Geri Dön

Rezervuar su kapasitesini tahmin etmeye yönelik makine öğrenmesi modellerinin karşılaştırılması: Mamasın Barajı örneği, Türkiye

Comparison of machine learning models for predicting reservoir water capacity: The case of Mamasin Dam, Turkey

PDF İndir

  1. Tez No: 895892
  2. Yazar: ÖZGE ÖZER
  3. Danışmanlar: PROF. DR. HATİCE ÇITAKOĞLU
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Dam, GPR, SVM, LSTM, LSSVR, Türkiye
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Erciyes Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 82

Özet

Rezervuar su kapasitesinin tahmin edilmesi, sel ve taşkın yönetim çalışmalarına yardımcı olmaktadır. Rezervuar su kapasitesi, iklim özellikleri ve insan faaliyetleri gibi değişkenlere bağlı olduğundan tahmin edilmesi zordur. Bu sebeple, rezervuar su kapasitesi tahmini için güvenilir modellere ihtiyaç vardır. Bu çalışmada, Mamasın Barajı'na ait 2010-2023 yılları arasındaki aylık rezervuar su kapasitesi verilerinden yararlanılmış olup, 2010-2019 yılları arasındaki veriler eğitim verisi ve 2020-2023 yılları arasındaki veriler ise test verisi olarak kullanılmıştır. Yapılan analizlerde, giriş değişkenleri olarak t-1, t-2 ve t-3 gecikme zamanlarındaki su kapasitesi değerleri kullanılarak, t çıkış zamanındaki su kapasitesi yaklaşık olarak hesaplanmıştır. Bu çalışmanın amacı, su kapasitesini tahmin etmede makine öğrenme tekniklerinin etkinliğinin karşılaştırılması olup, çalışma kapsamında Gauss Süreç Regresyonu (GPR) algoritması, Destek Vektör Regresyonu (SVM), En Küçük Kareler Destek Vektör Regresyonu (LS-SVM) ve Uzun-Kısa Süreli Bellek (LSTM) makine öğrenme teknikleri tercih edilmiştir. Model performansı ise Kök Ortalama Karekök Hata (RMSE), Bağıl Kök Ortalama Karesel Hata (RRMSE), Determinasyon Katsayısı (R2), Model Performansının Genel İndeksi (OI) ve Nash-Sutcliffe Etkinlik Katsayısı (NSE) metrikleri kullanılarak değerlendirilmiştir. Performans değerlendirmesi, en iyi sonuçları LSTM modelinin ürettiğini göstermiştir (R2= 0,9515, NSE= 0,8442, OI= 0,8742, RRMSE= 10,6521, RMSE= 3,4911) ve rezervuar su kapasitesini tahmin etmek için LSTM modelinin güvenilir bir yöntem olduğu saptanmıştır. Ayrıca, SVM modelinin performansının da düşük olduğu gözlemlenmiştir. Dört makine öğrenme modelinin performansları, geleneksel performans ölçümlerine ek olarak Taylor, Violin ve Hata Kutu Grafiği diyagramları kullanılarak grafiksel olarak karşılaştırılmıştır. Sonuç olarak, görsel kriterler ile klasik performans kriterlerinin birbirini desteklediği tespit edilmiştir.

Özet (Çeviri)

Estimating reservoir water capacity helps flood and inundation management studies. Reservoir water capacity is difficult to predict because it depends on variables such as climate characteristics and human activities. Therefore, reliable models are needed for reservoir water capacity estimation. In this study, monthly reservoir water capacity data of Mamasın Dam between 2010 and 2023 were used, and the data between 2010 and 2019 were used as training data and the data between 2020 and 2023 were used as test data. In the analyses, water capacity at exit time t was approximately calculated by using water capacity values at delay times t-1, t-2 and t-3 as input variables. The aim of this study is to compare the effectiveness of machine learning techniques in predicting water capacity, and within the scope of the study, Gaussian Process Regression (GPR) algorithm, Support Vector Regression (SVM), Least Squares Support Vector Regression (LS-SVM) and Long-Short Term Memory (LSTM). Machine learning techniques were preferred. Model performance was evaluated using the Root Mean Square Error (RMSE), Relative Root Mean Square Error (RRMSE), Coefficient of Determination (R2), Overall Index of Model Performance (OI) and Nash-Sutcliffe Efficiency Coefficient (NSE) metrics. Performance evaluation showed that LSTM model produced the best results (R2= 0.9515, NSE= 0.8442, OI= 0.8742, RRMSE= 10.6521, RMSE= 3.4911) and LSTM model produced the best results for predicting reservoir water capacity. It has been found to be a reliable method. Additionally, it has been observed that the performance of the SVM model is low. The performances of the four machine learning models were compared graphically using Taylor, Violin, and Error Boxplot diagrams in addition to traditional performance metrics. As a result, it has been determined that visual criteria and classical performance criteria support each other.

Benzer Tezler

  1. Tez No

    738869

    Yapay zeka ile hidroelektrik enerji santralleri baraj rezervuarlarının işletilmesi

    Operation of hydroelectric power plants dam reservoirs with artificial intelligence

    SERKAN İNAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    EnerjiOrdu Üniversitesi

    Yenilenebilir Enerji Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SİBEL AKKAYA OY

  2. Tez No

    295281

    Rezervuarlarda sediment birikiminin önlenmesi ve rezervuar ekonomik ömrünün uzatılması

    Reducing sedimentation deposit in rezervoirs and extending effective life of reservoirs

    BURCU ODABAŞI

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. İLHAN AVCI

  3. Tez No

    518842

    Analysis of interval pressure transient tests conducted by wireline formation testers in oil reservoirs with a connected water aquifer system

    Akifer bağlantılı petrol rezervuarlarında formasyon test aleti ile yapılan aralıklı kararsız basınç testlerinin analizi

    AYKUT ATADEĞER

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İHSAN MURAT GÖK

  4. Tez No

    439734

    Modeling of the Değirmenkoy underground gas storage field

    Değirmenköy yeraltı gaz depolama sahasının modellenmesi

    GULZADA SAGNALIYEVA

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖMER İNANÇ TÜREYEN

  5. Tez No

    101121

    Effect of wellbore conditions on the performance of underground gas-storage reservoirs

    Yeraltı gaz depolama rezervuarlarının performansında kuyu koşullarının etkisi

    ÖMER İNANÇ TÜREYEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2000

    Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik Üniversitesi

    PROF.DR. ABDURRAHMAN SATMAN

Geri Dön