Namazgâh Barajına ait buharlaşma miktarının yapay sinir ağı ile tahmin edilmesi

Abstract

NAMAZGÂH BARAJINA AİT BUHARLAŞMA MİKTARININ YAPAY SİNİR AĞI İLE TAHMİN EDİLMESİ Suyun kontrolü açısından ve susuzluktan dolayı meydana gelecek hayati problemlerin çözümü için buharlaşma önemli bir faktördür. Göllerde, göletlerde ve barajlarda meydana gelen buharlaşma pek çok değişkene bağlı olduğundan modellenebilirlik açısından bu tür problemleri çözümlemek güç olmaktadır. Bu çalışmada birinci aşama da İleri Beslemeli Geri Yayılımlı Yapay Sinir Ağı(İBGYYSA) modeliyle eksik veriler tamamlanırken, ikinci aşama da buharlaşma tahmini için zaman serisi analiziyle basit bir YSA modeli kurulmuştur. Modelleme de minimum sıcaklık, ortalama sıcaklık, rüzgâr şiddeti ve buhar basıncı girdi verisi olarak değerlendirilirken, buharlaşma miktarı çıktı olarak ele alınmıştır. Girdi ve çıktı olarak kullanılan bu hidrometeorolojik veriler arası ilişki doğrusal olmadığı için problem çözümünde çok katmanlı bir ağ modeli tercih edilmiştir. Tasarlanan çok katmanlı ağda kullanılan aktivasyon fonksiyonuna uygunluk açısından veriler normalizasyon işlemi ile Matrix Laboratory(MATLAB) programına uygun hale getirilmiştir. Çok katmanlı ağ için kullanılacak öğrenme algoritması belirlenirken üç algoritma içinde aynı nöron sayıları denenerek modellemeler yapılmıştır. Sırasıyla Levenberg-Marquardt(LM), Bayesian Regularization, Scaled Conjugate Gradient öğrenme algoritmalarından problem karşısında en iyi performansı öğrenme algoritmasının diğer algoritmalara oranla daha iyi performans sergilediği tespit edilmiştir. Modelde gizli katmanda bulunması gereken nöron sayısı deneme yanılma ile belirlenirken, hatayı minimize etmede probleme uyarlandığında diğer öğrenme algoritmalarına oranla daha iyi sonuç alındığı için problemde LM öğrenme algoritması kullanılmıştır. En iyi model belirlenirken hata düzeyi için Mean Square Error (MSE-Hata Kareler Ortalaması) ve Belirlilik `R` ^`2 ` katsayıları dikkate alınmıştır. Sonuç olarak zaman serisi analiziyle buharlaşma miktarı tahmini için NARX modeliyle LM öğrenme algoritması kullanılarak probleme çözüm bulunmuştur. Anahtar Kelimeler: Buharlaşma Tahmini, Eksik Veri Tahmini, Namazgâh Barajı, Yapay Sinir Ağları

ESTIMATION OF THE VAPORIZATION AMOUNT OF NAMAZGÂH RESERVOIR BY ARTIFICIAL NEURAL NETWORKEvaporation is an important factor for solving the vital problems that will occur due to the control of water and water. As evaporation in lakes, ponds and dams is dependent on many variables, it is difficult to analyze such problems in terms of modeling. In this study, while the missing data were completed with a feed-backed artificial neural network model in the first stage, in the second stage a simple ANN model was established by time series analysis for the evaporation estimation. While modeling, minimum temperature, average temperature, wind strength and vapor pressure are considered as input data, the amount of evaporation is considered as output. Since the relationship between these hydrometeorological data is not linear and used as input and output, a multi-layered network model is preferred in problem solving. For the purpose of conformity to the activation function used in the multi-layer network, the data were adapted to the MATLAB program by the normalization process. While determining the learning algorithm to be used for multi-layer network, the same neuron numbers were tried and modeled in three algorithms. LM, Bayesian Regularization, Scaled Conjugate Gradient learning algorithms were found to perform better than other algorithms LM learning algorithm. While the number of neurons that should be present in the hidden layer in the model was determined by trial and error, the problem was used by the LM learning algorithm because it was better than other learning algorithms. When determining the best model, MSE and `R` ^`2` coefficients were taken into account for error level. As a result, with the NARX model, a solution was found to the problem by using the LM learning algorithm to estimate the amount of evaporation by time series analysis.Keywords: Evaporation Estimation, Missing Data Estimation, Namazgâh Reservoır, Artificial Neural Networks.