Yağış-akış ilişkisinin yapay zeka yöntemleri ile modellenmesi
Modeling the rainfall-runoff relationship with artificial intelligence methods
- Tez No: 720489
- Danışmanlar: PROF. DR. FEVZİ ÖNEN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Dicle Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Hidrolik ve Su Kaynakları Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Yağış-akış ilişkisinin doğru bir şekilde modellenmesi su mühendisliğinde önem arz etmektedir. Bununla birlikte, hidrolojik sistemlerin karmaşıklığı ve nonlineer olma özelliği göz önüne alındığında, yağış-akış ilişkisi gibi olguları tanımlamak için hala birçok model geliştirilmektedir. Özellikle son yıllarda etkili olan küresel ısınma ve küresel iklim değişimi gibi etmenler sebebiyle yağış-akış ilişkisini belirlemek daha da önemli hale gelmiştir. Son zamanlarda, Yapay Sinir Ağı (YSA), Genetik İfadeli Programlama (GEP), Uyarlanabilir Sinirsel-Bulanık Çıkarım Sistemi (ANFIS) gibi yapay zeka teknikleri yağış-akış modellemesi gibi hidrolojik olaylar için kullanımı yaygınlaşmıştır. Bu tez çalışmasında, havza yağış-akış modellemesi için üç ayrı yapay zeka tabanlı yöntemler (YSA, GEP, ANFIS) ve istatistiksel bir yöntem olan Çoklu Doğrusal Regresyon (ÇDR) kullanılarak tahmin edilen akış değerleri, gözlenen akış değerleri ile karşılaştırılmıştır. Girdi parametrelerinden yağış verisi, 4km x 4km çözünürlükteki uydu verilerinden yararlanılmıştır. Yağış verisi havza için günlük ortalama yağış yüksekliği şeklinde elde edilmiştir. Akım verisi olarak Berta Suyu Havzası çıkışında bulunan EİE-2334 nolu akım gözlem istasyonunun (AGİ) günlük akış verileri kullanılmıştır. Akım verisinin Q(t-1), Q(t-2), Q(t-3), Q(t-4) ve yağış verisinin P(t), P(t-1), P(t-2), P(t-3) değerleri ile çeşitli girdi senaryoları oluşturulup çıkış olarak Q(t) ile eşleştirilmiştir. Girdilerin bir kısmı model eğitimi, kalan kısmı da test için ayrılmıştır. Modellerin performansı determinasyon katsayısı (R2) ve ortalama karesel hatanın kökü (KOKH) ile değerlendirilmiştir. Yapılan çalışmada ANFIS, GEP, YSA ve ÇDR sonuçlarının birbirine yakın olduğu tespit edilmiştir. Berta Suyu Havzası için en yüksek R2=0,988 ve en düşük KOKH=4,770 değerini veren modelin ANFIS-K1 olduğu görülmüştür. Yapılan bu çalışmalardan elde edilen sonuçlar doğrultusunda yapay zeka yöntemlerinin yağış-akış ilişkisini belirlemede kullanılabileceği tespit edilmiştir.
Özet (Çeviri)
The need for accurate modeling of the rainfall-runoff process has increased rapidly in recent years. However, given the complexity and nonlinearity of hydrological systems, many models are still being developed to describe phenomena such as the rainfallrunoff relationship. It has become even more important to determine the rainfall-runoff relationship due to factors such as global warming and global climate change, which have been effective especially in recent years. Recently, artificial intelligence techniques such as Artificial Neural Network (ANN), Genetic Expression Programming (GEP), Adaptive Neural-Fuzzy Inference System (ANFIS) have become widespread for hydrological purposes such as rainfall-runoff modeling. In this study, three different artificial intelligence-based methods (ANN, GEP, ANFIS) for basin precipitation-flow modeling were compared with Multiple Linear Regression (MLR), which is a more classical statistical method. Precipitation data, one of the input parameters, consists of satellite data with a resolution of 4km x 4km. Precipitation data were obtained in the form of daily average precipitation height for the basin. The daily flow data of the EIE-2334 flow observation station (FOS) located at the exit of the Berta Water Basin were used as flow data. The flow data Q(t-1), Q(t-2), Q(t-3), Q(t-4) and precipitation data P(t), P(t-1), P(t-2), P(t-3) various input combinations are created with values and matched with Q(t) as output. Some of the inputs are reserved for model training and the remainder for testing. The performance of the models was evaluated by the coefficient of determination (R2) and the root mean square error (RMSE). In the study, it was seen that the results of ANFIS, GEP, ANN, and EDR were close. ANFIS-K1 was found to be the model that gave the highest R2=0.988 and the lowest RMSE=4.770 value for the Berta Water Basin. It has been concluded that artificial intelligence methods can be easily used to determine the rainfall-runoff relationship.
Benzer Tezler
- Dicle havzasında yağış-akış ilişkisinin makine öğrenme yöntemleriyle belirlenmesi
Determination of rainfall-runoff relationship in Tigris basin with machine learning methods
SELMİN DERE
Yüksek Lisans
Türkçe
2022
İnşaat MühendisliğiHarran Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZ ŞİMŞEK
- 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
- Akış katsayısının bulanık SMGRT yöntemi ile modellenmesi
Modeling flow coefficient by using fuzzy SMGRT method
DERYA KARAKAYA
Yüksek Lisans
Türkçe
2018
İnşaat MühendisliğiDicle Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ZEYNEL FUAT TOPRAK
- Yağış-akış bağıntıları ve yapay zeka teknikleri ile modellenmesi
The rainfall-runoff correlations and modelling with artificial intelligence techniques
OSMAN ULUKAYA
Doktora
Türkçe
2011
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. NECATİ AĞIRALİOĞLU
- Yapay zekâ yöntemleri ile Fırat Havzası yağış-akış ilişkisinin belirlenmesi
Determination of rainfall-runoff relationship in Euphrates Basin with artificial intelligence methods
İBRAHİM HALİL İFŞAAT
Yüksek Lisans
Türkçe
2020
İnşaat MühendisliğiHarran Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL GÜMÜŞ