Dinamik su bütçesi modeline makine öğrenmesi entegrasyonu ile aylık akış tahminlerinin iyileştirilmesi
Embedding machine learning into dynamic water budget model to improve monthly runoff prediction
- Tez No: 694145
- Danışmanlar: DOÇ. DR. UMUT OKKAN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Balıkesir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Yağış-akış modellemesinde en yaygın hibridizasyon uygulaması, makine öğrenimi yaklaşımlarının eğitimi için kavramsal yağış-akış modellerinin belirli çıktılarının kullanılmasına dayanmaktadır. Bu paralel hibridizasyonda, kavramsal ve makine öğrenimi modellerinin parametre tahminleri peş peşe gerçekleştirilmektedir. Ancak hem kavramsal hem de makine öğrenimi modellerinin parametreleri arasındaki karşılıklı etkileşimin dikkate alınmaması bu hibritleme yönteminin önemli dezavantajlarından biri olarak değerlendirilmektedir. Ayrıca ardışık kalibrasyonlar, hesap yoğunluğunu aşırı artırabilmektedir. Bu tez çalışmasında, bahsi geçen dezavantajların üstesinden gelmek için, iki yapay zekâ modeli (yapay sinir ağları ve destek vektör regresyonu), toplu bir kavramsal model olan dinamik su bütçesi modeli (dynwbm) ile seri hibritleme yaklaşımı kullanılarak hibritlenmiştir. Daha sonra önerilen hibrit modellerde tanımlanan tüm potansiyel parametreler eş zamanlı olarak kalibre edilmiştir. Bu iç içe yapının makine öğrenimi katmanı, aylık akış serilerini daha iyi simüle etmek için kavramsal parametrelerden elde edilen farklı çıktı kombinasyonlarını kullanmaktadır. Hibrit parçacık sürü optimizasyon algoritması ile eğitilen bu yeni hibrit modeller Gediz Havzası'nda bulunan dokuz adet akım gözlem istasyonunda sınanmıştır. Performans indislerine göre, seri hibrit modeller tekil modellerden ve paralel hibrit tiplerden daha iyi performans sergilemişlerdir. Netice itibari ile kavramsal bir modelin ve makine öğrenimi algoritmalarının öncül özelliklerini harmanlayan yeni bir modelleme yaklaşımının tutarlılığı ve uygulanabilirliği detaylı bir şekilde kanıtlanmıştır.
Özet (Çeviri)
The most common hybridization practice in rainfall-runoff modeling is implemented by using the certain outputs of conceptual rainfall-runoff models for the training of machine learning approaches. In that parallel coupling hybridization, the parameter estimations of the conceptual and machine learning models are consecutively carried out. However, this application has a crucial drawback since the mutual interaction between the parameters operating both conceptual and machine learning models is not taken into consideration. Moreover, the cascade calibrations can unnecessarily increase the computational complexity. In this thesis study, to overcome these disadvantages, two artificial intelligence models (artificial neural networks and support vector regression) were integrated with the dynamic water budget model (dynwbm) that is a lumped conceptual model. Then, all potential parameters defined in proposed serial hybrid models were simultaneously calibrated. The machine learning layer of this intertwined structure uses different output combinations obtained from the conceptual parameters in order to better simulate monthly runoff series. These new hybrid models trained through hybrid particle swarm optimization algorithm were performed at the Gediz River Basin. The performance indices pointed out that the serial hybrid models outperformed the solo models and coupled parallel types. Consequently, both the robustness and applicability of this new modeling framework, which makes use of the prominent skills of a conceptual model and machine learning algorithms, has been comprehensively provided.
Benzer Tezler
- Hydraulic modelling of water distribution networks
Su dağıtım şebekelerinin hidrolik modelinin kurulması
EMRE YAĞIZ
Yüksek Lisans
İngilizce
1999
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURİ MERZİ
- İklim değişikliğinin baraj havzası hidrolojisi üzerindeki etkilerinin modellenmesi: AR5-RCP senaryoları ve demirköprü barajı örneği
Modeling of probable effects of climate change on dam basin hydrology: AR5-RCP scenarios and case of demirkopru dam reservoir
UMUT KIRDEMİR
Yüksek Lisans
Türkçe
2017
İnşaat MühendisliğiBalıkesir Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. UMUT OKKAN
- Eğirdir Gölü hidrodinamik ve su kalitesinin delft3D modeli ile modellenmesi
Hydrodynamic and water quality modelling of the lake Eğirdir with deft3d model
MELTEM KAÇIKOÇ
Doktora
Türkçe
2013
Çevre MühendisliğiSüleyman Demirel ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET BEYHAN
- İklim krizi yönünden tarımsal etki değerlendirme analizi: Sarıgöl Afşar Barajı örneği
Agricultural impact assessment analysis in terms of climate crisis: The case of Sarıgöl Afşar Dam
UMUT SUZAN
Doktora
Türkçe
2024
ZiraatEge ÜniversitesiTarımsal Yapılar ve Sulama Ana Bilim Dalı
PROF. DR. MEHMET ALİ UL
PROF. DR. UMUT OKKAN
- İklim değişikliğinin İstanbul'un yüzeysel su kaynaklarına etkisi ve kuraklık dirençli bütünleşik su yönetimi
Climate change impacts on the surface water resources of Istanbul and drought resilient water management
GÖKHAN CÜCELOĞLU
Doktora
Türkçe
2019
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. İZZET ÖZTÜRK