Show simple item record

dc.contributor.advisorSaka, Fatih
dc.contributor.advisorKankal, Murat
dc.contributor.authorBabacan, Hasan Törehan
dc.date.accessioned2020-12-04T14:00:09Z
dc.date.available2020-12-04T14:00:09Z
dc.date.submitted2015
dc.date.issued2018-08-06
dc.identifier.urihttps://acikbilim.yok.gov.tr/handle/20.500.12812/88349
dc.description.abstractBu çalışmada Doğu Karadeniz Havzası içerisinde bulunan Giresun iline bağlı Aksu Deresi için belirlenen 3 farklı Akım Gözlem İstasyonu konumlarında akım modellemesi yapılmıştır. Modelleme için Devlet Su İşleri'nden elde edilen akım verileri, Meteoroloji Genel Müdürlüğü'nden elde edilen yağış ve buharlaşma verileri kullanılmıştır. Oluşturulacak akım modeli için yapay sinir ağları (YSA) metodu tercih edilmiştir. YSA metodu mimarisinde seçilen çok katmanlı yapay sinir ağı (ÇK-YSA) modeli, belirtilen parametrelerin çeşitli kombinasyonlarıyla oluşturulmuş 14 farklı model ile denenmiştir. Denemeler sonucunda tahmin edilen değerler; RMSE, R, RH, E ve OMH hata değerlendirme katsayıları ile değerlendirilmiştir. Her istasyon için en başarılı olan model girdi kombinasyonu çoklu doğrusal regresyon (ÇDR) analizi ile de denenmiştir. Tahmin edilmiş debi değerleri, taşkın koruma tesisleri, hidroelektrik santral tesisleri, arıtma tesisleri gibi yapıların projelendirme aşamasında, en çok kullanılan aşılma olasılıklarına göre belirlenmiş debi değerleri için, gözlem değerleri ile kıyaslanmıştır. Sonuç olarak, ÇK-YSA yönteminin ÇDR yönteminden daha iyi sonuçlar verdiği belirlenmiştir ve gelecek akım verisinin tahmin edilmesinde uygunluğu saptanmıştır.
dc.description.abstractIn this study, a flow modelling has been made in three different current observatory stations located the Aksu River Basin in Giresun, a province in Eastern Black Sea Basin. The flow data provided by General Directorate of Hydraulic Works, the precipitation and evaporation data obtained from Turkish State Meteorological Service are used for the modelling. artificial neural network (ANN) method is preferred for the flow modelling that will be created. The multi layered artificial neural network (ML-ANN) method which is selected in the architecture of ANN model has been tested in 14 different models with various combinations of the specified parameters mentioned before. The estimated values from the experiments, are evaluated according to the error coefficients of RMSE, r, RH, E and MAE. The most successful input combinations for each station were tested by Multiple Linear Regression Analysis (MLR) model. During the design phase of structures such as predicted flow results flood protection facilities, hydroelectric plants and water treatment plants, the predicted flow results are compared with the observation values for the most commonly used flow rate which were determined according to the possibility of exceedance. As a result, ML-ANN method was given better results than MLR method and this study shown that ML-ANN method can be used for prediction of future flow datas.en_US
dc.languageTurkish
dc.language.isotr
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAttribution 4.0 United Statestr_TR
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectİnşaat Mühendisliğitr_TR
dc.subjectCivil Engineeringen_US
dc.titleGiresun ili Aksu Deresi için farklı parametreler kullanılarak yapay sinir ağları ile akış modellemesi ve ileriye dönük akım tahminleri yapılması
dc.title.alternativeFuture flow prediction and flow modelling with artificial neural network using diffirent parameters for Aksu River in Giresun
dc.typemasterThesis
dc.date.updated2018-08-06
dc.contributor.departmentİnşaat Mühendisliği Anabilim Dalı
dc.identifier.yokid10101853
dc.publisher.instituteFen Bilimleri Enstitüsü
dc.publisher.universityGÜMÜŞHANE ÜNİVERSİTESİ
dc.identifier.thesisid444157
dc.description.pages95
dc.publisher.disciplineDiğer


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess