Yıl: 2020 Cilt: 9 Sayı: 1 Sayfa Aralığı: 306 - 322 Metin Dili: Türkçe İndeks Tarihi: 20-11-2020

K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti

Öz:
Akarsulardaki kirlilik seviyelerinin tespiti, kullanma ve içme sularının tedarik edilmesinde, hem baraj hem debağlama gibi su yapılarının proje aşamasında sediment yükünün doğru bir şekilde tespit edilmesi çok önemlidir.Bu çalışmada, Fırat Havzası üzerinde bulunan üç akım gözlem istasyonu (AGİ) için yapay zekâ yöntemlerindenuyarlamalı ağ tabanlı bulanık çıkarım sistemi (ANFIS), yapay sinir ağları (YSA) ve çoklu doğrusal regresyon(MLR) gibi yöntemler denenmiştir. Oluşturulan ANFİS modellerinin küme sayılarının seçiminde ise K-meanskümeleme algoritmasından yararlanılmıştır. Yapılan çalışmalarda her bir istasyona ait sediment (Qs), yağış (P),debi(Q) ve sıcaklık (P) verileri kullanılmıştır. Bu veriler kullanılarak her bir istasyon için sediment tahmin modeligeliştirilmiştir. Oluşturulan modelde girdi değişkeni olarak yağışın gerçekleştiği günkü değeri (P), yağışıngerçekleştiği günün bir gün öncesindeki değeri (P-1), debi ve sıcaklık değerleri, çıktı değişkeni olarak ise sedimentkonsantrasyonu kullanılmıştır. Oluşturulan bu model tüm istasyonlar için hem eğitim hem de test aşamalarındasırasıyla regresyon katsayısı (R2) ve ortalama yüzde hatası (OYH) bakımından karşılaştırılmıştır. Yapılan analizlersonucunda, K-means kümeleme algoritması ile alt küme sayısı belirlenerek oluşturulan ANFIS modelinin hem altküme sayısı rastgele oluşturulan ANFIS modellerine göre hem de YSA ve MLR modellerine göre daha başarılısonuçlar elde ettiği görülmüştür. Ayrıca, YSA ve ANFIS yöntemleri modellerinin MLR yöntemi modeline göregözlenen değerlere daha yakın sonuçlar elde ettiği görülmüştür.
Anahtar Kelime:

Detection of Sediment Transport with Artificial Intelligence Models Formed by Using K-Means Clustering Algorithm

