Yağış – akış ilişkisinin yapay sinir ağları ve otoregresif hareketli ortalamalar modelleri ile tahmini
Prediction of rainfall - runoff relation with artificial neural networks and autoregressive moving average models
- Tez No: 643505
- Danışmanlar: DOÇ. DR. MUSTAFA DEMİRCİ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: Türkçe
- Üniversite: İskenderun Teknik Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 68
Özet
Su kaynaklarının daha verimli kullanılması, havza yönetimi ve afetlerin engellenmesi amacıyla yapılan su yapıları planlamasında, akış verilerinin tahmini büyük bir önem taşımaktadır. Planlama aşamasında kullanılacak verilerin eksiksiz ve tutarlı olması, planlama ve tasarım süreçlerinin verimini artıracak, daha güvenilir sonuçlar alınmasına olanak tanıyacaktır. Yağış - akış modellemelerinde, verilerin tahmini için kullanılan geleneksel yöntemler yetersiz kalabilmektedir. Bu nedenle eksik veya gelecekteki akışın tahmini için bir çok alternatif yöntem geliştirilmiştir. Bu çalışmada Amerika Birleşik Devletleri Waltham Massachusetts'te yer alan Stony Brook Rezervuarı'ndan elde edilen veriler kullanılarak yağış – akış modelleri oluşturulmuştur. 731 günlük yağış, akış ve sıcaklık bilgilerini içeren bu veriler İleri Beslemeli Geri Yayılımlı Sinir Ağı (İBGYSA), Çoklu Doğrusal Regresyon (ÇDR) ve Otoregresif Hareketli Ortalamalar (ARMA) yöntemlerinde girdi verisi olarak kullanılmıştır. Elde edilen akış verileri gerçek ölçüm sonuçları ile karşılaştırılarak bu üç yöntem değerlendirilmiştir. YSA yöntemi bu akış verilerinin tahmininde %92'nin üzerinde uyumluluk göstermiştir.
Özet (Çeviri)
In terms of efficient use of water resources and prevention of disasters, rainfall and runoff relation is very important. Complete and consistent data increases the efficiency of planning and design processes and ensures more reliable results. In rainfall - runoff modeling, traditional methods for estimating data may be insufficient. Therefore, many alternative methods have been developed for the prediction of missing or future runoff. In this study, the data obtained from USA Waltham Massachusetts Stony Brook Reservoir was used. 731 days of rainfall, runoff and temperature data were used to generate input data in the Feed Forward Backpropagation Neural Network (FFBNN), Multiple Linear Regression (MLR) and Autoregressive Moving Average (ARMA) models. The results obtained were compared with the actual results. As a result, it was found that the ANN method is more than 92% compatibility in estimating these current data.
Benzer Tezler
- Yağış-akış ilişkisinin yapay zekâ teknikleri kullanılarak tahmini
Prediction of rainfall – runoff relationship using artificial intelligence techniques
ONUR BÖLÜK
Yüksek Lisans
Türkçe
2020
İnşaat Mühendisliğiİskenderun Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH ÜNEŞ
- Seyhan havzası yağış-akış ilişkisinin yapay sinir ağları yöntemi ile modellenmesi
Modellling of rainfall runoff relation with artificial neural network methods for Seyhan basin
EVREN TURHAN
Yüksek Lisans
Türkçe
2012
İnşaat MühendisliğiÇukurova Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HATİCE ÇAĞATAY
- Rainfall - runoff prediction based on artificial neural network, a case study in la chartreux spring, France
La charteux,Fransa kaynağındaki yağış - akış ilişkisinin yapay sinir ağları kullanılarak tahmini
ÇAĞRI ALPEREN İNAN
Yüksek Lisans
İngilizce
2017
Jeoloji MühendisliğiMuğla Sıtkı Koçman ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BEDRİ KURTULUŞ
- Makina öğrenmesi yöntemleri ile havza çıkış debisi tahmini
Determination of outlet discharge in basin with machine learning methods
KEREM KAYA
Yüksek Lisans
Türkçe
2022
İnşaat MühendisliğiGazi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER KOÇYİĞİT
- Karadeniz bölgesindeki yağış-akış ilişkisinin farklı yapay sinir ağları metotlarıyla belirlenmesi
Rainfall-runoff modelling using a different annual neural networks approach for Black Sea catchments
MERTHAN ŞAHİN
Yüksek Lisans
Türkçe
2007
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ.DR. H. KEREM CIĞIZOĞLU