Yapap sinir ağları ve regresyon teknikleri ile Botan Çayı aylık taşınan sediment miktarının modellenmesi

Modelling of monthly sediment transport amount of Botan Stream using neural networks and regression techniques

Özet

Su kaynaklarının etkin bir şekilde kullanılması amacı ile inşa edilen su yapılarının planlanmasında göz önüne alınan parametrelerden biri de sediment miktarıdır. Bu yapıların belirlenen sürede hizmet verebilmeleri için sediment miktarının doğru olarak belirlenmesi önemlidir. Son yıllarda, olayları etkileyen parametreler arasında doğrusal olmayan ilişkiler temelinde hata payı düşük daha doğru modeller kurmaya olanak sağlayan Yapay Sinir Ağları(YSA) yaygın olarak çeşitli disiplinlerde kullanılmaktadır. Bu çalışmada, Dicle Havzası Botan Çayı Billoris ölçüm istasyonunda taşınan sediment miktarlarının modellerinin kurulması amaçlanmıştır. Kurulan modellerde yağış, sıcaklık ve akım bağımsız değişken, sediment ise bağımlı değişken olarak ele alınmıştır. Burada Yapay Sinir Ağları (YSA) ve Regresyon Analizi (RA) yöntemleri kullanılarak 14 farklı model kurulmuş ve birbirleriyle karşılaştırılmıştır. Ayrıca çeşitli istatistiklere göre en az hatayı veren model uygun model olarak seçilmiştir.

Abstract

One of the parameters taken into consideration in the planning of water structures aiming at efficient use of water resources is sediment amount. It is important to accurately predict the amount of sediment so that these structures can serve within the planned duration. Due to its estimation capability, recently, Artificial Neural Network (ANNs) has been used in modelling. The ANNs models are more accurate and have low error percentage. Therefore, such models are widely used in any discipline. ANNs also enable to establish models which involve non-linear relationships between the parameters effecting the event. In this study, it isşaimed to establish models of sediment transport in Billoris Station on Botan Stream, all of which are in Tigris watershed. Rainfall, temperature and flow discharge were used as independent variables, whiles sediment load was used as dependent variable in the models. Fourteen different models were established and compared with each other using Artificial Neural Networks ANNs and Regression Analysis (RA) methods. The model which had least error according to several statistics of models was chosen as the most appropriate one.