Doğal akarsularda taşınan askı maddesi konsantrasyonunun bulanık genetik yaklaşımı ile modellenmesi

Abstract

Doğal akarsularda taşınan askı maddesi konsantrasyonunun doğru tahmini; akarsu taşımacılığı, kirliliğin önlenmesi, baraj ömrünün tespiti, hidroelektrik teçhizatların emniyeti, balıkların yaşamını sürdürmesi vb. konularda çok önemlidir. Bu amaçla kullanılan katı madde anahtar eğrileri (AE), çoğu tahminlerde iyi sonuçlar vermemelerine rağmen yaygın bir kullanım alanına sahiptirler. Bu çalışmada, akarsu en kesitindeki askı maddesi konsantrasyonunu tahmin etmek için yeni bir yaklaşım olarak bulanık genetik (BG) yaklaşımı önerilmiştir. BG yaklaşımının amacı ise, bulanık giriş üyelik fonksiyonlarına ait parametrelerin genetik algoritma kullanılarak belirlenmesidir. USGS (United States Geological Survey) tarafından işletilen 06088300 ve 06088500 nolu istasyonlara ait günlük debi ve askı maddesi konsantrasyonu verileri kullanılmıştır. Gözlenen 4 yıllık verilerin ilk 2 yılı eğitme, 1 yılı test ve kalan 1 yılı değerlendirme olarak üç bölüme ayrılmıştır. BG modellerin tahmin sonuçları, karekök ortalama karesel hata ve determinasyon katsayısı istatistikleri kullanılarak adaptif ağ tabanlı bulanık çıkarım sistemi (ANFIS), çok katmanlı yapay sinir ağı (ÇKYSA) ve AE modelleri ile karşılaştırılmıştır. Sonuç olarak BG yaklaşımının, askı maddesi konsantrasyonunu modellemede ANFIS, ÇKYSA ve AE yöntemlerine göre daha iyi sonuçlar vermiştir.

Correct estimation of suspended sediment concentration (SSC) carried in natural streams is very important with respect to channel navigability, pollution, reservoir filling, hydroelectric equipment longevity, fish habitat and scientific interests. Although conventional sediment rating curves (SRCs) are not able to give sufficiently accurate results, they have a wide range of usage. In this study, as a new approach, fuzzy genetic (FG) approach is proposed in order to predict SSC for a given stream cross section. The aim of FG approach is to determine the parameters of fuzzy input membership functions by genetic algorithm. The daily discharge and SSC data from two stations (Station No: 06088300 and 06088500) operated by the USGS (United States Geological Survey) were used as case studies. The observed 4 years long data were divided into three parts and the first 2 years data were used for training, 1 year data for testing and the remaining 1 year data were used for validation. The estimation outcomes of FG models are compared to adaptive network based fuzzy inference system (ANFIS), multi-layer perceptron (MLP) and SRC models by using root mean square errors and determination coefficient statistics. The comparison results revealed that the FG approach outperforms the ANFIS, MLP and SRC in modeling of SSC.