Abstract
Su kaynakları mühendisliğinde, aylık yağış-akış modellerinin önemi büyüktür. Yağış-akış ilişkilerinin belirlenmesinde kapalı kutu modellerinin kullanımı, deterministik modellere kıyasla zaman tasarrufu sağlaması, ihtiyaç duyulacak verinin nitelik ve nicelik olarak daha az olması ve daha düşük işlem hacmine sahip olmasından ötürü tercih edilmektedir. Bu kapsamda pek çok farklı metot kullanılarak yağış-akış ilişkileri ele alınmakta olup yapay sinir ağları (YSA) modelleri de adı geçen çalışmalarda önemli bir yer tutmaktadır. Literatürdeki örnekler incelendiğinde bu modellerin genellikle hazır paket programların arayüzleri ile kurulduğu görülmektedir. Çalışmada MATLAB programı kullanılarak YSA modeli uygulamasına yer verilmiştir. Optimizasyon ya da diğer bir deyişle YSA eğitim algoritması olarak Levenberg-Marquardt algoritmasından faydalanılmıştır. Uygulama örneği aylık-yağış modellemesi üzerinden kurgulanmış ve Gediz Havzası’ndaki Medar Çayı’na ait 1962-2005 dönemi verileri bu kapsamda değerlendirilmiştir. Hazırlanan modelin girdisi olarak alansal ortalama yağış (Pt) ve sıcaklık (Tt) değerleri kullanılmıştır. Çalışmada yağış ile akış arasındaki gecikmeler de hesaba katılmış ve sırasıyla bir (Pt-1), iki (Pt-2) ve üç (Pt-3) ay önceki alansal ortalama yağış verileri de girdi vektörüne eklenerek model performansları sınanmıştır. En iyi performansa sahip YSA modeli yapısı, farklı istatistiksel kriterler yardımıyla irdelenmiştir. Önerilen YSA model yapısının uzun dönem istatistiklerinin yanı sıra, aylık ve yıllık homojenlikler incelendiğinde de uygulama havzasını başarıyla temsil edebileceği kanısına varılmıştır. Elde edilen sonuçların yaında, LM algoritması tabanlı YSA modelinin MATLAB ortamında paylaşılan kodlarının yağış-ilişkisi belirleme uygulaması dışında farklı disiplinlerde çalışan araştırmacılara da yararlı olacağı düşünülmektedir.
References
- Abbott, M.B. ve Refsgaard, J.C., (1996). Distributed hydrological modeling, Kluwer Academic Publishers, Dordrecht.
- Cigizoglu H.K., (2005). Application of the generalized regression neural networks to ıntermittent flow forecasting and estimation, Journal of Hydrologic Engineering, 10, 4, 336-341.
- Fernando, D.A.K. ve Jayawardena, A.W., (1998). Runoff forecasting using RBF networks with OLS algorithm, Journal of Hydrologic Engineering, 3, 3, 203-209.
- Glorot, X. ve Bengio, Y., (2010). Understanding th difficulty of training deep feedforward neural networks. Appearing in Proceedings of the 13th International Conference on Artificial Intelligence and Statistics. Journal of Machine Learning Research W&CP 9:249-256.
- Hagan, M.T. ve Menhaj, M.B., (1994). Training feed forward techniques with the Marquardt Algorithm, IEEE Transactions on Neural Networks, 5, 6, 989–993.
- Ham, F. ve Kostanic, I., (2001). Principles of Neurocomputing for Science and Engineering, Macgraw-Hill. USA.
- Jingyi, Z. ve Hall, M. J., (2004). Regional flood frequency analysis for the Gan-Ming River basin in China, Journal of Hydrology, 296, 98–117.
- Okkan, U. ve Mollamahmutoğlu, A., (2010). Yiğitler Çayı günlük akımlarının yapay sinir ağları ve regresyon analizi ile modellenmesi, Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23, 33-48.
- Razavi, S. ve Araghinejad, S., (2009). Reservoir inflow modeling using temporal neural networks with forgetting factor approach, Water Resources Management, 23, 39–55.
- Shigidi, A. ve Garcia, A.L., (2003). Parameter estimation in groundwater hydrology using artificial neural networks, Journal Of Computing In Civil Engineering, 17, 4, 281-289.
- Tayfur, G., (2002). Artificial neural networks for sheet sediment transport, Hydrological Sciences Journal, 47, 6, 879–892.
Abstract
References
- Abbott, M.B. ve Refsgaard, J.C., (1996). Distributed hydrological modeling, Kluwer Academic Publishers, Dordrecht.
- Cigizoglu H.K., (2005). Application of the generalized regression neural networks to ıntermittent flow forecasting and estimation, Journal of Hydrologic Engineering, 10, 4, 336-341.
- Fernando, D.A.K. ve Jayawardena, A.W., (1998). Runoff forecasting using RBF networks with OLS algorithm, Journal of Hydrologic Engineering, 3, 3, 203-209.
- Glorot, X. ve Bengio, Y., (2010). Understanding th difficulty of training deep feedforward neural networks. Appearing in Proceedings of the 13th International Conference on Artificial Intelligence and Statistics. Journal of Machine Learning Research W&CP 9:249-256.
- Hagan, M.T. ve Menhaj, M.B., (1994). Training feed forward techniques with the Marquardt Algorithm, IEEE Transactions on Neural Networks, 5, 6, 989–993.
- Ham, F. ve Kostanic, I., (2001). Principles of Neurocomputing for Science and Engineering, Macgraw-Hill. USA.
- Jingyi, Z. ve Hall, M. J., (2004). Regional flood frequency analysis for the Gan-Ming River basin in China, Journal of Hydrology, 296, 98–117.
- Okkan, U. ve Mollamahmutoğlu, A., (2010). Yiğitler Çayı günlük akımlarının yapay sinir ağları ve regresyon analizi ile modellenmesi, Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23, 33-48.
- Razavi, S. ve Araghinejad, S., (2009). Reservoir inflow modeling using temporal neural networks with forgetting factor approach, Water Resources Management, 23, 39–55.
- Shigidi, A. ve Garcia, A.L., (2003). Parameter estimation in groundwater hydrology using artificial neural networks, Journal Of Computing In Civil Engineering, 17, 4, 281-289.
- Tayfur, G., (2002). Artificial neural networks for sheet sediment transport, Hydrological Sciences Journal, 47, 6, 879–892.
Details
| Primary Language | Turkish |
|---|---|
| Journal Section | Articles |
| Authors | |
| Publication Date | April 4, 2018 |
| Submission Date | March 7, 2017 |
| Published in Issue | Year 2018 Volume: 9 Issue: 1 |