Implementation of long short-term memory (LSTM) deep learning algorithm to predict flow rate and water quality index (WQI)
Su akışı ve su kalitesi indeksi (WQI) tahmini için uzun kısa süreli bellek (LSTM) derin öğrenme algoritmasının uygulanması
- Tez No: 941231
- Danışmanlar: DR. ÖĞR. ÜYESİ İBRAHİM ZİNCİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Ekonomi Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dünyanın oluşumundan bu yana su kaynakları, doğal yaşam ve insan varlığı için hayati bir öneme sahiptir. Tüm canlılar bu kaynaklara bağımlı olarak yaşamlarını sürdürmektedir. Ancak günümüzde su kaynakları, küresel ısınma, doğal afetler ve insan kaynaklı etkenler nedeniyle ciddi tehditlerle karşı karşıyadır. Hızlı sanayileşme, artan fabrika sayısı ve bilinçsiz su kullanımı, mevcut suyun miktarını ve kalitesini önemli ölçüde olumsuz etkilemektedir. Su kaynakları yalnızca içme amacıyla değil; tarım, balıkçılık ve rekreasyonel faaliyetler gibi birçok alanda da kritik öneme sahiptir. Bu nedenle, söz konusu kaynakların doğru ve sürdürülebilir kullanımı için küresel ölçekte, özel modeller ve çerçevelerle desteklenen çalışmalar yürütülmektedir. Debi ölçümü; biyolojik ve meteorolojik süreçlerin anlaşılması, endüstriyel deneylerin yürütülmesi ve hidrolik modellemelerin gerçekleştirilmesinde önemli bir rol oynamaktadır. Ayrıca, yıllar içinde su akışındaki değişimlerin izlenmesi, kayıp ya da artışların erken tespitiyle uzun vadeli sürdürülebilirlik adına önlem alınmasını mümkün kılmaktadır. Bu tezde, debi tahmini ve Su Kalitesi İndeksi (WQI) öngörüsü için LSTM tabanlı Derin Öğrenme yaklaşımı sunulmuştur. Ayrıca, bölgesel su kalitesi değerlendirmesi için özgün bir model mimarisi önerilmiştir. Bu yöntem, hem yüksek doğrulukta debi tahmini sağlamakta hem de yenilikçi ve yerelleştirilmiş bir su kalitesi değerlendirme yaklaşımı sunmaktadır. Her iki görevde elde edilen güçlü sonuçlar, karmaşık zaman serisi desenlerini yakalama konusunda LSTM'nin başarısını ve özelleştirilmiş modelimizin sürdürülebilir su yönetimi için etkili çözümler sunduğunu ortaya koymaktadır.
Özet (Çeviri)
Since the formation of the world, water resources have been essential for natural life and human survival. All living beings depend on these resources, yet they now face serious threats due to global warming, natural disasters, and human-driven factors. Rapid industrialization, the increasing number of factories, and unconscious water consumption have significantly degraded both the quantity and quality of available water. Beyond serving as drinking water, these resources are vital for agriculture, aquaculture, and recreational activities like swimming. Consequently, global efforts are being made to ensure their correct and sustainable use, supported by models and frameworks designed to optimize water resource management and protection. Flow rate measurement plays a crucial role in understanding biological and meteorological processes, conducting experiments in industrial settings, and executing hydraulic models. Additionally, tracking flow rate over time helps identify losses or surpluses, allowing early intervention for long-term sustainability. This thesis presents a Deep Learning-based approach using the LSTM model for flow rate estimation and Water Quality Index (WQI) prediction. Our methodology achieves high accuracy in flow forecasting and proposes an innovative method for assessing water quality. The successful performance in both tasks highlights the potential of LSTM in handling complex time-series data, offering a robust solution to environmental monitoring challenges. These findings affirm the capability of Deep Learning, especially LSTM, to foster sustainable water resource management through intelligent and adaptive systems.
Benzer Tezler
- Beton basınç dayanımının derin öğrenme ile tahmin edilmesi
Prediction of concrete compressive strength using deep learning
OSMAN TUFAN
Yüksek Lisans
Türkçe
2025
Süleyman Demirel ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Hasar değerlendirme süreçlerinde makine öğrenmesi ve derin öğrenme tabanlı hibrit model yaklaşımı
Machine learning and deep learning based hybrid model approach in damage assessment processes
KEREM ÖZÇELİK
Yüksek Lisans
Türkçe
2021
İstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Sensor-based activity recognition and authentication using deep learning
Derin öğrenme yöntemleri ile sensör tabanlı sistemlerde aktivite ve kimlik tanıma
NİLAY TÜFEK
Yüksek Lisans
İngilizce
2019
İstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Sentiment analysis based on natural language processing and deep learning in a software engineering perspective
Yazılım mühendisliği perspektifinde doğal dil işleme ve derin öğrenmeye dayalı duygu analizi
AZHAR AHMED BILAL BILAL
- Makine öğrenmesi yöntemlerini kullanarak bir petrokimya firmasının hisse senedi fiyat tahmini
Stock price prediction of a petrochemical company using machine learning methods
ŞEVVAL TOPRAK