İstanbul Alibey Barajının Baraj Rezervuar Seviye Değişiminin Bulanık SMRGT Yöntemiyle Tahmin Edilmesi

Yıl 2022, Cilt: 5 Sayı: Özel Sayı, 80 - 95, 23.02.2022

Enes Erkan Er , Fatih Üneş , Bestami Taşar

https://doi.org/10.47495/okufbed.1033693

Cited By: 1

Öz

Bir baraj rezervuarındaki baraj rezervuar seviyesinin doğru bir şekilde tahmin edilmesi, su yapılarının planlanması ve işletilmesi için çok önemlidir. Bu çalışmada, aylık baraj rezervuar seviyesi değişimini tahmin etmek için Devlet Su İşleri'nden (DSİ) alınan 1989-2020 yılları arasındaki aylık baraj rezervuar seviyesi verileri kullanılmıştır. Aylık baraj rezervuar seviyesi tahmini için Basit Üyelik Fonksiyonları ve Bulanık Kural Oluşturma Tekniği (Fuzzy-SMRGT), Yapay Sinir Ağı (YSA) ve klasik Çoklu Doğrusal Regresyon (MLR) yöntemleri kullanılarak tahmin edilmeye çalışılmıştır. Çalışma alanı olarak İstanbul ili Sultangazi ilçesinde bulunan Alibey Barajı seçilmiştir. Aylık buharlaşma, göle giren su, içme suyu tüketimi ve barajdan deşarj edilen su miktarları, aylık Alibey Barajı baraj gölü ortalama baraj barajı seviyesinin tahmininde kullanılmıştır. Model sonuçları, gerçek gözlem barajı rezervuar seviyeleri ile karşılaştırıldı. Sonuçlar değerlendirildiğinde modellerin baraj rezervuar seviyesini tahmin etmede başarılı olduğu ve birbirine yakın sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

Baraj rezervuar seviyesi, Tahmin, Bulanık Mantık, YSA, Regresyon, Baraj rezervuar seviyesi, Tahmin, Bulanık Mantık, YSA, Regresyon

Estimating Dam Reservoir Level Change of Istanbul Alibey Dam with The Fuzzy SMRGT Method

Öz

Accurate estimation of the dam reservoir level in a dam reservoir is very important for the planning and operation of water structures. In this study, monthly dam reservoir level data between 1989 and 2020 obtained from the State Hydraulic Works (DSI) was used to estimate the monthly dam reservoir level change. For the monthly dam reservoir level estimation, it has been tried to be estimated using the Simple Membership Functionsand Fuzzy Rules Generation Technique (Fuzzy-SMRGT), Artificial Neural Network (ANN) and the classical Multiple Linear Regression (MLR) methods. Alibey Dam located in Sultangazi district of Istanbul was chosen as the study area. The monthly evaporation, water entering into the lake, consumption of drinking water and amount of water discharged from the dam amounts were used to estimate the monthly Alibey Dam reservoir average dam reservoir level. The model results were compared with the actual observation dam reservoir levels. When the results were evaluated, it was observed that the models were successful in estimating the dam reservoir level and gave results close to each other

