KaydedilenlerDerginizi ekleyin

Dergiler / Uluslararası Teknolojik Bilimler Dergisi / 2012 / Cilt: 4 - Sayı: 3

YAPAY SİNİR AĞLARI YÖNTEMİ İLE GÖKSU NEHRİ’NİN AKIM TAHMİNİ

FLOW FORECASTING OF GÖKSU RIVER WITH ARTIFICIAL NEURAL NETWORKS METHOD

Özlem TERZİ
Mehmet KÖSE
Sayfa
1–7
Yayın Tarihi
2012-09-01
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)

Modellerin performansları değerlendirildiğinde, YSA yönteminin akım tahmininde kullanılabilir olduğu görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Günümüzde kuraklık ve küresel ısınma hissedilir derecede arttığı için, su kaynaklarının kullanımı ve işletilmesi gibi konular oldukça önem kazanmaktadır.
📊
Temel Bulgular & Veri:Göksu Nehri’nde bulunan Karahacılı (1714), Kırkkavak (1719) ve Hamam (1720) akım gözlem istasyonlarından alınan 1990–2010 yılları arasında bulunan günlük akım değerleri kullanılarak YSA modelleri geliştirilmiştir.
💡
Sonuç & Katkı:Modellerin performansları değerlendirildiğinde, YSA yönteminin akım tahmininde kullanılabilir olduğu görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2010 Verileri
⚙️Değişkenler:Akım · yapay sinir ağları · Göksu Nehri

Özet

Günümüzde kuraklık ve küresel ısınma hissedilir derecede arttığı için, su kaynaklarının kullanımı ve işletilmesi gibi konular oldukça önem kazanmaktadır. Akarsularda akım, ilgili kurumların akarsuyun belirli noktalarına kurdukları ölçüm istasyonları ile belirlenmektedir. Ancak, çeşitli sebeplerle veri alınamaması ve istasyonlarda arıza olması gibi durumlarda bu istasyonların işletilmesi zor olmaktadır. Bu gibi durumlarda eksik veriyi tamamlayabilmek için, son yıllarda su kaynakları mühendisliğinde geniş kullanım alanı bulan yapay sinir ağları (YSA) yöntemi ile Göksu Nehri’nin akım tahmini yapılmıştır. Göksu Nehri’nde bulunan Karahacılı (1714), Kırkkavak (1719) ve Hamam (1720) akım gözlem istasyonlarından alınan 1990–2010 yılları arasında bulunan günlük akım değerleri kullanılarak YSA modelleri geliştirilmiştir. Geliştirilen modellerin performansları değerlendirilirken, belirginlik katsayısı ve ortalama mutlak hata değerleri kullanılmıştır. Modellerin performansları değerlendirildiğinde, YSA yönteminin akım tahmininde kullanılabilir olduğu görülmüştür.

Abstract

Nowadays, it is important issues such as the use and operation of water resources because of appreciably increasing in drought and global warming. The river flow is determined by flow measurement stations established by relevant institutions on rivers. However, it is a difficult to operate these stations in such cases the absence of data and failure of the stations. In such cases, in order to complete the missing data, the flow estimation of Göksu River was made with artificial neural networks (ANN) method that most widely used in water resources engineering in recent years. For this purpose, it was used to develop ANN models daily flow values for the years 1990-2010 from Karahacılı (1714), Kırkkavak (1719) and Hamam (1720) measurement stations on the Göksu River. It was used determination coefficient and the mean absolute error to evaluate performance of the developed models. Comparing performances of the models, it was shown that ANN method can be used to estimate river flow.

🔖

Bu Makaleye Atıf Yap

TERZİ, Ö., KÖSE, M. (2012). YAPAY SİNİR AĞLARI YÖNTEMİ İLE GÖKSU NEHRİ’NİN AKIM TAHMİNİ. Uluslararası Teknolojik Bilimler Dergisi, Cilt: 4 - Sayı: 3, 1–7. https://ajindex.com/articles/847508

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Anctil, F., Perrin, C. and Andreassian, V. (2003). ANN Output Updating of Lumped Conceptual Rainfall/Runoff Forecasting Models. Journal of the American Water Resources Association, 39(5), 1269-1279.
  2. Bayazıt, M. (1998).
  3. Hidrolojik Modeller, İTÜ İnşaat Fakültesi Matbaası, 228 s., İstanbul.
  4. Dawson C.W. and Wilby R.L. (2001). Hydrological Modelling Using Artificial Neural Networks, Progress in Physical Geography, 25, 80-108.
  5. Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. Prentice Hall, New Jersey, p.461. Golob R., Stokelj T. and Grgic D. (1998). Neural Network- Based İnflow Forecasting, Control Engineering Practice, 6, 593-600. http://tr.wikipedia.org/wiki/G%C3%B6ksu_(Kilikya) Jothiprakash V. and Garg V. 2009. Reservoir Sedimentation Estimation Using Artificial Neural Network. Journal of Hydrologic Engineering, 14(9), 1035-1040.
  6. Kartalopoulos, S.V. (1996). Understanding Neural Networks and Fuzzy Logic: Basic Concepts and Applications. IEEE Press, New York, p.205. Kohonen T. (1988). An Introduction to Neural Computing: Neural Networks. 1, 3-6.
  7. Okkan U. ve Mollamahmutoğlu A. (2010). Yiğitler Çayı Günlük Akımlarının Yapay Sinir Ağları ve Regresyon Analizi ile Modellenmesi. Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23, 33-48.
  8. Öztemel, E. (2003). Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul.
  9. Seçkin N., Güven A. ve Yurtal R. (2010). Taşkın Debilerinin Yapay Sinir Ağları ile Modellenmesi: Batı Karadeniz Havzası Örneği. Ç.Ü. Müh. Mim. Fak. Dergisi 1-2(25), 45-57.
  10. Terzi Ö. (2006). Yapay Sinir Ağları Metodu ile Eğirdir Gölü Su Sıcaklığının Tahmini. Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü Dergisi, 10(2), 297-302.
  11. Toluk T. (2006). Akarsu Akımlarının Yapay Sinir Ağı Metotları Kullanılarak Modellenmesi. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, Sakarya. Tuna H., Malkoç F., Öztürk D. ve Malkoç Y. (2009). Çoruh Havzasında Eksik Akım Verilerinin YSA Yöntemi ile Tamamlanması ve Hidrolojik Kuraklık Eğilimlerinin Belirlenmesi. 6. Hidroloji Kongresi, 265-280.