Modern hesaplama tekniklerinin su kaynakları mühendisliğinde kullanımı
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
ÖZET Bu projede modern hesaplama tekniklerinin su kaynakları mühendisliği uygulamalarında kullanımı araştırılmıştır. Kullanılan yöntemler Regresyon Analizi ve Yapay Sinir Ağları'dır. Regresyon analizi oldukça uzun bir süredir kullanılmakta ise de, nispeten daha yeni bir teknik olan Yapay Sinir Ağlan'nın sonuçlarını kıyaslayabilmek için dikkate alınmıştır. Her iki teknikte çeşitli su kaynakları mühendislik problemlerine uygulanabilir ve gerçekte de kullanılmaktadır. Bu çalışmada, bu iki yöntemin uygulanabilirliğini göstermek ve kıyaslama yapabilmek için sedimet tahmini problemi seçilmiştir. Sediment tahmini; özellikle baraj tasarımı, nehir restorasyonu ve havza yönetimi gibi konular açısından su kaynakları mühendisliğinde çok önemlidir. Bu tür problemlerde bir nehrin taşıdığı toplam sediment yükünün verilmesi istenir. Bir nehrin taşıdığı sediment miktarı; o nehrin debisi, nehrin en kesit özellikleri (derinliği, genişliği) ve nehrin suyunu topladığı havzanın karakteristikleri gibi bir dizi parametreye bağlı olduğundan sediment tahmini problemi kolay bir problem değildir. Bu nedenle detaylı analizler ve modellemeler gerektirmektedir. Bir nehrin taşıdığı sediment yükü düzenli bir şekilde tahmin edilemediğinde barajlar ve sulama sistemleri gibi su kaynakları projelerinin tasarlanması mümkün değildir. Bir nehrin taşıdığı sediment miktarı esas olarak o nehrin havzasından zemin parçacıklarının yağış akışıyla taşınmasından kaynaklanır. Bu süreç erozyon olarak adlandırılır. Bir nehir havzasından gelen katı madde miktarı o havzanın erozyon verimi olarak adlandırılır ve sediment yükünde önemli bir faktördür. Bu nedenle herhangi bir havza yönetim veya erozyon kontrol projesi o nehirdeki sediment yükünün bilinmesini gerektirecektir. Bu çalışmada, bir nehrin taşıdığı sediment miktarı regresyon analizi ve yapay sinir ağları ile tahmin edilmiştir. Yapay sinir ağları mühendislikte tahmin problemlerinde başarılı bir şekilde uygulanabilen insan beyninin çalışması prensibine dayanan oldukça yeni bir yöntemdir. Sediment tahmini Elektrik İşleri Etüt idaresi'nin Fırat nehri havzasında yapmış olduğu ölçüler kullanılarak yapılmıştır. Bu amaçla tüm havzayı temsil etmek üzere 4 farklı istasyon seçilmiştir. İlk olarak nehrin taşıdığı su miktarı ve nehirdeki su sıcaklığı ölçümlerinden o istasyondaki sediment yükünü tahmin etmek için hem regresyon hem de yapay sinir ağlarıyla modeller kurulmuştur. Model kurma aşamasında 4 istasyondan karıştırılarak seçilen ölçümler kullanılmıştır. Burada kurulan modelin tüm havzayı temsil etmesi amaçlanmıştır. Daha sonra her bir istasyondan seçilen ve model kurma aşamasında kullanılmayan veri grupları kurulan modelleri test etmede ayrı ayrı kullanılmıştır. Böylece tüm havza için kurulan modelin havzanın herhangi bir noktasında ölçülmüş olan veriler için geçerli olup olmadığının sınanması amaçlanmıştır. Kurulan modellerin karşılıklı olarak kıyaslanabilmesi için her iki modelden elde edilen sonuçlar hem grafik hem de çizelgeler halinde sunulmuştur. Her iki modelin akarsudaki sediment yükünü tahmin etmedeki uygulanabilirliği gösterilmiştir. Modellerin performansı eğitme halinde oldukça yüksek iken, test verileri için oldukça düşük kalmıştır. Ama genel olarak test verileri için, YSA daha yüksek biryaklaşıklıkla toplam sediment miktarına yaklaşmaktadır. Çok daha fazla veri ile yapılacak bir eğitme ve sediment veriminin bağlı olduğu diğer değişkenlerin dikkate alınması ile modellerin özellikle YSA modelinin performansı artırılabilecektir. Sediment taşınımı gibi, oldukça değişik parametreye bağlı ve bu parametreler arasındaki ilişkinin herhangi bir matematiksel formülle ifadesinin oldukça zor olduğu karmaşık süreçler için yapay sinir ağlarının daha başarılı olması beklenirdi. Fakat veri teminindeki güçlükler nedeniyle birçok parametre dikkate alınamamış ve sadece debi ve sıcaklık değerleri kullanılmıştır. Sediment miktarı ile debi arasında çok yakın bir ilişki olduğu bilinmektedir. Dolayısıyla az değişkenin kullanılmış olması model kurmada regresyonun başarısını artırmış yapay sinir ağlarının başarısını düşürmüştür. Sonuç olarak daha fazla değişkenin kullanılmasıyla modeller arasında daha iyi bir kıyaslamanın yapılabileceği ortaya konmuştur. ABSTRACT This project investigates the use of modern computing techniques in water resources engineering applications. Two techniques have been considered namely regression analysis and Artificial Neural Networks(ANN). Although regression analysis has been in use for quite a long time, it is selected since it is used to compare the findings of Artificial Neural Networks which is relatively a new computing technique. Both techniques are applicable and have been applied to various water resources engineering problems. In this study, the sediment prediction problem is chosen for the comparison. Sediment prediction is very much important in water resources engineering especially in reservoir design, river restoration and watershed management. For such problems, it is necessary to know the total sediment load carried by a river. This is not an easy problem since the amount of sediment that the river carries depends on quite a number of parameters such as the water quantity, the cross sectional properties, water temperature and the characteristics of watershed that the river collects its water. Unless predictions for the sediment load are not made, it is not possible to design the water resources projects such as reservoir and irrigation systems. The sediment load carried by a river stems originally from the soil particles moved from the river basin by rainfall runoff. This process is called erosion and the erosion yield of a river affects the sediment load. Therefore, any watershed management or erosion control projects will require the sediment load in the river. In this study, the sediment load in a river is predicted using regression analysis and artificial neural networks. Artificial Neural Networks are quite a new technique that can be successfully used in prediction problems. ANN is capable of mapping complex systems. The sediment prediction is performed using observations made by Turkish Electrical Analysis Directorate (EIE) in Fırat River Basin in Turkey. For this purpose, 4 different observation stations are selected to represent the river basin. A mixed data is used to construct a model to predict the sediment load from water quantity and water temperature. Then a group of new measurements from each station is used to test the model built. The results of both models are presented in both tabular and graphical forms to compare them. The performances of the models are found to be varied. It is concluded that the more variable is used the better distinction between the models can be made.
Collections