Dergiler / Jeoloji Mühendisliği Dergisi / 2016 / Cilt: 40 - Sayı: 2

Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği

Sayfa
177–188
Yayın Tarihi
2022-10-17
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)

Bu çalışmada Ergene Havzası doğu kesiminde yer alan serbest akiferdeki sodyum absorbsiyon oranı (SAR) değerinin tahmini için bir yapay sinir ağı modeli önerilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yeraltı suyu dünyanın birçok yerinde içme ve tarımsal sulama amaçlı kullanılmaktadır.
📊
Temel Bulgular & Veri:Kalitesi bozulmuş bu sular insan sağlığını ve bitkilerin gelişimini olumsuz yönde etkilemektedir.
💡
Sonuç & Katkı:Bu çalışmada Ergene Havzası doğu kesiminde yer alan serbest akiferdeki sodyum absorbsiyon oranı (SAR) değerinin tahmini için bir yapay sinir ağı modeli önerilmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Ergene Havzası · Sodyum Absorbsiyon Oranı · Yapay Sinir Ağları

Özet

Yeraltı suyu dünyanın birçok yerinde içme ve tarımsal sulama amaçlı kullanılmaktadır. Tarımsal faaliyetler zamanla yeraltı sularını kirleterek kalitesinin bozulmasına neden olabilmektedir. Kalitesi bozulmuş bu sular insan sağlığını ve bitkilerin gelişimini olumsuz yönde etkilemektedir. Özellikle kirlenmeye açık serbest akiferlerde yeraltı suyu kalitesinin ucuz yöntemler ile izlenmesi önem kazanmaktadır. Bu çalışmada Ergene Havzası doğu kesiminde yer alan serbest akiferdeki sodyum absorbsiyon oranı (SAR) değerinin tahmini için bir yapay sinir ağı modeli önerilmektedir. Ergene Havzası doğu kesiminde serbest akiferde açılmış olan 18 su kuyusundan bir yıllık süre ile aylık olarak alınan örneklerden elde edilen elektriksel iletkenlik, toplam çözünmüş katı miktarı, sıcaklık, toplam sertlik, klorür miktarı ve pH değerleri model için girdi olarak kullanılmıştır. Modellenen yapay sinir ağında, Levenberg–Marquardt (trainlm) geri yayılım algoritması olarak seçilmiş ve 35 nöron sayısı kullanılmıştır. Modelin sonuçları ile hedefler arasında yüksek tutarlılık gözlenmiştir (R=0,885). Önerilen bu model ile yeraltı sularının daha ucuz ve kolay bir şekilde izlenmesi mümkün olabilecektir.

🔖

Bu Makaleye Atıf Yap

ARKOÇ, O., AKINCI, T. Ç., NOGAY, H. S. (2022). Yapay Sinir Ağları Yardımı ile Yeraltı Suyunda Sodyum Absorbsiyon Oranı (SAR) Tahmini: Ergene Havzası Doğu Akiferi Örneği. Jeoloji Mühendisliği Dergisi, Cilt: 40 - Sayı: 2, 177–188. https://ajindex.com/articles/558362

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (13)

  1. Adamowski, J., Fung Chan, H., Prasher, S. O., Ozga‐Zielinski, B., Sliusarieva, A., 2012. Comparison of multiple linear and nonlinear regression, autoregressive integrated moving average, artificial neural network, and wavelet artificial neural network methods for urban water demand forecasting in Montreal, Canada. Water Resources Research, 48 (1),1-14.
  2. Arkoç, O., 2005. Ergene Havzası Çorlu-Çerkezköy arasındaki kesiminin hidrojeolojisi. İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Doktora Tezi, 144 s (yayımlanmamış). Arkoç, O., 2011. Assessment of water quality of east part of the Ergene basin, Turkey. Journal of Environmental Protection and Ecology, 12 (4), 1644-1655.
  3. Arkoç, O., Erdoğan, M., 2011.
  4. Ergene Havzası, Çorlu-Çerkezköy arasındaki kesiminin hidrojeokimyası. İTÜ Dergisi/d, 5 (2), 125-134.
  5. Arkoç, O., 2014. Municipal solid waste landfill site selection using geographical information systems: a case study from Çorlu, Turkey. Arabian Journal of Geosciences, 7 (11), 4975-4985.
  6. Asadollahfardi, G., Hemati, A., Moradinejad, S., Asadollahfardi, R., 2013. Sodium adsorption ratio (SAR) prediction of the Chalghazi river using artificial neural network (ANN) Iran. Current World Environment, 8 (2), 169-178.
  7. Bauder, T. A., Waskom, R. M., Davis, J. G., Sutherland, P. L., 2011.
  8. Colorado State University Extension, Report for Irrigation water quality criteria, no.0.506, 4s. Fort Collins, CO, USA. Bedient, P. B., Rifai, H. S., Newell, C. J., 1994. Ground water contamination: transport and remediation. Prentice Hall, Englewood Cliffs, 540 p. Cığızoğlu, H. K., 2004. Estimation and forecasting of daily suspended sediment data by multi layer perceptrons, Advances in Water Resources, 27, 185-195.
  9. El-Din, A. G., Smith, D. W., 2002. A neural network model to predict the wastewater inflow incorporating rainfall events. Water Research, 36 (5),1115–1126.
  10. Gontarski, C. A., Rodrigues, P. R., Mori, M., & Prenem, L. F., 2000. Simulation of an industrial wastewater treatment plant using artificial neural networks. Computers & Chemical Engineering, 24 (2), 1719-1723.
  11. Güneş, E. H., Güneş, Y., Talınıe, I., 2008. Toxicity evaluation of industrial and land base sources in a river basin. Desalination, 226 (1), 348-356.
  12. Kaastra, I., Boyd, M., 1996. Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10, 215-236.
  13. Kalaycı, S., 2010. SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri. Asil Yayınları, Ankara, 426s. Karayiannis,