Öz:
It isimportant to detect sediment load truly in the project process of water structures such as both dam and regulator to determine pollution level, to use and to supply potable water. In this work, methods such as Adaptive Neuro Fuzzy Interference Systems (ANFIS), Artificial Neural Networks (ANN) and Multiple Linear Regression (MLR) are experienced for three Flow Observation Stations on Fırat Basin. K-Means Clustering Algorithm is used to select Clustering numbers of ANFIS Models being formed. Sediment (Qs), Precipitation (P), Flow rate (Q) and temperature (P) data from each station are used in this study. Sediment estimation model is developed for each station by using the data. The value of the day when precipitation occurs (P), the value of the day before precipitation occurs (P-1), flow and temperature rates are used as input factors; sediment concentration is used as output factors. The model being formed is compared for all of the stations with regard to regression coefficient (R2 ) and mean percentage error (MPE) in both education and test stages. As a consequence of the analysis, subset numbers of ANFIS model being formed by determining subset of K-Means Clustering Algorithm has more successful results instead of ANFIS Models being randomly formed. It is also observed that the Models of ANFIS and ANN methods have closer results to the values being observed when they are compared to MLR methods.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] Buyukyildiz M., Kumcu S. 2017. An estimation of the suspended sediment load using adaptive network based fuzzy inference system, support vector machine and artificial neural network models. Water resources management, 31 (4): 1343-1359.
  • [2] Khan M., Tian F., Hasan F., Chakrapani G. 2019. Artificial neural network simulation for prediction of suspended sediment concentration in the River Ramganga, Ganges Basin, India. International journal of sediment research, 34 (2): 95-107.
  • [3] Qasem S., Ebtehaj I., Riahi Madavar H. 2017. Optimizing ANFIS for sediment transport in open channels using different evolutionary algorithms. Journal of Applied Research in Water and Wastewater, 4 (1): 290-298.
  • [4] Riahi-Madvar H., Seifi A. 2018. Uncertainty analysis in bed load transport prediction of gravel bed rivers by ANN and ANFIS. Arabian Journal of Geosciences, 11 (21): 688.
  • [5] Malik A., Kumar A. 2015. Co-Active Neuro-Fuzzy Inference System (Canfis) And Multiple Linear Regression (Mlr) Based Suspended Sediment Modelling. Journal Of Indian Water Resources Society, 35 (2): 43-48.
  • [6] Nivesh S., Kumar P. 2017. Modelling river suspended sediment load using artificial neural network and multiple linear regression: Vamsadhara River Basin, India. IJCS, 5 (5): 337-344.
  • [7] Çeribaşı G., Doğan E. 2016. Aşağı Sakarya Nehrindeki Askı Maddesi Miktarının Esnek Yöntemler ile Tahmini. Karaelmas Fen ve Mühendislik Dergisi, 6 (2): 351-358.
  • [8] Kitsikoudis V., Sidiropoulos E., Hrissanthou V. 2015. Assessment of sediment transport approaches for sand-bed rivers by means of machine learning. Hydrological sciences journal, 60 (9): 1566-1586.
  • [9] Partovian A., Nourani V., Alami M. 2016. Hybrid denoising-jittering data processing approach to enhance sediment load prediction of muddy rivers. Journal of Mountain Science, 13 (12): 2135- 2146.
  • [10] Firat M., Dikbaş F., Koc A., Güngör M. 2012. Classification of Annual Precipitations and Identification of Homogeneous Regions using K-Means Method. Teknik Dergi, 23 (115): 1609- 1622.
  • [11] Kisi O., Zounemat-Kermani M. 2016. Suspended sediment modeling using neuro-fuzzy embedded fuzzy c-means clustering technique. Water resources management, 30 (11): 3979- 3994.
  • [12] Şen, Z. 2004. Principles of Artificial Neural Networks. Turkish Water Foundation Publication, in Turkish.
  • [13] Avcar M., Saplioglu K. 2015. An artificial neural network application for estimation of natural frequencies of beams. International Journal of Advanced Computer Sciences and Applications, 6: 94-102.
  • [14] Başkan Ö. 2004. İzole Sinyalize Kavşaklardaki Ortalama Taşıt Gecikmelerinin Yapay Sinir Ağları İle Modellenmesi. Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, Denizli, 120.
  • [15] Jang J. 1993. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics.
  • [16] Seyedian S., Rouhani H. 2016. Assessing ANFIS accuracy in estimation of suspended sediments. Građevinar, 67 (12): 1165-1176.
  • [17] Mamdani E., Assilian S. 1975. An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies, 7 (1): 1-13.
  • [18] Tsukamoto Y. 1979. An approach to fuzzy reasoning method. In: M.M. Gupta, R.K. Ragade, and R. Yager, eds. Advances in fuzzy set theory and applications. Amsterdam: Elsevier Science Ltd., 137-149.
  • [19] Jang J.-S., Sun C.-T. 1993. Functional equivalence between radial basis function networks and fuzzy inference systems. IEEE Transactions on Neural Networks, 4 (1): 156-159.
  • [20] MacQueen J. 1967. Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, 1 (14): 281-297.
  • [21] Al Kindhi B., Sardjono T., Purnomo M., Verkerke G. 2019. Hybrid K-means, fuzzy C-means, and hierarchical clustering for DNA hepatitis C virus trend mutation analysis. Expert Systems with Applications, 121: 373-381.
  • [22] Vriend S., van Gaans P., Middelburg J., De Nijs A. 1988. The application of fuzzy c-means cluster analysis and non-linear mapping to geochemical datasets: examples from Portugal. Applied Geochemistry, 3 (2): 213-224.
  • [23] Burrough P., van Gaans P., MacMillan R. 2000. High-resolution landform classification using fuzzy k-means. Fuzzy sets and systems, 113 (1): 37-52.
  • [24] Lucieer V., Lucieer A. 2009. Fuzzy clustering for seafloor classification. Marine Geology, 264 (3-4): 230-241.
  • [25] Hartigan J., Wong M. 1979. Algorithm AS 136: A k-means clustering algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics), 28 (1): 100-108.
  • [26] Zeraatpisheh M., Ayoubi S., Brungard C., Finke P. 2019. Disaggregating and updating a legacy soil map using DSMART, fuzzy c-means and k-means clustering algorithms in Central Iran. Geoderma, 340: 249-258.
  • [27] Saplioglu K., Kucukerdem T. 2018. Estimation of Missing Streamflow Data Using Anfis Models and Determination of the Number of Datasets for Anfis: The Case of Yeşilırmak River. Applied Ecology And Environmental Research, 16 (3): 3583-3594.
  • [28] Sun W., Trover B. 2018. Multiple model combination methods for annual maximum water level prediction during river ice breakup. Hydrological Processes, 32 (3): 421-435.
  • [29] Hair J., Black W., Babin B., Anderson R. 2009. Multivariate Data Analysis. – Pearson.
APA Saplioglu K, ACAR R (2020). K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. , 306 - 322.
Chicago Saplioglu Kemal,ACAR RAMAZAN K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. (2020): 306 - 322.
MLA Saplioglu Kemal,ACAR RAMAZAN K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. , 2020, ss.306 - 322.
AMA Saplioglu K,ACAR R K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. . 2020; 306 - 322.
Vancouver Saplioglu K,ACAR R K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. . 2020; 306 - 322.
IEEE Saplioglu K,ACAR R "K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti." , ss.306 - 322, 2020.
ISNAD Saplioglu, Kemal - ACAR, RAMAZAN. "K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti". (2020), 306-322.
APA Saplioglu K, ACAR R (2020). K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9(1), 306 - 322.
Chicago Saplioglu Kemal,ACAR RAMAZAN K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 9, no.1 (2020): 306 - 322.
MLA Saplioglu Kemal,ACAR RAMAZAN K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, vol.9, no.1, 2020, ss.306 - 322.
AMA Saplioglu K,ACAR R K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi. 2020; 9(1): 306 - 322.
Vancouver Saplioglu K,ACAR R K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi. 2020; 9(1): 306 - 322.
IEEE Saplioglu K,ACAR R "K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti." Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 9, ss.306 - 322, 2020.
ISNAD Saplioglu, Kemal - ACAR, RAMAZAN. "K-Means Kümeleme Algoritması Kullanılarak Oluşturulan Yapay Zekâ Modelleri ile Sediment Taşınımının Tespiti". Bitlis Eren Üniversitesi Fen Bilimleri Dergisi 9/1 (2020), 306-322.