KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 25 Sayı: 3

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

Rıfat Tür
Can Barlas
Sayfa
—
Yayın Tarihi
2013-02-19
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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 Maddede Bu Makale

🎯
Amaç & Hipotez:Belirgin dalga yüksekliğinin (Hs) tahmini, yüksek maliyetli Deniz Mühendisliği yapılarının tasarımında ilk ve enönemli aşamayı oluşturmaktadır.
📊
Temel Bulgular & Veri:Önerilen modeller, farklızaman aralıklarında kaydedilmiş Hs ve Ts verilerini kullanmaktadır.
💡
Sonuç & Katkı:Elde edilen tahmin sonuçları gerçek dalga verileri ilekarşılaştırılmış ve yüksek korelasyon değerlerinin elde edildiği; modellerin eksik dalga verilerinin tahminedilmesinde verimli olarak kullanılabileceği sonucuna ulaşılmıştır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler: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.

🔖

Bu Makaleye Atıf Yap

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. https://ajindex.com/articles/1078647

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (80)

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