Keban Baraj Gölü Seviye Değişiminin ANFIS ve Destek Vektör Makineleri ile Tahmini

Yıl 2020, Cilt: 3 Sayı: 2, 71 - 77, 15.12.2020

Hatice Arslan Fatih Üneş Mustafa Demirci Bestami Taşar Ada Yılmaz

https://doi.org/10.47495/okufbed.748018

Cited By: 6

Öz

Bir baraj rezervuarındaki su seviyesinin doğru tahmini, su kaynaklarını yönetimini optimize etmek için önemlidir. Bu çalışmada, Bulanık Mantık (BM) ve Destek Vektör Makineleri (DVM) metodu kullanılarak bir baraj haznesindeki su seviyesi değişimi tahmin edilmiştir. Klasik bir yöntem olan Çoklu Lineer Regresyon analizi (ÇLR) yöntemi ile elde edilen sonuçlar ve gerçek gözlem sonuçları ile karşılaştırılmıştır. Bu çalışmada girdi verileri olarak enerji gayesi, günlük toplam su sarfiyatı ve toplam buharlaşma miktarı değişkenleri kullanılarak günlük hazne seviyesi tahmin edilmiştir. Uygulama alanı olarak Türkiye’nin Doğu Anadolu Bölgesinde yer alan Keban Barajı ve haznesi seçilmiştir. Modellerden elde edilen sonuçlar değerlendirildiğinde, gözlem modellerinin uyumlu sonuçlara sahip olduğu tespit edilmiştir.

Anahtar Kelimeler

Baraj, Bulanık Mantık, Su seviyesi, Destek Vektör Makineleri

Kaynakça

• [1] Ripple, W. The Capacity of Storage for water supply, Proc., Institution of Civil Engineers, 1883, 71, 270.
• [2] Sudler, C. E. Storage Required for Regulation of Streamflow, Trans., ASCE, 1927, 91, No. 622.
• [3] Keskin, M.E. Terzi, O. & Taylan, D. Fuzzy logic model approaches to daily pan evaporation estimation in Western Turkey, Hydrological Sciences Journal, 2004, 49, 1001–1010.
• [4] Kazeminezhad, M.H. Etemad-shahidi, A. & Mousavi, S.J..Application of fuzzy inference system in the prediction of wave parameters, Ocean Engineering, 2005, 32, 1709–1725.
• [5] Kisi, O. Daily pan evaporation modeling using a neuro-fuzzy computing technique, Journal of Hydrology , 2006, 329, 636–646.
• [6] Kisi, O. & Ozturk, O. Adaptive neurofuzzy computing technique for evapo-transpiration estimation, Journal ofIrrigation and Drainage Engineering, 2007, 133, 368–379.
• [7] Üneş, F. Dam reservoir level modelıng by neural network approach. A case study, Neural Network World, 2010, 4, 461- 474.
• [8] Üneş, F. Prediction of density flow plunging depth in dam reservoir: An artificial neural network approach, Clean - Soil, Air, Water, 2010, 38, 296 – 308.
• [9] Üneş, F., Demirci, M. & Kişi, Ö. Prediction of millers ferry dam reservoir level in usa using artificial neural network, Periodica Polytechnica Civil Engineering, 2015, 59, 309–318.
• [10] Üneş, F. & Demirci, M. Generalized regression neural networks for reservoir level modeling, International Journal of Advanced Computational Engineering and Networking , 2015, 3, 81-84.
• [11] Shiri, J. & Kisi, O. Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations, Computers & Geosciences, 2011, 37, 1692-1701.
• [12] Campolo, M., Andreussi, P., & Soldati, A. River flood forecasting wiht a neural network model. Water Resour. Res. 1999, 35(4), 1191-1197. [13] Minns, A. W., & Hall, M. J. Artificial neural networks as rainfall-runoff models. Hydrologic Sci., 1996, 41(3), 1996.
• [14] Tokar, A. S., & Johnson, P. A., Rainfall-runoff modeling using artificial neural networks. J. Hydrologic Engrg., ASCE, 1999, 4(3), 232– 239.
• [15] Üneş, F., Demirci, M., Taşar, B., Kaya, Y. Z., & Varçin, H. Estimating Dam Reservoir Level Fluctuations Using Data-Driven Techniques. Polish Journal of Environmental Studies, 2019, 28(5).
• [16] Taşar, B., Üneş, F., Demirci, M., & Kaya, Y. Z. Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. DÜMF Mühendislik Dergisi, 2018, 9(1), 543-551.
• [17] Demirci, M., Unes, F., Kaya, Y. Z., Tasar, B., & Varcin, H. Modeling of Dam Reservoir Volume Using Adaptive Neuro Fuzzy Method. Aerul si Apa. Componente ale Mediului, 2018, 145-152.
• [18] Üneş, F., Demirci, M., Taşar, B., Kaya, Y. Z., & Varçin, H. Modeling of dam reservoir volume using generalized regression neural network, support vector machines and M5 decision tree models. Applied Ecology and Environmental Research, 17(3), 2019.
• [19] Jang, J. S. ANFIS: Adaptive-network-based fuzzy inference system.IEEE transactions on systems, man, and cybernetics, 1993, 23(3), 665-685.
• [20] Cortes, C., & Vapnik, V.. Support-vector networks. Machine learning, 1995, 20(3), 273-297.
• [21] Hsu, C. W., Chang, C. C., & Lin, C. J.. A practical guide to support vector classification. 2003