Geri Dön

Nehir akışının yapay zeka ve trend analizi metotları ile tahmini

Estimation of river flow by using the artificial intelligence and trend analysis methods

  1. Tez No: 580256
  2. Yazar: ALİ YILDIRAN
  3. Danışmanlar: DOÇ. DR. SÜHEYLA YEREL KANDEMİR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, İnşaat Mühendisliği, Engineering Sciences, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: Türkçe
  9. Üniversite: Bilecik Şeyh Edebali Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 133

Özet

Bu çalışmada akım gözlem istasyonları tarafından ölçümü yapılamamış akım verilerinin tespiti edilmesi için tahmin modelleri geliştirmek amacıyla yapay zeka ve istatistik yöntemleri kullanılmıştır. Yapay zeka yöntemleri; genellikle programlama dilleriyle geliştirilen ve bilgisayar sistemlerinin öğrenme algoritmaları sayesinde datalar üreten yöntemlerdir. İstatiksel yöntemler ise; temeli matematiksel ifadelere ve matematiksel modellemelere dayanan yöntemler olarak ifade edilmektedir. Sakarya havzasının alt havzası olan Porsuk havzasında yer alan 10 akım gözlem istasyonu ile Eskişehir ilinde ölçüm yapan yağış gözlem istasyon verileri çalışmada kullanılmıştır. Temin edilen verilerle tahmin modelleri geliştirilmiştir. Bu modeller; Bir yapay zeka yöntemi olan yapay sinir ağlarının ileri beslemeli geri yayılım yöntemi, bir diğer yapay zeka yöntemi olan evrimsel algoritmanın gen ifade programlama yöntemi ve parametrik bir trend analizi metodu olan çoklu doğrusal regresyon yöntemiyle oluşturulmuştur. İleri beslemeli geri yayılım ağı; bir yapay sinir ağı yöntemidir. Farklı değerler ve farklı eğitim girdileriyle hazırlanan modellerden elde edilen sonuçların; belirlilik katsayısı, ortalama karesel hata ve ortalama karesel hatanın karekökü değerlerine bakılarak başarıları kıyaslanmıştır. Çalışma sonuçları incelendiğinde en iyi veri tahmin modellerini ileri beslemeli geri yayılım sinir ağının ürettiği görülmüştür. Gen ifade programlama yöntemi tahmin verileri oluşturmada ileri beslemeli geri yayılım yönteminden daha başarısız olmuştur. En başarısız sonuçlar çoklu doğrusal regresyon yöntemiyle elde edilmiştir. Çalışmada en başarısız sonuçları çoklu doğrusal regresyon yöntemi vermiştir. Sonuç olarak; ileri beslemeli geri yayılım sinir ağı; ölçülememiş ya da tahmin edilmek istenen akım değerlerini başarıyla tahmin edebilmiş ve hidrolik çalışmalarında kullanılabilir olduğunu göstermiştir.

Özet (Çeviri)

In this study, artificial intelligence and statistical methods were used to develop estimation models for the determination of current data which could not be measured by current observation stations. Artificial intelligence methods; they are generally developed in programming languages and produce data by means of learning algorithms of computer systems. Statistical methods; It is expressed as methods based on mathematical expressions and mathematical modeling. 10 flow monitoring stations in the Porsuk basin, which is the lower basin of Sakarya basin and rainfall observation station data in Eskişehir province were used. Estimation models have been developed with the obtained data. These models; The forward feed back propagation method of artificial neural networks, which is an artificial intelligence method, is formed by the gene expression programming method of another artificial intelligence method and the multiple linear regression method which is a parametric trend analysis method. Forward feed back propagation network; is an artificial neural network method. The results obtained from the models prepared with different values and different educational inputs; coefficients of determination, mean square error and square root of mean square error were compared. When the results of the study were examined, it was seen that feed back propagation neural network produced the best data prediction models. Gene expression programming method failed to generate prediction data more than feed back feed propagation method. The most unsuccessful results were obtained by multiple linear regression method. The most unsuccessful results were obtained by multiple linear regression method. As a result; forward-feed back propagation neural network; It was able to successfully estimate the current values that could not be measured or wanted to be estimated and showed that it could be used in hydraulic works.

Benzer Tezler

  1. İstanbul Boğazı su seviyesi salınımlarına Tuna Nehri etkisinin belirlenmesi

    Determination of the Tuna River effect on the Bosphorus strait water level oscillations

    YAVUZ KARSAVRAN

    Doktora

    Türkçe

    Türkçe

    2021

    Deniz Bilimleriİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TARKAN ERDİK

  2. Anomaly detection scenarios in cyber-physical systems

    Siber-fiziksel sistemlerde anomali tespit senaryoları

    AYŞE SAYIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. MEHMET TAHİR SANDIKKAYA

  3. Yapay sinir ağları metodu ile Kızılırmak Nehri'nin akım tahmini

    Flow forecasting of Kizilirmak river with artifical neural network method

    SADIK ÖNAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2009

    EnerjiSüleyman Demirel Üniversitesi

    Yapı Ana Bilim Dalı

    DOÇ. DR. ÖZLEM TERZİ

  4. Bergson ve sinemada düşünce hareketi/imge hareketi

    Bergson and the thought movement/image movement in cinema

    ÖZCAN YILMAZ SÜTCÜ

    Doktora

    Türkçe

    Türkçe

    2011

    FelsefeEge Üniversitesi

    Felsefe Ana Bilim Dalı

    PROF. DR. TAYLAN ALTUĞ

  5. Investigation of fluid flow in fixed and moving channels

    Sabitlerde sıvı akışının incelenmesi ve hareketli kanallar

    AHMED SALMAN ZAMZEER MAGSOOSI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Makine MühendisliğiAltınbaş Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. SAMİ AYDIN ŞALCI