SavedAdd your journal

Journals / Turkish Journal of Civil Engineering / 2026 / Cilt: 18 Sayı: 87

-

Günlük Buharlaşmanın Yapay Sinir Ağları Kullanarak Tahmin Edilmesi

Emrah Doğan
Sabahattin Işık
Mehmet Sandalcı
Pages
4119–4131
Publication Date
2007-04-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

İBGYSA, RTYSA ve PM modellerinin performansları karşılaştırıldıgında sırasıyla korelasyon katsayıları, R1: 0,651, R2= 0,716 ve R3= 0,700, ortalama mutlak hataları OMH1= %68,540, OMH2=%59,484 ve OMH3=%59,207, ortalama karesel hataları OKH1= 2,674, OKH2= 2,512 ve OKH3= 2,557 bulunmuş ve İBGYYSA yöntemi ölçülen günlük buharlaşma miktarına en yakın sonucu vermiştir

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yapay sinir ağlarmın (YSA) hidroloji mühendisliğinde kullanımı son yıllarda artmıştır.
📊
Key Findings & Data:Bu çalışmada ileri beslemeli geri yayınımlı (İBGYYSA) ve radyal temelli yapay sinir ağı (RTYSA) modeli kullanılarak Sapanca Gölü için günlük buharlaşma miktarı tahmini yapılmıştır ve Penman-Monteith (PM) modeli ile karşılaştırıhnıştır.
💡
Conclusion & Impact:İBGYSA, RTYSA ve PM modellerinin performansları karşılaştırıldıgında sırasıyla korelasyon katsayıları, R1: 0,651, R2= 0,716 ve R3= 0,700, ortalama mutlak hataları OMH1= %68,540, OMH2=%59,484 ve OMH3=%59,207, ortalama karesel hataları OKH1= 2,674, OKH2= 2,512 ve OKH3= 2,557 bulunmuş ve İBGYYSA yöntemi ölçülen günlük buharlaşma miktarına en yakın sonucu vermiştir
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Özet

Yapay sinir ağlarmın (YSA) hidroloji mühendisliğinde kullanımı son yıllarda artmıştır. Bu çalışmada ileri beslemeli geri yayınımlı (İBGYYSA) ve radyal temelli yapay sinir ağı (RTYSA) modeli kullanılarak Sapanca Gölü için günlük buharlaşma miktarı tahmini yapılmıştır ve Penman-Monteith (PM) modeli ile karşılaştırıhnıştır. Minimum ve maksimum sıcaklığa, rüzgâr hızma, göreceli neme, gerçek güneşlenme süresine ve maksimum güneşlenme müddetine bağlı olan günlük buharlaşma miktarınm tahmini için İBGYYSA ve RTYSA modelleri uygulanmıştır. İBGYSA, RTYSA ve PM modellerinin performansları karşılaştırıldıgında sırasıyla korelasyon katsayıları, R1: 0,651, R2= 0,716 ve R3= 0,700, ortalama mutlak hataları OMH1= %68,540, OMH2=%59,484 ve OMH3=%59,207, ortalama karesel hataları OKH1= 2,674, OKH2= 2,512 ve OKH3= 2,557 bulunmuş ve İBGYYSA yöntemi ölçülen günlük buharlaşma miktarına en yakın sonucu vermiştir

🔖

Cite This Article

Doğan, E., Işık, S., Sandalcı, M. (2007). -. Turkish Journal of Civil Engineering, Cilt: 18 Sayı: 87, 4119–4131. https://ajindex.com/articles/1627387

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Abtew, W., Evaporation Estimation for Lake Okeechobee in South Florida”, Journal of Irrigation and Drainage Engineering, 127(3), 140-147, 2001.
  2. Doğan, E., Suspended Sediment Load Estimation In Lower Sakarya River By Using Artificial Neural Networks, Fuzzy Logic and Neuro-Fuzzy Models, Elec Lett Sci Eng., 1, 22-32, 2005.
  3. Doğan, E., Sasal, M., and Isık S., Suspended Sediment Load Estimation in Lower Sakarya River by Using Soft Computational Methods, Proceeding of the International Conference on Computational and Mathematical Methods in Science and Engineering, CMMSE 2005 Alicante, Spain, June, 27-30, 395-406, 2005.
  4. Govindaraju, R.S., and Rao, R. A., Artificial Neural Networks in Hydrology, Kluwer Acedemic Publishers, 93-109, 2000.
  5. Sudheer, P. K., A. K. Gosain, R. D. Mohana and S. M. Saheb, Modeling Evaporation Using an Artificial Neural Network Algorithm. Hydrological Process, 16, 3189-3202, 2002.
  6. Terzi, Ö., ve Keskin, E. M., Yapay Sinir Ağları Yaklaşımı Kullanarak Günlük Tava Buharlaşması Tayini. İMO Teknik Dergi, 3683-3693, 2005.
  7. Terzi, Ö., ve Keskin, E. M., Modelling Daily Pan Evaporation. J. Applied Sci. 5(2) 368-372, 2005.
  8. Kişi, Ö., Yapay Sinir Ağları ile Meteorolojik Verileri Kullanarak Buharlaşmanın Modellenmesi. Bilimde Modern Yöntemler Sempozyumu, BMYS 2005, syf. 790-797, Kasım 16-18, Kocaeli, 2005.
  9. Doğan, E., ve Işık, S., Sapanca Gölü Günlük Buharlaşma miktarınm Radyal Temelli Yapay Sinir Ağı Modeli Kullanılarak Tahmin Edihnesi, Bilimde Modern Yöntemler Sempozyumu, BMYS 2005 syf. 807-814, Kasım 16-18, Kocaeli, 2005.
  10. Burman, R. and Pochop, L. 0., Evaporation, Evapotranspiration and Climatic Data, Development in Atmospheric Science, 22, Elsevier Science B. V. Amsterdam, The Netherlands, 1994.
  11. Jensen, M. E., Burman, R. D., and Allen, R. G., Evapotranspiration and Irrigation Water Requirements, ASCE Manuals and Reports on Engineering Practices, 70, New York, 1990.
  12. Sagiroglu, Ş., Beşdok, E., ve Erler M., Mühendislikte Yapay Zeka Uygulamalar1-1 Yapay Sinir Ağları.Ufuk Kitap Kırtasiye-Yayıncılık, Kayseri, 2003.
  13. Ravi Segal, M.L. Kothari, Senior Member, IEEE, and Sheknar Madnani, Radial Basis Function (RBF) Network Adaptive Power System Stabilizer, IEEE Transactions Power Systems, 15, 2, May, 2000.
  14. Szczurek, A., and Maciejewska, M., Recognition of Benzene, Toluene and Xylene Using TGS Array Integrated with Linear And Non-Linear ClassiŞer, Talanta, 64, 609—617, 2004.
  15. MATLAB® Documentation Neural Network Toolbox Help, Version 7.0, Release 14, The MathWorks, Inc., 2004.