Yapay sinir ağları ile yer altı su seviyesi modellenmesi

Abstract

Bu çalışma, bağımlı değişken debi (akım) ve bağımsız değişken sıcaklık, yağış, buharlaşma ve kuyu seviyesinin kullanıldığı Yapay Sinir Ağ (YSA) model ile yeraltı sudavranışını belirlemeye çalışılmıştır.Yapay sinir ağları (YSA), insan beyninin özelliklerinden olan öğrenme yolu ile yeni bilgiler türetebilme, yeni bilgiler oluşturabilme ve keşfedebilme gibi yetenekleri, herhangi bir yardım almadan otomatik olarak gerçekleştirebilmek amacı ile geliştirilen bilgisayar sistemleridir.İçerdikleri kimyasal tuzlar bakımından yeraltı suları yapılarda temele, kapilarite sebebiyle sıvaya ve betona zarar vermektedir. Özellikle yeraltı su seviyesinin yüksek olduğu bölgelerde oluşan bu durumun yanında yüksek yeraltı su seviyesi kil zeminlerde konsolidasyona, yapılarda farklı oturma dolayısıyla hasara ve ayrıca inşaat alanı dışında tarımsal açıdan zararlı ıslaklığa sebep olmakta ve insan sağlığını da etkilemektedir. Bu doğrultuda inşaat alanında en önemli zemin kriterlerinden olan yeraltı su seviyesinin tahmini için YSA ve Regresyon modelleri araştırılmıştır. YSA ve Regresyon modelleri karşılaştırıldığında YSA modellerinin daha iyi sonuç verdiği görülmektedir. Model çalışmaları sonucunda Yıl Ort. (YO), Ay Sıra Sayısı (AS), Yıl Sıra Sayısı (YS) ve Aylık Normalize Ort. (ANO) verilerinin girdi olarak kullanıldığı, Aylık Ort. (AO) çıktı olarak kullanıldığı YSA modeli başarılı sonuçlar vermektedir.

This study aims to determine the behaviour of the underground water via Artificial Nerves Net (ANN) which the dependent variable flow (stream), independent variable, heat, rain, evaporation and the level of the well are used.Artificial nerves net is a computer system that can automatically fulfill some human abilities such as creating information from learning, getting new information and discovering like a human brain without any help.Due to including chemical salts, underground water damages building bases and because of capillarity it damages liquids and concretre, also. Particularly in high underground water level areas, high underground water level causes consolidation on clayey areas and displacement of buildings, so it damages the buildings. Furthermore, out of building areas, it leads unnecessarry wettness and impacts public health. We will use this model to evaluate the underground water level, which the most important criterion in building field ANN and Regression models have been examined. Comparing ANN with Regression model, it is clear that ANN concludes beter results. At the end of the model study, it is seen that the ANN model, which applies Yearly Mean, Monthly Ordinal Number, Yearly Ordinal Number and Monthly Normalizing Mean as input and Monthly Mean as output, is successful.