Research Article
BibTex RIS Cite

NEHİRLERDEKİ KATI MADDE MİKTARININ BULANIK SMGRT YÖNTEMİ İLE TAHMİNİ

Year 2021, Volume: 24 Issue: 4, 294 - 307, 03.12.2021

Feyzullah Dayan Mustafa Demirci Fatih Üneş Bestami Taşar

https://doi.org/10.17780/ksujes.912425
Cited By: 1

Abstract

Nehirlerdeki katı madde miktarının doğru tahmin edilmesi; kirliliğin belirlenmesi, akarsu taşımacılığı, baraj ömrünün tespiti, çalışmalarında vb. konularda oldukça önemlidir. Bu çalışmada, Çoklu Doğrusal Regresyon (ÇDR) Bulanık Mantık- Simple Membership Functions and Fuzzy Rules Generation Technique ( SMRGT) yöntemleri kullanılarak akarsudaki katı madde tahmini yapılmıştır. Katı madde tahmini için Catonsville yakınında 01589025 nolu Patapsco Nehri bulunan katı madde (sediment) gözlem istasyonuna ait 2015-2018 yılları arasında bulunan akım verileri, girdi parametresi olarak kullanılarak, bulanık mantık modelleri geliştirilmiştir. Geliştirilen bulanık mantık modelleri USGS tarafından işletilen istasyonun günlük gerçek zamanlı debi, bulanıklık ve katı malzeme konsantrasyon verileri oluşturulmuştur. Model sonuçları , ÇDR ve gözlem sonuçları ile karşılaştırılmıştır. Bulanık mantık modellerinin gözlem sonuçları ile uyumlu sonuçlar verdiği görülmüştür.
Anahtar Kelimeler: Bulanık Mantık, Katı Madde, SMRGT, Modelleme, Regresyon

Keywords

Bulanık Mantık Katı Madde SMRGT Modelleme Regresyon

References

  • 1. Birleşik Devletler Jeoloji Araştırmaları Kurumu, https://www.usgs.gov/
  • 2. Bulanık mantık, wikipedia https://tr.wikipedia.org/wiki/Bulan%C4%B1k_mant%C4%B1k
  • 3. Demirci, M., Unes, F., Kaya, Y. Z., Mamak, M., Tasar, B., & Ispir, E. (2017). Estimation of groundwater level using artificial neural networks: a case study of Hatay-Turkey. In 10th International Conference „Environmental Engineering “
  • 4. 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.
  • 5. Doğan, E. (2009). Katı madde konsantrasyonunun yapay sinir ağlarını kullanarak tahmin edilmesi. Teknik Dergi, 20(96), 4567-4582.
  • 6. Fatih, U. N. E. S. (2017). Prediction of dam reservoir volume fluctuations using adaptive neuro fuzzy approach. European Journal of Engineering and Natural Sciences, 2(1), 144-148.
  • 7. Firat, M., & Güngör, M. (2010). Monthly total sediment forecasting using adaptive neuro fuzzy inference system. Stochastic Environmental Research and Risk Assessment, 24(2), 259-270.
  • 8. Karakaya, D. (2019). Akış katsayısının bulanık SMRGT yöntemi ile modellenmesi (Master's thesis).
  • 9. KİŞİ, Ö. (2005). Daily river flow forecasting using artificial neural networks and auto-regressive models. Turkish Journal of Engineering and Environmental Sciences, 29(1), 9-20.
  • 10. Kişi, Ö., KARAHAN, M. E., & Şen, Z. (2010). Nehirlerdeki askı maddesi miktarının bulanık mantık ile modellenmesi. İTÜDERGİSİ/d, 2(3).
  • 11. Kisi, O. ve Zounemat-Kermani, M. (2016). Nöro-bulanık gömülü bulanık c-araç kümeleme tekniğini kullanarak askıya alınmış sediman modellemesi. Su kaynakları yönetimi , 30 (11), 3979-3994.
  • 12. Mathworks, (2016). MATLAB: R2016a. Mathworks Inc, Natick.
  • 13. Mianaei, S. J., & Keshavarzi, A. R. (2010). Prediction of riverine suspended sediment discharge using fuzzy logic algorithms, and some implications for estuarine settings. Geo-Marine Letters, 30(1), 35-45.
  • 14. Mirbagheri, S. A., Nourani, V., Rajaee, T., & Alikhani, A. (2010). Neuro-fuzzy models employing wavelet analysis for suspended sediment concentration prediction in rivers. Hydrological Sciences Journal–Journal des Sciences Hydrologiques, 55(7), 1175-1189.
  • 15. Olyaie, E., Banejad, H., Chau, KW ve Melesse, AM (2015). Nehir sistemlerinin askıya alınmış tortu yükünü tahmin etmek için çeşitli yapay zeka yaklaşımlarının performansının bir karşılaştırması: Amerika Birleşik Devletleri'nde bir vaka çalışması. Çevresel izleme ve değerlendirme , 187 (4), 1-22.
  • 16. Ozturk, F., Apaydin, H., & Walling, D. F. (2001). Suspended sediment loads through flood events for streams of Sakarya River Basin. Turk J Eng Environ Sci, 25, 643-650.
  • 17. Rajaee, T., Mirbagheri, S. A., Zounemat-Kermani, M., & Nourani, V. (2009). Daily suspended sediment concentration simulation using ANN and neuro-fuzzy models. Science of the total environment, 407(17), 4916-4927.
  • 18. Shamaei, E., & Kaedi, M. (2016). Suspended sediment concentration estimation by stacking the genetic programming and neuro-fuzzy predictions. Applied Soft Computing, 45, 187-196.
  • 19. Taşar, B. (2016). Bulanık mantık modellenmesi kullanılarak nehirlerdeki askı maddesi miktarının tahmini (Master's thesis, İskenderun Teknik Üniversitesi/Mühendislik ve Fen Bilimleri Enstitüsü/İnşaat Mühendisliği Anabilim Dalı).
  • 20. Toprak, Z. F. (2009). Flow discharge modeling in open canals using a new fuzzy modeling technique (SMRGT). CLEAN–Soil, Air, Water, 37(9), 742-752.
  • 21. TOPRAK, Z. F., TOPRAK, A., & AYKAÇ, Z. (2017). Bulanık SMRGT yönteminin pratik uygulamaları. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 8(1), 123-132.
  • 22. 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.
  • 23. 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.
  • 24. 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.
  • 25. ÜNEŞ, F., KARAEMİNOĞULLARI, A. B., & TAŞAR, B. (2020). Forecasting of River Sediment Amount using Machine Model. International Journal of Environment, Agriculture and Biotechnology, 5(1), 9-15.
  • 26. Vafakhah, M. (2013). Comparison of cokriging and adaptive neuro-fuzzy inference system models for suspended sediment load forecasting. Arabian Journal of Geosciences, 6(8), 3003-3018.
  • 27. Yang, CT (1996). Tortu taşınımı: teori ve pratik.
  • 28. Zadeh, L. A. (1965). Information and control. Fuzzy sets, 8(3), 338-353.

Year 2021, Volume: 24 Issue: 4, 294 - 307, 03.12.2021

Feyzullah Dayan Mustafa Demirci Fatih Üneş Bestami Taşar

https://doi.org/10.17780/ksujes.912425
Cited By: 1

Abstract

References

  • 1. Birleşik Devletler Jeoloji Araştırmaları Kurumu, https://www.usgs.gov/
  • 2. Bulanık mantık, wikipedia https://tr.wikipedia.org/wiki/Bulan%C4%B1k_mant%C4%B1k
  • 3. Demirci, M., Unes, F., Kaya, Y. Z., Mamak, M., Tasar, B., & Ispir, E. (2017). Estimation of groundwater level using artificial neural networks: a case study of Hatay-Turkey. In 10th International Conference „Environmental Engineering “
  • 4. 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.
  • 5. Doğan, E. (2009). Katı madde konsantrasyonunun yapay sinir ağlarını kullanarak tahmin edilmesi. Teknik Dergi, 20(96), 4567-4582.
  • 6. Fatih, U. N. E. S. (2017). Prediction of dam reservoir volume fluctuations using adaptive neuro fuzzy approach. European Journal of Engineering and Natural Sciences, 2(1), 144-148.
  • 7. Firat, M., & Güngör, M. (2010). Monthly total sediment forecasting using adaptive neuro fuzzy inference system. Stochastic Environmental Research and Risk Assessment, 24(2), 259-270.
  • 8. Karakaya, D. (2019). Akış katsayısının bulanık SMRGT yöntemi ile modellenmesi (Master's thesis).
  • 9. KİŞİ, Ö. (2005). Daily river flow forecasting using artificial neural networks and auto-regressive models. Turkish Journal of Engineering and Environmental Sciences, 29(1), 9-20.
  • 10. Kişi, Ö., KARAHAN, M. E., & Şen, Z. (2010). Nehirlerdeki askı maddesi miktarının bulanık mantık ile modellenmesi. İTÜDERGİSİ/d, 2(3).
  • 11. Kisi, O. ve Zounemat-Kermani, M. (2016). Nöro-bulanık gömülü bulanık c-araç kümeleme tekniğini kullanarak askıya alınmış sediman modellemesi. Su kaynakları yönetimi , 30 (11), 3979-3994.
  • 12. Mathworks, (2016). MATLAB: R2016a. Mathworks Inc, Natick.
  • 13. Mianaei, S. J., & Keshavarzi, A. R. (2010). Prediction of riverine suspended sediment discharge using fuzzy logic algorithms, and some implications for estuarine settings. Geo-Marine Letters, 30(1), 35-45.
  • 14. Mirbagheri, S. A., Nourani, V., Rajaee, T., & Alikhani, A. (2010). Neuro-fuzzy models employing wavelet analysis for suspended sediment concentration prediction in rivers. Hydrological Sciences Journal–Journal des Sciences Hydrologiques, 55(7), 1175-1189.
  • 15. Olyaie, E., Banejad, H., Chau, KW ve Melesse, AM (2015). Nehir sistemlerinin askıya alınmış tortu yükünü tahmin etmek için çeşitli yapay zeka yaklaşımlarının performansının bir karşılaştırması: Amerika Birleşik Devletleri'nde bir vaka çalışması. Çevresel izleme ve değerlendirme , 187 (4), 1-22.
  • 16. Ozturk, F., