tsoukalas, L.H., Uhrig, R.E., Fuzzy and Neural
84. Approaches in Engineering, John Wiley &
85. Sons, New York, A.B.D., 1996.
86. 21. Mandal, S., Prabaharan, N., “Ocean Wave
87. Forecasting using Recurrent Neural Networks”,
88. Ocean Engineering, Cilt 33, No 10, 1401-1410,
89. -