Makine öğrenmesi teknikleri ile sondaj kuyu sularının içilebilirlik açısından sınıflandırılması
Classification of borehole waters in terms of potability by machine learning techniques
- Tez No: 924111
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH TOPALOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Malatya Turgut Özal Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Enformatik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 67
Özet
Su, tüm canlıların hayatta kalması ve beslenmesi için temel bir gerekliliktir. Bu nedenle, su kalitesi dengesinin korunması çok önemlidir. Aksi takdirde, insanların sağlığına ciddi zararlar verebilir ve diğer türler arasındaki ekolojik dengeyi ciddi şekilde etkileyebilir. Su kalitesi gerek ekosistem ihtiyaçları gerekse sağlık, hijyen, gıda ve ekonomiyi doğrudan etkileyen kirlilik seviyeleri açısından dikkate alınması gereken önemli bir faktördür. Artan küresel su talebi, yeraltı suyu kaynaklarının aşırı kullanımına ve yeraltı suyu kalitesinin düşmesine neden olmaktadır. Jeolojik oluşumlar ve insan faaliyetlerinden önemli ölçüde etkilenen fiziksel ve kimyasal özellikler, yeraltı suyu kalitesinin nasıl değiştiğini belirtmektedir. Yeraltı suyu kaynak bilgilerinin doğru ve güvenilir bir şekilde değerlendirilmesi, yeraltı suyu kalitesinin etkin bir şekilde yönetilmesi için önemli bir unsurdur. Bu tez çalışmasında, su izleme uygulamalarında geleneksel analiz yöntemlerine alternatif olarak su kalitesini tahmin etmek için etkili bir yapay zeka tekniği olan Makine Öğrenmesi (ML) sınıflandırma algoritmaları kullanılarak artezyen sularının içilebilirk açısından sınıflandırılması gerçekleştirilmiştir. Bu kapsamda Elâzığ İl Özel İdaresinden temin edilen 30 adet içilebilir ve 30 adet içilemez olarak etiketlenmiş sondaj kuyularına ait su verileri Karar Ağaçları (DT), K En Yakın Komşu (KNN), Naive Bayes (NB), Rastgele Orman (RF) ve Destek Vektör Makineleri (SVM) algoritmaları ile analiz edilmiştir. Veri setinin %80'i ML modellerinin eğitimi için, geri kalan %20'si ise test için kullanılmıştır. Çalışma sonucunda, KNN algoritması %99,93 lük doğruluk oranı ile en iyi sınıflandırma performansını göstermiştir.
Özet (Çeviri)
Water is essential for the survival and sustenance of all living things. Therefore, it is very important to maintain the balance of water quality. Otherwise, it can cause serious harm to human health and seriously affect the ecological balance among other species. Water quality is an important factor to consider both in terms of ecosystem needs and pollution levels that directly affect health, hygiene, food and economy. Increasing global water demand is leading to over-exploitation of groundwater resources and degradation of groundwater quality. Physical and chemical properties, which are significantly influenced by geological formations and human activities, indicate how groundwater quality is changing. Accurate and reliable assessment of groundwater resource information is an important element for effective management of groundwater quality. Thesis study, Machine Learning (ML) classification algorithms, an effective artificial intelligence technique for predicting water quality as an alternative to traditional analysis methods in water monitoring applications, were used to classify artesian waters in terms of potability. In this context, 30 potable and 30 non-potable labeled borehole water data obtained from Special Provincial Administration of Elâzığ were analyzed with Decision Trees (DT), K Nearest Neighbor (KNN), Naive Bayes (NB), Random Forest (RF) and Support Vector Machines (SVM) algorithms. 80% of the dataset was used for training ML models and the remaining 20% was used for testing. As a result of the study, the KNN algorithm showed the best classification performance with an accuracy of 99.93%.
Benzer Tezler
- Prediction of flow rates from different entries using PLT p-T measurements in a horizontal well by machine learning methods
Makine öğrenmesi teknikleri ile bir yatay kuyunun farklı girişlerin debilerinin PLT p-T ölçümlerinden tahmini
MUHARREM HİLMİ ÇEVİK
Yüksek Lisans
İngilizce
2022
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT ÇINAR
- Penetration rate optimization in heterogeneous formations with support vector machines method
Destek vektör makinesi yöntemi ile heterojen formasyonlarda ilerleme hızı optimizasyonu
KORHAN KOR
Doktora
İngilizce
2021
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜRŞAT ALTUN
- Forecasting the performance of shale gas wells using machine learning
Makine öğrenmesi kullanarak şeyl gaz kuyularının performansının tahmin edilmesi
MOHAMMED SHEDAIVA
Yüksek Lisans
İngilizce
2023
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DOÇ. DR. FAZIL EMRE ARTUN
- Üç boyutlu zemin haritaları kullanımı ile makine öğrenmesi tekniklerine dayalı geoteknik parametre tahmini
Geotechnical parameter estimation based on machine learning techniques using three dimensional soil maps
İZEL YILDIZ SERTGÖZ
Yüksek Lisans
Türkçe
2025
İnşaat Mühendisliğiİstanbul Üniversitesi-Cerrahpaşaİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZÜLAL AKBAY ARAMA
DR. ÖĞR. ÜYESİ MELDA YÜCEL
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA