SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2010 / Cilt: 25 - Sayı: 3

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

Rıfat TÜR
Can BARLAS
Pages
0
Publication Date
2013-02-19
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)

Elde edilen tahmin sonuçları gerçek dalga verileri ilekarşılaştırılmış ve yüksek korelasyon değerlerinin elde edildiği; modellerin eksik dalga verilerinin tahminedilmesinde verimli olarak kullanılabileceği sonucuna ulaşılmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Belirgin dalga yüksekliğinin (Hs) tahmini, yüksek maliyetli Deniz Mühendisliği yapılarının tasarımında ilk ve enönemli aşamayı oluşturmaktadır.
📊
Key Findings & Data:Önerilen modeller, farklızaman aralıklarında kaydedilmiş Hs ve Ts verilerini kullanmaktadır.
💡
Conclusion & Impact:Elde edilen tahmin sonuçları gerçek dalga verileri ilekarşılaştırılmış ve yüksek korelasyon değerlerinin elde edildiği; modellerin eksik dalga verilerinin tahminedilmesinde verimli olarak kullanılabileceği sonucuna ulaşılmıştır.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Dalga tahmini · Neuro-Fuzzy yaklaşımı · ANFIS

Özet

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.

🔖

Cite This Article

TÜR, R., BARLAS, C. (2013). BELİRGİN DALGA YÜKSEKLİKLERİNİN NEURO-FUZZY YAKLAŞIMI İLE TAHMİNİ: FİLYOS DENİZ YÖRESİ ÖRNEĞİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 25 - Sayı: 3, 0. https://ajindex.com/articles/20772

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. More, A., Deo, M.C., “Forecasting Wind with Neural Networks”, Marines Structures, Cilt 16, No 1, 35-49, 2003.
  2. Mahjoobi, M., Mosabbeb, E.A., “Prediction of Significant Wave Height using Regressive Support Vector Machines”, Ocean Engineering, Cilt 36, No 5, 339-347, 2009.
  3. Özger, M., Şen, Z., “Prediction of Wave Parameters by using Fuzzy Logic Approach”, Ocean Engineering, Cilt 34, No 3-4, 460-469, - Günaydın, K., “The Estimation of Monthly Mean Significant Wave Heights by using Artificial Neural Network and Regression Methods”, Ocean Engineering, Cilt 35, No 14-15, 1406-, 2008.
  4. Hasselmann, K., Barnett, T.P., Bouws, E., Carlson, H., Cartwright, D.E., Enke, K., Weing, J.A., Gienapp, H., Hasselmann, D.E., Krusemann, P., Meerburg, A., Muller, P., Olbers, K.J., Richter, K., Sell, W., Walden, W.H., “Measurements of Wind-Wave Growth and Swell Decay During The Joint North Sea Wave Project (JONSWAP)”, Deutsche Hydrograph, Zeit, Erganzung-self Reihe, Cilt 12, No A 8, 1973.
  5. Kazeminezhad, M.H., Etemad-Shahidi, A., Mousavi, S.J., “Application of Fuzzy Inference System in The Prediction of Wave Parameters”, Ocean Engineering, Cilt 32, No 14-15, 1709-, 2005.
  6. Mahjoobi, J., Etemad-Shahidi, A.,Kazeminezhad, M.H., “Hindcasting of Wave Parameters using Different Soft Computing Methods”, Applied Ocean Engineering, Cilt 30, No 1, 28-36, 2008.
  7. Browne, M., Castelle, B., Strauss, D., Tomlinson, R., Blumenstein, M., Lane, C., “Near-shore Swell Estimation from A Global Wind-wave Model: Spectral Process, Linear, and Artificial Neural Network Models”, Coastal Engineering, Cilt 54, No 5, 445-460, 2007.
  8. Agrawal, J.D., Deo, M.C., “On-line Wave Prediction”, Marine Structures, Cilt 15, No 1, -74, 2002.
  9. Deo, M.C., Jha, A., Chaphekar, A.S., Ravikant, K., “Neural Networks for Wave Forecasting”, Ocean Engineering, Cilt 28, No 7, 889-898, - Makarynskyy, O., Pires-Silva, A.A., Makarynska, D., Ventura-Soares, C., “Artificial Neural Networks in Wave Predictions at the West Coast of Portugal”, Computer and Geosciences, Cilt, No 4, 415-424, 2005.
  10. Tsai, C.P., Lin, C., Shen, J.N., “Neural Network for Wave Forecasting among Multi-stations”, Ocean Engineering, Cilt 29, No 13, 1683-1695, - Deo, M.C., Naidu, C.S., “Real Time Wave Forecasting using Neural Networks”, Ocean Engineering, Cilt 26, No 3, 191-203, 1999.
  11. Zamani, A., Solomatine, D., Azimian, A., Heemink, A., “Learning from Data for Windwave Forecasting”, Ocean Engineering, Cilt 35, No 10, 953-962, 2008.
  12. Altunkaynak, Z., Özger, M., “Temporal Signi