Detection of Sediment Transport with Artificial Intelligence Models Formed by Using K-Means Clustering Algorithm

K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti

Abstract

It isimportant to detect sediment load truly in the project process of water structures such as both dam and regulator to determine pollution level, to use and to supply potable water. In this work, methods such as Adaptive Neuro Fuzzy Interference Systems (ANFIS), Artificial Neural Networks (ANN) and Multiple Linear Regression (MLR) are experienced for three Flow Observation Stations on Fırat Basin. K-Means Clustering Algorithm is used to select Clustering numbers of ANFIS Models being formed. Sediment (Qs), Precipitation (P), Flow rate (Q) and temperature (P) data from each station are used in this study. Sediment estimation model is developed for each station by using the data. The value of the day when precipitation occurs (P), the value of the day before precipitation occurs (P-1), flow and temperature rates are used as input factors; sediment concentration is used as output factors. The model being formed is compared for all of the stations with regard to regression coefficient (R2 ) and mean percentage error (MPE) in both education and test stages. As a consequence of the analysis, subset numbers of ANFIS model being formed by determining subset of K-Means Clustering Algorithm has more successful results instead of ANFIS Models being randomly formed. It is also observed that the Models of ANFIS and ANN methods have closer results to the values being observed when they are compared to MLR methods.

Özet

Akarsulardaki kirlilik seviyelerinin tespiti, kullanma ve içme sularının tedarik edilmesinde, hem baraj hem debağlama gibi su yapılarının proje aşamasında sediment yükünün doğru bir şekilde tespit edilmesi çok önemlidir.Bu çalışmada, Fırat Havzası üzerinde bulunan üç akım gözlem istasyonu (AGİ) için yapay zekâ yöntemlerindenuyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS), yapay sinir ağları (YSA) ve çoklu doğrusal regresyon(MLR) gibi yöntemler denenmiştir. Oluşturulan ANFİS modellerinin küme sayılarının seçiminde ise K-meanskümeleme algoritmasından yararlanılmıştır. Yapılan çalışmalarda her bir istasyona ait sediment (Qs), yağış (P),debi(Q) ve sıcaklık (P) verileri kullanılmıştır. Bu veriler kullanılarak her bir istasyon için sediment tahmin modeligeliştirilmiştir. Oluşturulan modelde girdi değişkeni olarak yağışın gerçekleştiği günkü değeri (P), yağışıngerçekleştiği günün bir gün öncesindeki değeri (P-1), debi ve sıcaklık değerleri, çıktı değişkeni olarak ise sedimentkonsantrasyonu kullanılmıştır. Oluşturulan bu model tüm istasyonlar için hem eğitim hem de test aşamalarındasırasıyla regresyon katsayısı (R2) ve ortalama yüzde hatası (OYH) bakımından karşılaştırılmıştır. Yapılan analizlersonucunda, K-means kümeleme algoritması ile alt küme sayısı belirlenerek oluşturulan ANFIS modelinin hem altküme sayısı rastgele oluşturulan ANFIS modellerine göre hem de YSA ve MLR modellerine göre daha başarılısonuçlar elde ettiği görülmüştür. Ayrıca, YSA ve ANFIS yöntemleri modellerinin MLR yöntemi modeline göregözlenen değerlere daha yakın sonuçlar elde ettiği görülmüştür.