KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2008 / Cilt: 23 - Sayı: 2

UYARLAMALI SİNİRSEL BULANIK MANTIK YAKLAŞIMI İLE AYLIK SU TÜKETİMİNİN TAHMİNİ

MONTHLY WATER DEMAND FORECASTING BY ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM APPROACH

Mahmut FIRAT
M. Ali YURDUSEV
Mutlu MERMER
Sayfa
449–457
Yayın Tarihi
2013-03-01
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)

Elden edilen sonuçlar, USBM yönteminin aylık su tüketimi tahmininde regresyon yöntemine göre daha iyi sonuçlar verdiğini ve su tüketimi tahmininde etkili bir şekilde uygulanabileceğini göstermiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, Uyarlamalı Sinirsel Bulanık Mantık (USBM) yaklaşımı ile ekonomik ve iklim şartları gibi faktörlere bağlı olarak değişen aylık su kullanımının tahmin edilmesi amaçlanmaktadır.
📊
Temel Bulgular & Veri:Bunun için, toplam 108 adet veri toplanmış ve eğitim ve test olarak iki gruba ayrılmıştır.
💡
Sonuç & Katkı:Elden edilen sonuçlar, USBM yönteminin aylık su tüketimi tahmininde regresyon yöntemine göre daha iyi sonuçlar verdiğini ve su tüketimi tahmininde etkili bir şekilde uygulanabileceğini göstermiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:108 adet
⚙️Değişkenler:Su tüketimi · su tüketim tahmini · uyarlamalı sinirsel bulanık mantık.

Özet

Bu çalışmada, Uyarlamalı Sinirsel Bulanık Mantık (USBM) yaklaşımı ile ekonomik ve iklim şartları gibi faktörlere bağlı olarak değişen aylık su kullanımının tahmin edilmesi amaçlanmaktadır. Bunun için, toplam 108 adet veri toplanmış ve eğitim ve test olarak iki gruba ayrılmıştır. Çeşitli giriş değişkenlerin değişik bileşenlerinden oluşan modeller kurulmuş ve aylık su tüketiminin tahmini için en uygun model yapısı araştırılmıştır. Kurulan her bir model USBM yöntemi ile eğitilerek test edilmiş ve gözlem değerleri ile karşılaştırılarak en uygun model yapısı belirlenmiştir. Bu amaçla, Korelasyon Katsayısı (CORR), Verimlilik (E) ve Karesel Hataların Ortalamasının Karekökü (RMSE) gibi çeşitli performans değerlendirme ölçütleri hesaplanmıştır. Daha sonra, daha doğru ve güvenilir bir karşılaştırma ve değerlendirme yapmak için, en uygun model aynı veri seti kullanılarak Çoklu Regresyon Yöntemi (ÇRY) ile çözülmüş ve test edilmiştir. Her iki yöntem sonuçları karşılaştırılarak performansları değerlendirilmiştir. Elden edilen sonuçlar, USBM yönteminin aylık su tüketimi tahmininde regresyon yöntemine göre daha iyi sonuçlar verdiğini ve su tüketimi tahmininde etkili bir şekilde uygulanabileceğini göstermiştir.

Abstract

In this study, an adaptive Neuro-Fuzzy inference system (ANFIS) is used to forecast monthly water use from several socio-economic and climatic factors, which affect water use. Totally 108 data sets are collected and data sets are divided into two subsets, training and testing. The models consisting of the combination of the independent variables are constructed and the best fit input structure is investigated. The performance of ANFIS models in training and testing sets are compared with the observations and the best fit model forecasting model is identified. For this purpose, some criteria of performance evaluation such as, Root Mean Square Error (RMSE), efficiency (E) and correlation coefficient (CORR) are calculated for all models. Then, the best fit models are also trained and tested by Multiple Regression (MR). The results of models are compared to get more reliable comparison. The results indicated that ANFIS can be applied successfully for monthly water demand forecasting .

🔖

Bu Makaleye Atıf Yap

FIRAT, M., YURDUSEV, M. A., MERMER, M. (2013). UYARLAMALI SİNİRSEL BULANIK MANTIK YAKLAŞIMI İLE AYLIK SU TÜKETİMİNİN TAHMİNİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 23 - Sayı: 2, 449–457. https://ajindex.com/articles/20989

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Agarwal, A., Mishra, S.K., Ram, S., ve Singh, J.K. “Simulation of runoff and sediment yield using artificial neural networks” Biosystems Engi., 94 (4), 597–613, 2006.
  2. Altunkaynak, A., Özger, M., ve Çakmakcı, M. “Water Consumption Prediction of Istanbul City by Using Fuzzy Logic Approach”, Water Resources Manage., 19, 641–654, 2005
  3. ASCE Task Committee. “Artificial neural networks in hydrology-II: Hydrologic applications”, Journal of Hydrologic Engineering, ASCE 5 (2), 124–137, 2000.
  4. Babel, M.S., Gupta, A.D., ve Pradhan, P. “A multivariate econometric approach for domestic water demand modeling: An application to Kathmandu, Nepal”, Water Resour Manage.,, 573–589, 2007.
  5. Bougadis, J., Adamowski, K., ve Diduch, R. “Short-term municipal water demand forecasting”, Hydrol. Processes, 19, 137–148, - Chen, S.H., Lin, Y.H., ve Chang, L.C. „Chang F.J. The strategy of building a flood forecast model by neuro fuzzy network”, Hydrol. Processes., 20, 1525–1540, 2005. Chang F.J. Chang Y.T. 2006. Adaptive neurofuzzy inference system for prediction of water level in reservoir. Advances in Water Resources.: 1-10 Firat M, ve Güngör M. “River Flow Estimation using Adaptive Neuro-Fuzzy inference System”, Mathematics and Computers in Simulation, (3-4), 87-96, 2007.
  6. Firat, M. “Sinirsel Bulanık Mantık Yaklaşımı ile Havza Modellemesi”, Doktora Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enst. Denizli, 2007.
  7. Froukh, M.L. “Decision-Support System for Domestic Water Demand Forecasting and Management”, Water Resources Management,, 363–382, 2001.
  8. Jain, A., Varshney, A.K., ve Joshi, U.C. “Shortterm water demand forecast modeling at IIT Kanpur using artificial neural networks”, Water Resources Manage., 15, 299–321, 2001.
  9. Jain, A., ve Kumar, A.M. “Hybrid neural network models for hydrologic time series forecasting”, Applied Soft Computing, 7, 585-, 2007.
  10. Jang, J.S.R., Sun, C.T., ve Mizutani, E. Neuro- Fuzzy and Soft Computing, PrenticeHall, ISBN 0-13-261066-3, 607p, 1997.
  11. Jeong, D., ve Kim, Y.O. “Rainfall-runoff models using artificial neural networks for ensemble stream flow prediction”, Hydrolo. Processes,, 3819–3835, 2005.
  12. Komornik, J., Komornikova, M., Mesiar, R., Szökeova, D., ve Szolgay, J. “Comparison of forecasting performance of nonlinear models of hydrological time series”, Physics and Chemistry of the Earth, 31, 1127–1145, 2006.
  13. Kumar, A.R.S., Sudheer, K.P., Jain, S.K., ve Agarwal, P.K. “Rainfall-runoff modelling using artificial neural networks:comparison of network types”,