Yapay zekâ teknikleri ile yeraltı su seviyesinin zaman serisi tahmini
Time series prediction of groundwater level with artificial intelligence techniques
- Tez No: 898214
- Danışmanlar: DOÇ. DR. RİFAT KURBAN
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Yeraltı su seviyesi tahmini, Yapay sinir ağı, Doğrusal olmayan otoregresif sinir ağı, Uzun kısa süreli bellek, Groundwater level prediction, Artificial neural network, Nonlinear autoregressive neural network, Long short-term memory
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kayseri Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 99
Özet
Yeraltı suyu kaynaklarının etkin yönetimi kritik öneme sahiptir ve son araştırmalar, yeraltı suyu seviyelerindeki düşüşlerin yeraltı suyu hidrolojisi üzerindeki etkisini vurgulayarak sürdürülebilir uygulamaların gerekliliğini ortaya koymaktadır. Bu tez çalışmasında, yapay zeka teknikleri kullanılarak yeraltı suyu seviyesinin zaman serileri tahmini gerçekleştirilmiştir. Kaggle'dan elde edilen AquiferAuser veri seti kullanılarak, beş farklı kuyunun yeraltı suyu seviyeleri analiz edilmiş ve tahminlerde bulunulmuştur. Çalışma kapsamında NAR-NN ve LSTM gibi yapay sinir ağı algoritmaları kullanılmış ve performansları RMSE değerleri üzerinden karşılaştırılmıştır. Sinir ağları farklı eğitim algoritmaları ve parametrelerle test edilerek en uygun konfigürasyonlar belirlenmiştir. Zaman gecikmesi artarken NAR-NN performansı iyileşmiş ve LSTM performansı düşmüştür. NAR-NN modeli için Bayesian Regularization geri yayılım (trainbr) algoritması, Levenberg-Marquardt geri yayılım (trainlm) algoritmasına göre daha iyi sonuçlar sağlamıştır. LSTM modeli için ise, rmsprop eğitim algoritması adam algoritmasından daha başarılı bulunmuştur. NAR-NN modeli LSTM modeline kıyasla daha düşük RMSE değerleri elde ederek daha yüksek tahmin doğruluğu sergilemiştir. Bu durum, NAR-NN modelinin zaman serilerindeki karmaşık ve doğrusal olmayan ilişkileri daha etkin bir şekilde modelleme yeteneğine bağlanabilir. Bu çalışma, yapay zeka modellerinin su yönetiminde önemli bir rol oynayabileceğini ve doğru model seçimi ile optimizasyonun bu süreçte kritik olduğunu göstermektedir. Yapay zeka modellerinin doğru tahminler yapabilmesi, su kaynaklarının daha verimli ve sürdürülebilir bir şekilde yönetilmesine katkı sağlayacaktır
Özet (Çeviri)
Effective management of groundwater resources is critical and recent research has highlighted the impact of declining groundwater levels on groundwater hydrology, highlighting the need for sustainable practices. In this thesis, groundwater level time series forecasting is performed using artificial intelligence techniques. Using the AquiferAuser dataset obtained from Kaggle, groundwater levels of five different wells were analyzed and predictions were made. Neural network algorithms such as NAR-NN and LSTM were used in the study and their performances were compared based on RMSE values. The neural networks were tested with different training algorithms and parameters to determine the optimal configurations. As the time delay increases, NAR-NN performance improves and LSTM performance decreases. For the NAR-NN model, the Bayesian Regularization backpropagation (trainbr) algorithm provided better results than the Levenberg-Marquardt backpropagation (trainlm) algorithm. For the LSTM model, the rmsprop training algorithm was found to be more successful than the man algorithm. The NAR-NN model exhibited higher prediction accuracy with lower RMSE values compared to the LSTM model. This can be attributed to the ability of the NAR-NN model to model complex and nonlinear relationships in time series more effectively. This study shows that AI models can play an important role in water management and that proper model selection and optimization are critical in this process. The ability of artificial intelligence models to make accurate predictions will contribute to a more efficient and sustainable management of water resources.
Benzer Tezler
- Meteorolojik veriler kullanılarak yeraltı su seviyesinin genetik programlama ile tahmini
Estimation of groundwater level with genetic programming using meteorological data
EMİN BABAYİĞİT
Yüksek Lisans
Türkçe
2015
İnşaat MühendisliğiErciyes Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT ÇOBANER
- Serbest akiferlerdeki yeraltı su seviyeleri ile meteorolojik veriler arasındaki ilişkinin yapay sinir ağları ile belirlenmesi
Investigation of relationship between groundwater level and meteorological variables with the artificial neural network at unconfined aquifers
ORKUN KARABORAN
Yüksek Lisans
Türkçe
2013
İnşaat MühendisliğiErciyes Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT ÇOBANER
- 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
- Havadan alınan termal kamera görüntülerinde canlı tasnifinin yapılmasında derin öğrenme tabanlı tekniklerin uygulanması
Application of deep learning-based techniques for performing live sorting on aerial thermal camera images
HALİL USLU
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ENGİN AVCI
- Su bütçesi elemanlarının belirlenmesinde yapay zeka yöntemlerinin kullanılması
Using artifical intelligence methods to determinewater budget compenentes
BAGER ABI
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiHakkari Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHTEREM DEMİROĞLU
DR. ÖĞR. ÜYESİ MURAT KOCA