Anahtar Kelimeler

Dam reservoir level, Prediction, Fuzzy, ANN, Regression

Kaynakça

• [1]Küçükerdem, T. S., Kilit, M., & Saplıoğlu, K. (2019). Bulanık çıkarım sistemlerinde kullanılan küme sayılarının K-ortalamalar ile belirlenmesi ve baraj hacmi modellenmesi: Kestel barajı örneği. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 25(8), 962-967.
• [2] Salam, Z. K. A. A.,& Keskin, M. E. (2018). Yapay Sinir Ağları ile Dibis Barajı’nın Seviye Tahmini. Mühendislik Bilimleri ve Tasarım Dergisi, 6(4), 564-569.
• [3] Şener, E.,& Morova, N. (2014). Bulanık Mantık ve Doğrusal Regresyon Analizleri ile Burdur Gölü Su Seviyesi Değişimlerinin Modellenmesi. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 15(1), 60-66.
• [4] Aydemir, M. (2020). Yapay sinir ağları ile bütçe gelirlerinin tahmini (Master'sthesis, İnönü Üniversitesi Sosyal Bilimleri Enstitüsü).
• [5] Üneş, F., Demirci, M., Taşar, B., Kaya, Y.Z., & Varçin H. (2019). Estimating Dam Reservoir Level Fluctuations Using Data-Driven Techniques. Pol. J. Environ. Stud. Vol. 28, No. 5 (2019), 1-12. DOI: 10.15244/pjoes/93923
• [6] Arslan, H., Üneş, F., Demirci, M., Taşar, B., & Yılmaz, A. (2020). Keban Baraj Gölü Seviye Değişiminin ANFIS ve Destek Vektör Makineleri ile Tahmini. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 3(2), 71-77.
• [7] Ünes, F. (2010). Dam reservoir level modeling by neural network approach: A case study. Neural Network World, 20(4), 461.
• [8] Demirci, M., Unes, F., Kaya, Y. Z., Tasar, B., & Varcin, H. (2018). Modeling of dam reservoir volume using adaptive neuro fuzzy method. Aerul si Apa. Componente ale Mediului, 145-152.
• [9] Taşar, B., Ünes, F.., Demirci, M., & Kaya, Y. Z. (2018). Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(1), 543-551.
• [10] Demirci, M.,Unes, F., Kaya, Y. Z., Mamak, M., Tasar, B., &Ispir, E. (2017, March). Estimation of groundwater level using artificial neural networks: a casestudy of Hatay-Turkey. 10th International Conference Environmental Engineering.
• [11] Üneş, F., Demirci, M., Taşar, B., Kaya, Y.Z., Varçin, H. (2019). Modeling of dam reservoir volume using generalized regression neural network, support vector machines and m5 decision tree models. Applied Ecology and Environmental Research 17(3), pp. 7043-7055. https://doi.org/10.15666/aeer/1703_70437055
• [12 Üneş, F., Demirci, M., Taşar, B., Kaya, Y. Z., & Varçin, H. (2019). Modeling of dam reservoir volume using generalized regression neural network, support vector machines and M5 decision tree models.
• [13] Üneş, F., Demirci, M., Mertcan, Z., Taşar, B., Varçin, H., & Ziya, Y. (2018). Determination of groundwater level fluctuations by artificial neural networks. Natural and Engineering Sciences, 3(3), 35-42.
• [14] Üneş, F., Maruf, A. G., & Taşar, B. (2019). Ground Water Level Estimation for Dörtyol region in HATAY. International Journal of Environment, Agriculture and Biotechnology, 4(3), 859-864.
• [15] Üneş, F., Keskin, L., & Demirci, M. (2019). Artificial neural networks method for prediction of rainfall-runoff relation: Regional practice. Natural and Engineering Sciences, 4(3), 220-230.
• [16] Üneş, F., Doğan, S., Taşar, B., Kaya, Y., & Demirci, M. (2018). The evaluation and comparison of daily reference evapotranspiration with ANN and empirical methods. Natural and Engineering Sciences, 3(3), 54-64.
• [17] Kılınç, İ. (2004). İstanbul’daki Baraj Haznelerinin İşletilmesinde Yapay Sinir Ağları Kullanılması (Doctoraldissertation, Fen Bilimleri Enstitüsü
• [18] Uygunoğlu, T.,& Ünal, O. (2005). Seyitömer uçucu külünün betonun basınç dayanımına etkisi üzerine bulanık mantık yaklaşımı. Yapı Teknolojileri Elektronik Dergisi, 1(1), 13-20.
• [19] Zadeh, L. A. (1996). Fuzzy sets. In Fuzzy sets, fuzzylogic, andfuzzysystems: selectedpapersbyLotfi A Zadeh (pp. 394-432).
• [20] Jang, J. S. R., Sun, C. T., &Mizutani, E. (1997). Neuro-fuzzyandsoftcomputing-a computationalapproachtolearningandmachineintelligence [BookReview]. IEEE Transactions on automaticcontrol, 42(10), 1482-1484.
• [21] Güner, N.,& Çomak, E. (2014). Lise öğrencilerinin matematik dersine yönelik tutumlarının bulanık mantık yöntemi ile incelenmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 20(5), 189-196.
• [22] Beduk, F., Aydin, M. E., &Ozcan, S. (2012). Degradation of malathionandparathionbyozonation, photolyticozonation, andheterogeneouscatalyticozonationprocesses. CLEAN–Soil, Air, Water, 40(2), 179-187.
• [23] Altaş, E., Aydın, M. C., & Toprak, Z. F. (2018). Açık Kanal Akımlarında Su Yüzü Profilinin Bulanık SMRGT Yöntemiyle Modellenmesi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 9(2), 975-981.
• [24] Bayri, G. (2018). Zeminlerin Basit Üyeli Fonksiyonlar ve Bulanik Kurallar Üretim Tekniği (SMRGT) ile Siniflandirilmasi Bitlis Eren Üniversitesi Yüksek Lisans Tezi.
• [25] Derya, K. (2018). AkişKatsayisininBulanik SMRGT Yöntemi İle Modellenmesi (Doctoraldissertation, Yüksek Lisans Tezi, Dicle Üniversitesi Fen Bilimleri Enstitüsü, Danışman, Prof. Dr. Z. Fuat Toprak).
• [26] Çakır Aydın D., (2018) İşitsel peyzajda ses çevresi memnuniyet düzeyinin bulanık mantık ile tahmin edilmesi: Diyarbakır Suriçi uygulaması İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Mimarlık Anabilim Dalı Doktora Tezi
• [27] Hamidi, N., Toprak, Z. F., Gülsever, H., & Sungur, M. (2013). Kuraklık İndisinin SMRGT Yöntemi ile Modellenmesi. III. Türkiye İklim Değişikliği Kongresi, Tikdek, 3-5.
• [28] Toprak, Z. F.,Songur, M., Hamidi, N., &Gulsever, H. (2013). Determination of Losses in Water-Networks Using a New Fuzzy Technique (SMRGT). Global Journal on Technology, 3.
• [29] Toprak, S., Arife, A. T. A. Y., & Toprak, Z. F. (2015). SMRGT yöntemi ile bulanıklaştırılmış veriler için bulanık doğrusal regresyon. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 31(3), 1-7.
• [30] Toprak, Z. F., Toprak, A., & Aykaç, Z. (2017). Bulanık SMRGT yönteminin pratik uygulamaları. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 8(1), 123-132.