Geri Dön

Makine öğrenme yöntemleri ile sediment taşınımı tahmini ve performanslarının karşılaştırılması

Sediment transport forecasting with machine learning methods and comparison of their performances

PDF İndir

  1. Tez No: 954789
  2. Yazar: BAHAR EZGİ BIYIKLI
  3. Danışmanlar: PROF. DR. MEHMET ALİ HINIS
  4. Tez Türü: Yüksek Lisans
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  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: 93

Özet

Askıda sediment yükünün doğru bir şekilde hesaplanması su kaynakları yönetimi, taşkın kontrolü ve baraj gibi su yapılarının tasarım ve işletilmesinde oldukça önemlidir. Pek çok farklı parametreye bağlı olan askıda sediment yükünün tahmini için bu çalışmada Sacramento Nehri'nde bulunan 11447650 numaralı USGS istasyonundan elde edilen 1966-1973 yıllarına ait günlük askıda sediment konsantrasyonu, akım debisi ve su sıcaklığı verileri kullanılmıştır. Bu çalışmada askıda sediment konsantrasyonu, akım debisi ve su sıcaklığı parametrelerinin farklı zamanlara ait gecikme değerleri kullanılarak pek çok kombinasyon araştırılmış ve bunlar arasından seçilen 15 farklı model sunulmuştur. Oluşturulan modeller literatürde sıklıkla tercih edilen dört adet makine öğrenmesi yöntemleri ile: ANFIS, Destek Vektör Makinesi, Rastgele Orman ve Gauss Süreç Regresyonu yöntemleri ile ve tahminlerdeki hassasiyeti artırabilmek için ayrıca dalgacık dönüşümü uygulanarak test edilmiştir. Hem dalgacık dönüşümü öncesi hem de dalgacık dönüşümü sonrasında model performansları karşılaştırılmıştır. Günlük askıda sediment konsantrasyonu tahmininde ANFIS, Destek Vektör Makinesi, Rastgele Orman ve Gauss Süreç Regresyonu yöntemleri hem dalgacık dönüşümü öncesinde hem de dalgacık dönüşümü sonrasında oldukça iyi performans verdikleri görülmüştür. En iyi sonucu veren model ise dalgacık dönüşümü sonrası W-ANFIS M02 modeli olmuştur (Korelasyon: 0.98, NS: 0.97, KGE: 0.97, PI:0.07, RMSE: 0.17).

Özet (Çeviri)

The management of water resources, flood control, and the construction and maintenance of water structures like dams all depend heavily on the precise computation of the suspended sediment load. Stream flow, water temperature, and daily suspended sediment concentration data from USGS station number 11447650 in the Sacramento River for 1966–1973 were utilized in this work to estimate the suspended sediment load, which is dependent on numerous factors. Fifteen distinct models were provided in this study, which used lag values from various intervals to examine various combinations of suspended particle concentration, stream flow, and water temperature parameters. Four machine learning techniques that are often used in the literature—ANFIS, Support Vector Machine, Random Forest, and Gaussian Process Regression—as well as the wavelet transform to improve estimate precision were used to assess the built models. Model performances were compared both before and after wavelet transform. In the estimation of daily suspended sediment concentration, ANFIS, Support Vector Machine, Random Forest and Gaussian Process Regression methods were found to perform quite well both before and after wavelet transformation. The model that gave the best result was the W-ANFIS M02 model after wavelet transformation (Correlation: 0.98, NS: 0.97, KGE: 0.97, PI: 0.07, RMSE: 0.17).

Benzer Tezler

  1. Tez No

    598017

    Uzaktan algılama ve çok ölçütlü karar verme yöntemleri ile deniz çayırı habitatlarının belirlenme olanaklarının araştırılması

    Investigation of seagrass habitat determination possibilities using remote sensing and multi criteria decision analysis

    TOLGA BAKIRMAN

    Doktora

    Türkçe

    Türkçe

    2019

    Deniz BilimleriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ÜMİT GÜMÜŞAY

    DR. ÖĞR. ÜYESİ İNCİ TÜNEY KIZILKAYA

  2. Tez No

    847526

    Makine öğrenme yöntemleriyle Fırat havzasındaki sediment konsantrasyonunun tahmin edilmesi

    Estimate the sediment concentration in the Euphrates basin using machine learning methods

    YUNUS EMRE GÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiHarran Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OĞUZ ŞİMŞEK

  3. Tez No

    846111

    Determination of the geo-engineering properties and liquefaction potential of the quaternary deposits of Dalaman-Muğla/SW Anatolia

    Dalaman-Muğla/GB Anadolu bölgesindeki kuvaterner çökellerin jeo- mühendislik özelliklerinin ve sıvılaşma potansiyelinin belirlenmesi

    ORKUN TÜRE

    Doktora

    İngilizce

    İngilizce

    2023

    Jeoloji MühendisliğiMuğla Sıtkı Koçman Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGUN KARACAN

  4. Tez No

    858192

    Makine öğrenme yöntemleri ile EEG sinyalinden alzheimer tespiti

    Detection of alzheimer's from EEG signal with machine learning methods

    YELİZ ŞENKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiOndokuz Mayıs Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÇETİN KURNAZ

  5. Tez No

    786954

    Makine öğrenme yöntemleri ile el yazısı karakterlerinin tanınması

    Recognizing handwriting characters by machine learning methods

    ÖZGE TUNCER

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. UĞUR YAVUZ

Geri Dön