Flood Discharge Estimation with Swarm Based Algorithm Models

Yıl 2024, ERKEN GÖRÜNÜM, 1 - 1

Arife Günay , Mahir Kumantaş , Ayşen Kayhan , Tuğçe Anılan

https://doi.org/10.2339/politeknik.1496489

Öz

Accurate flood discharge estimation is critical for the, economical, and safe design of hydraulic structures. In this study, various models were developed to estimate the maximum flow rate based on the flood values of the flow observation stations in the Eastern Black Sea Basin, Trabzon province. In the analysis, the area and elevation data of these stations were used. Data from 16 stations in Trabzon, with streamflow records ranging from 9 to 42 years, were utilized in the analyses. To predict future maximum discharge, the study employed not only classical regression (CRA) but also artificial bee colony (ABC) and teaching-learning based optimization (TLBO) algorithms. These algorithms optimized multiple linear regression, hyperbolic, and exponential regression functions. In the modeling for the future maximum flow rate forecasts, the error values of the hyperbolic regression function optimized with TLBO were lower. This reveals that the TLBO performs better than the CRA and ABC methods. Therefore, using the hyperbolic regression model optimized with TLBO for maximum flow rate estimation where there are no measurements for Trabzon province is recommended.

Anahtar Kelimeler

Estimation of flood discharge, teaching-learning based algorithm, artificial bee colony

Sürü Tabanlı Algoritma Modelleri ile Taşkın Debisi Tahmini

Öz

Hidrolik yapıların projelendirilmesinde doğru taşkın debisi tahmini, ekonomik ve güvenli yapı tasarımı için kritik öneme sahiptir. Bu çalışmada Doğu Karadeniz Havzası Trabzon ilinde bulunan akım gözlem istasyonlarına ait taşkın değerlerine dayanarak maksimum debiyi tahmin eden çeşitli modeller geliştirilmiştir. Analizlerde, bu istasyonların alan ve kot bilgileri kullanılmıştır. Trabzon ilinde bulunan ve 9 ile 42 yıl arasında değişen akım gözlem yıllıklarına sahip toplam 16 adet istasyona ait veriler yapılan analizlerde kullanılmıştır. Debi tahmini için klasik regresyonun (KRA) yanı sıra yapay arı kolonisi (YAK) ve öğretme-öğrenme tabanlı optimizasyon (ÖÖTO) algoritmaları da kullanılmıştır. Bu algoritmalarda çoklu lineer regresyon, hiperbolik ve eksponansiyel regresyon fonksiyonları optimize edilmiştir. Gelecekteki maksimum debi tahminlerine yönelik modellemede, ÖÖTO ile optimize edilen hiperbolik regresyon fonksiyonunun hata değerlerinin daha düşük olduğu görülmüştür. Bu durum, ÖÖTO'nun KRA ve YAK yöntemlerine göre daha iyi performans gösterdiğini ortaya koymaktadır. Dolayısıyla, Trabzon ili için ölçüm olmayan yerlerde maksimum debi tahminlerinde ÖÖTO ile optimize edilmiş hiperbolik regresyon modelinin kullanılması tavsiye edilmektedir.

Anahtar Kelimeler

Taşkın debisi tahmini, öğretme-öğrenme tabanlı algoritma, yapay arı kolonisi

Kaynakça

• [1] Demir V., Keskin A. Ü., “Yeterince akım ölçümü olmayan nehirlerde taşkın debisinin hesaplanması ve taşkın modellenmesi (Samsun, Mert Irmağı Örneği)”, Geomatik Dergisi, 7(2):149-162, (2022).
• [2] Dikici M., Aksel M., “Havza büyüklüğüne göre en uygun taşkın debisi hesap yönteminin bulunması- Doğu Akdeniz Havzası Örneği”, ALKÜ Fen Bilimleri Dergisi, 1(3):120-131, (2019).
• [3] Dikici M., Kazezyılmaz C. M.-Alhan, “Alibeyköy havzası için hidrolojik modelleme yöntemleri ile taşkın debilerinin belirlenmesi”, DÜMF Mühendislik Dergisi, 9(2):919-928, (2018).
• [4] Korkmaz M., “Nehirlerde Taşkın Tekerrür Debisi Hesabı ve Taşkın Risk Değerlendirmesi.”, El-Cezeri, 9(2):532-541, (2022).
• [5] Anilan T., Satilmis U., Kankal M., Yuksek O. “Application of artificial neural networks and regression analysis to l-moments based regional frequency analysis in the Eastern Black Sea basin, Turkey”. KSCE Journal of Civil Engineering, 20:2082-2092, (2016).
• [6] Anılan T., Yüksek Ö., Kankal M., “Doğu Karadeniz Havzası’nın L-momentlere dayalı taşkın frekans analizi”, Teknik Dergi, 27(2):7403-7427, (2016).
• [7] Aydın M., “Batı Akdeniz Havzası Taşkın Debilerinin L-Momentler Yöntemi ve Noktasal Taşkın Frekans Analizi ile Belirlenmesi”, El-Cezeri Fen ve Mühendislik Dergisi, 5(2):117-125, (2018).
• [8] Elbaşı, E., Özdemir, H., “Akım Gözlem İstasyonu Bulunmayan Havzalarda Taşkın Debisi Tahmini: Doğu Karadeniz Örneği”, Türk Coğrafya Dergisi, 84:85-96, (2023).
• [9] Anılan T., Nacar S., Kankal M., Yüksek Ö., “Prediction of maximum annual flood discharges using artificial neural network approaches”, Gradevinar, 72(3):215-224, (2020).
• [10] Dtissibe F. Y., Ari A. A. A., Titouna C., Thiare O., Gueroui A. M., “Flood forecasting based on an artificial neural network scheme”, Natural Hazards, 104:1211-1237, (2020).
• [11] Zhu H., Leandro J., Lin Q., “Optimization of artificial neural network (ANN) for maximum flood inundation forecasts”, Water, 13(16):2252, (2021).
• [12] Samantaray S., Sahoo P., Sahoo A., Satapathy D. P., “Flood discharge prediction using improved ANFIS model combined with hybrid particle swarm optimisation and slime mould algorithm”, Environmental Science and Pollution Research, 30(35):83845-83872, (2023).
• [13] Ali M., Taha M., Aziz M. S., Ahmed H., Ahmed H., “Flash flood prediction of Panjkora River, KPK, Using Artificial Neural Networks (ANN) and Support Vector Machine (SVM)”, Technical Journal, 3(ICACEE):758-769, (2024).
• [14] Bayram A., Uzlu E., Kankal M., Dede T., “Modeling stream dissolved oxygen concentration using teaching-learning based optimization algorithm”, Envıronmental Earth Sciences, 73(10):6565-6576, (2015).
• [15] Chauhan P., Narulkar S. M., “meta-heuristic approach for flood control in reservoir operation”, In International Conference Innovation in Smart and Sustainable Infrastructure, (2024).
• [16] Yılmaz B., Aras E., Nacar S., Kankal M., “estimating suspended sediment load with multivariate adaptive regression spline, teaching-learning based optimization, and artificial bee colony models”, Science of The Total Envıronment, 639:826-840, (2018).
• [17] Uzlu E., Kömürcü İ. M., Kankal M., Dede T., Öztürk H. T., “Prediction of Bern Geometry Using A Set of Laboratory Tests Combined with Teaching-Learning Based Optimization and Artifical Bee Colony Algortithms”, Applied Ocean Research, 48:103-113, (2014).
• [18] Rani B. K., Srinivas K., Govardhan A., “Rainfall Prediction with TLBO Optimized ANN”, Journal of Scientific and Industrial Research, 73:643-647, (2014).
• [19] Anılan T., Uzlu E., Kankal M., Yüksek Ö., “The Estimation of Flood Quantiles in Ungauged Sites Using Teaching-Learning Based Optimization and Artificial Bee Colony Algorithms”, Scientia Iranica, 25(2):632-645, (2018).
• [20] Anılan T., Uzlu E., Kankal M., Yüksek Ö., “The estimation of flood quantiles in ungauged sites using teaching-learning based optimization and artificial bee colony algorithms”, Scientia Iranica, 25(2):632-645, (2018).
• [21] Yüksek Ö, Babacan H. T., Yüksek O, “Doğu Karadeniz Havzası’nda Taşkın Sebepleri, Zararları ve Taşkın Yönetimi Çalışmaları”, Türk Hidrolik Dergisi, 6(2):36-46, (2022).
• [22] Kankal M., Akçay F., “Trabzon İli Yağışlarının Eğilim Analizi”, Gümüşhane Fen Bilimleri Dergisi, 9(2):318-331, (2019).
• [23] Çalışkan M., “Sakarya Havzasındaki Hidroelektrik Enerji Santrallerinin Enerji Potansiyellerinin Yapay Sinir Ağları Yöntemi İle İleriye Dönük Araştırılması”, Yüksek Lisans Tezi, Sakarya Uygulamalı Bilimler Üniversitesi, Lisansüstü Eğitim Enstitüsü, Sakarya, (2019).
• [24] Alpars M., “Şehirsel Su Sarfiyatı Üzerindeki Zamansal Etkileşimin Konya İline Ait Farklı Mahalleler Üzerinde İncelenmesi”, Yüksek Lisans Tezi, Konya Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü, Konya, (2022).
• [25] Özger Z. B., Yağcı A. E., Unsal M., “Estimating The Aeration Performance Of Venturi-Conduit By Artificial Bee Colony Programming”, Politeknik Dergisi, 25(1): 389–398, (2022).
• [26] Bal G., Öztürk N., Öncü S. ve Ünal K., “Otomatik gerilim regülatörü için hibrit bir denetleyici tasarımı”, Politeknik Dergisi, 26(1): 199-207, (2023).
• [27] Rao R. V., Savsani V. J., Vakharia D. P., “Teaching-Learning-Based Optimization: A Novel Method for Constrained Mechanical Design Optimization Problems”, Computer-Aided Design, 43(3):303-315, (2011).
• [28] Kankal M., Uzlu E., “Neural Network Approach With Teaching-Learning-Based Optimization for Modeling and Forecasting Long-Term Electric Energy Demand in Turkey”, Neural Computing and Applications, 28:737-747, (2017).
• [29] Öztürk H. K., Ceylan H., Canyurt O. E., Hepbasli A., “Electricity Estimation Using Genetic Algorithm Approach: A Case Study of Turkey”, Energy, 30(7):1003-1012, (2005).
• [30] Dede T., Ayvaz Y., “Combined Size and Shape Optimization of Structures With A New Metaheuristic Algorithm”, Applied Soft Computing, 28:250-258, (2015).
• [31] Dede T., “Optimum Design of Grillage Structures to LRFD–AISC with Teaching–Learning Based Optimization”, Structural and Multidisciplinary Optimization, 48:955-964, (2013).
• [32] Temiz S., “Betonarme Sürekli Kirişlerin Yapay Arı Koloni, Öğretme-Öğrenmeye Dayalı Optimizasyon ve Öğretme-Öğrenmeye Dayalı Yapay Arı Koloni Algoritmalarıyla Optimum Tasarımı”, Yüksek Lisans Tezi, K.T.Ü., Fen Bilimleri Enstitüsü, Trabzon, (2022).
• [33] Karaboga D. “An idea based on honey bee swarm for numerical optimization. Technical Report” TR06, Erciyes University Engineering Faculty Computer Engineering Department (2005).
• [34] Ozkan C.Kisi O., Akay B. “Neural networks with artificial bee colony algorithm for modeling daily reference evapotranspiration”, Irrigation Science, 29:431–41, (2011).