UMUT OKKAN
(Balıkesir Üniversitesi, Mühendislik Mimarlık Fakültesi, İnşaat Mühendisliği Bölümü, Balıkesir, Türkiye)
H.Yıldırım DALKILIÇ
(Dokuz Eylül Üniversitesi, İnşaat Mühendisliği Bölümü, İzmir, Türkiye)
Yıl: 2012Cilt: 23Sayı: 2ISSN: 1300-3453Sayfa Aralığı: 5957 - 5966Türkçe

78 1
Radyal tabanlı yapay sinir ağları ile Kemer barajı aylık akımlarının modellenmesi
Su kaynakları sistemlerinin planlanması ve tasarımı aşamasında, güvenilir akım tahminlerinin ve akım modelleme çalışmalarının yapılması büyük önem taşımaktadır. Sunulan çalışmada, bir Radyal Tabanlı Yapay Sinir Ağı modeli (RTYSA) geliştirilerek, Büyük Menderes Havzası’nda yer alan Kemer Baraj Havzası’na ait aylık akımlara uygulanmıştır. Girdi olarak yağış, sıcaklık ve 1 ay önceki yağış değerlerine ihtiyaç duyan RTYSA modeli, Mart 1979-Kasım 1997 tarihleri arasındaki 225 aylık akım verileri kullanılarak eğitilmiş; Aralık 1997-Aralık 2005 tarihleri arasındaki 97 aylık akım verileri ile sınanmıştır. Gözlenmiş ve modellenmiş akımların uzun dönem ve mevsimsel istatistikleri karşılaştırıldığında; kurulan modelin Kemer Barajı aylık akımlarını başarıyla temsil ettiği; böylece geliştirilen modelin, bir baraj havzasının aylık akımlarının tahmininde başarıyla kullanılabileceği gösterilmiştir.
Fen > Mühendislik > İnşaat Mühendisliği
DergiDiğerErişime Açık
  • [1] Abbott, M.B., Refsgaard, J.C., Distributed Hydrological Modelling, Kluver Academic Publishers, Dordrecht. 17-39, 1996.
  • [2] Hsu, K. L., Gupta, H. V., Sorooshian, S., Artificial Neural Network Modeling of Rainfall-Runoff Process, Water Resources Research, 31, 10, 2517–2530, 1995.
  • [3] Minns, A. W., Hall, M. J., Artificial Neural Networks as Rainfall-Runoff Models, Hydrological Sciences Journal, 41, 3, 399–417, 1996.
  • [4] Dawson C.W., Wilby R., An Artificial Neural Network Approach to Rainfall-Runoff Modelling, Hydrological Sciences Journal, 43, 47-66, 1998.
  • [5] Alp, M., Cığızoğlu, H. K., Farklı Yapay Sinir Ağı Metotları ile Yağış-Akış İlişkisinin Modellenmesi, İstanbul Teknik Üniversitesi Dergisi/d, 3, 1, 80-88, 2004.
  • [6] Okkan, U., Mollamahmutoğlu, A., Yiğitler Çayı Günlük Akımlarının Yapay Sinir Ağları ve Regresyon Analizi ile Modellenmesi, Dumlupınar Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 23, 33-48, 2010.
  • [7] Alp, M., Cığızoğlu, H. K. , Yapay Sinir Ağı Metodları ve Regresyon Analizi ile Akım Tahmini, II. Ulusal Su Mühendisliği Sempozyumu, 589-598, Gümüldür, İzmir, 2005.
  • [8] Kişi, O., Daily River Flow Forecasting Using Artificial Neural Networks and Auto- Regressive Models, Turkish Journal of Engineering and Environmental Sciences, 29, 9–20, 2005.
  • [9] Mendez, M. C., Manteiga, W. G., Bande, M. F., Sanchez, J. M. P., Calderon, R. L., Modelling of Monthly and Daily Behaviour of the Runoff of the Xallas River Using Box-Jenkins and Neural Networks Methods, Journal of Hydrology, 296, 38–58, 2004.
  • [10] Okkan, U., Mollamahmutoğlu, A., Çoruh Nehri Günlük Akımlarının Yapay Sinir Ağları ile Tahmin Edilmesi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 14, 3, 251-261, 2010.
  • [11] Coulibaly, P., Anctil, F., Bobee, B., Daily Reservoir Inflow Forecasting Artificial Neural Networks with Stopped Training Approach, Journal of Hydrology, 230, 244– 257, 2000.
  • [12] Razavi, S., Araghinejad, S., Reservoir Inflow Modeling Using Temporal Neural Networks with Forgetting Factor Approach, Water Resources Management, 23, 39– 55, 2009.
  • [13] Cigizoglu, H., K., Application of the Generalized Regression Neural Networks to Intermittent Flow Forecasting and Estimation, Journal of Hydrologic Engineering, 10,4, 336-341, 2005.
  • [14] Fernando, D.A.K., Jayawardena, A.W., Use of Radial Basis Function Type Artificial Neural Networks for Runoff Simulation, Computer-Aided Civil and Infrastructure Engineering, 13, 91-99, 1998.
  • [15] Lin, G., Chen, L., A Non-Linear Rainfall-Runoff Model Using Radial Basis Function Network, Journal of Hydrology, 289, 1-8, 2004.
  • [16] Moradkhani, H., Hsu, K., Gupta, H. V., Sorooshain, S., Improved Streamflow Forecasting Using Self-Organizing Radial Basis Function Artificial Neural Networks, Journal of Hydrology 295, 246–262, 2004.
  • [17] Broomhead, D., Lowe, D., Multivariable Functional Interpolation and Adaptive Networks, Complex Systems, 2, 6, 568-576, 1988.
  • [18] Ham, F., Kostanic, I., Principles of Neurocomputing for Science and Engineering. Macgraw-Hill. USA, 2001.
  • [19] MacQueen, J. B., Some Methods for Classification and Analysis of Multivariate Observations, Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, Berkeley, University of California Press, 1, 281-297, 1967.
  • [20] Penrose, R., A Generalized Inverse for Matrices. Proceedings of the Cambridge Philosophical Society, 51, 406-413, 1955.
  • [21] Mann, H.B., Whitney, D.R., On a Test of Whether One of Two Random Variables is Stochastically Larger Than the Other. Annals of Mathematical Statistics, 18, 50-60, 1947.

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © 2019 Tüm Hakları Saklıdır.