Geri Dön

Günlük akarsu akımlarının farklı makine öğrenmesi yöntemleri ile tahmini

Forecasting of daily stream flow using various machine learning methods

  1. Tez No: 891757
  2. Yazar: ULVİYE ZİYA
  3. Danışmanlar: PROF. DR. MEHMET ALİ HINIS
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Aksaray Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 75

Özet

Günlük akarsu akımlarının tahmini su yapılarının işletilmesi, kontrolü ve yönetimi için oldukça önemlidir. Pek çok parametreye bağlı değişkenlik gösteren bir hidrolojik parametre olan akım değerlerinin kısa süreli değerlerinin tahmini zor bir konudur. Günlük, haftalık gibi kısa süreli akış tahminleri, bir havzadaki belirli bir rezervuarın ileriye yönelik akışını tahmin etmek için kullanılır. Bu tahminler, mevcut su kaynaklarının optimum kullanımı için rezervuar depolamasının aktif olarak düzenlenmesini gerektiren hidroelektrik güç planlaması ve taşkın azaltılması gibi durumları planlamak için kullanılır. Bu sebeple akarsu yapılarının yönetiminde gerek rezervuarda ne kadar su biriktirileceği veya bırakılacağının belirlenmesinde gerekse üretilecek enerji miktarının belirlenmesinde kısa süreli akım tahminlerine ihtiyaç duyulmaktadır. Bu sebeple en uygun tahmin yapılabilmesi su yapıları yönetiminde hayati öneme sahiptir. Bu çalışma kapsamında kısa süreli akım tahminlerinde kullanılan pek çok makine öğrenmesi yöntemleri arasından seçilmiş olan Gauss Süreci Regresyon Analizi (GPR), Destek Vektör Makinesi (DVM), Karar Ağaçları (KA), Rastgele Orman (RO) ve Yapay Sinir Ağları (YSA/ANN) yöntemlerinden en uygun olanı araştırılmıştır. Daha sonra bu yöntemlerin sonuçlarının iyileştirilmesi için Dalgacık Dönüşümü metodu kullanılmış ve aynı yöntemlerin Dalgacık Dönüşümünden sonraki modelleri hesaplanmıştır. Dalgacık dönüşümü öncesi ve sonrası oluşturulan yöntem ve modellerin sonuçları çeşitli istatistiksel kriterler ile karşılaştırılmıştır. En iyi model dalgacık dönüşümü sonrası Destek Vektörleri Makinesi yöntemlerinden Lineer fonksiyonu kerneli ile oluşturulan M04 modeli (R:0.998131, NSE:0.99624, KGE:0.99282, PI:0.03940, RMSE:0.30386, MAPE:0.05553) olarak bulunmuştur.

Özet (Çeviri)

Günlük akarsu akımlarının tahmini su yapılarının işletilmesi, kontrolü ve yönetimi için oldukça önemlidir. Pek çok parametreye bağlı değişkenlik gösteren bir hidrolojik parametre olan akım değerlerinin kısa süreli değerlerinin tahmini zor bir konudur. Günlük, haftalık gibi kısa süreli akış tahminleri, bir havzadaki belirli bir rezervuarın ileriye yönelik akışını tahmin etmek için kullanılır. Bu tahminler, mevcut su kaynaklarının optimum kullanımı için rezervuar depolamasının aktif olarak düzenlenmesini gerektiren hidroelektrik güç planlaması ve taşkın azaltılması gibi durumları planlamak için kullanılır. Bu sebeple akarsu yapılarının yönetiminde gerek rezervuarda ne kadar su biriktirileceği veya bırakılacağının belirlenmesinde gerekse üretilecek enerji miktarının belirlenmesinde kısa süreli akım tahminlerine ihtiyaç duyulmaktadır. Bu sebeple en uygun tahmin yapılabilmesi su yapıları yönetiminde hayati öneme sahiptir. Bu çalışma kapsamında kısa süreli akım tahminlerinde kullanılan pek çok makine öğrenmesi yöntemleri arasından seçilmiş olan Gauss Süreci Regresyon Analizi (GPR), Destek Vektör Makinesi (DVM), Karar Ağaçları (KA), Rastgele Orman (RO) ve Yapay Sinir Ağları (YSA/ANN) yöntemlerinden en uygun olanı araştırılmıştır. Daha sonra bu yöntemlerin sonuçlarının iyileştirilmesi için Dalgacık Dönüşümü metodu kullanılmış ve aynı yöntemlerin Dalgacık Dönüşümünden sonraki modelleri hesaplanmıştır. Dalgacık dönüşümü öncesi ve sonrası oluşturulan yöntem ve modellerin sonuçları çeşitli istatistiksel kriterler ile karşılaştırılmıştır. En iyi model dalgacık dönüşümü sonrası Destek Vektörleri Makinesi yöntemlerinden Lineer fonksiyonu kerneli ile oluşturulan M04 modeli (R:0.998131, NSE:0.99624, KGE:0.99282, PI:0.03940, RMSE:0.30386, MAPE:0.05553) olarak bulunmuştur.

Benzer Tezler

  1. Türkiye'deki akarsu havzalarında taşkın mevsimselliğinin belirlenmesi

    Determination of flood seasonality in Turkey river basins

    UĞUR ERTEKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. BİHRAT ÖNÖZ

  2. Ölçümü olmayan akarsu havzalarında akım tahminlerinin iyileştirilmesi

    Improvement of streamflow estimation in ungauged basins

    MUSTAFA UTKU YILMAZ

    Doktora

    Türkçe

    Türkçe

    2020

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. BİHRAT ÖNÖZ

  3. Low flow duration frequency curves and trend analysis

    Düşük akım süre frekans eğrileri ve trend analizi

    SELEN ORTA

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. HAFZÜLLAH AKSOY

  4. Akarsu akımlarının lineer ve non-lineer parametrik zaman serileriyle modellenmesi

    Modeling stream flows via parametric linear and non-linear time series

    HAKAN TONGAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2008

    İnşaat MühendisliğiSüleyman Demirel Üniversitesi

    İnşaat Mühendisliği Bölümü

    YRD. DOÇ. DR. VEYSEL GÜLDAL

  5. Akarsu akımlarının nonlineerlik, stokastiklik ve belirsizlik özelliklerinin matematiksel tabanlı metotlarla incelenmesi

    The examination of nonlinearity, stochasticity and uncertainty properties of streamflows with the mathematical based methods

    HAKAN TONGAL

    Doktora

    Türkçe

    Türkçe

    2012

    İnşaat MühendisliğiSüleyman Demirel Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. VEYSEL GÜLDAL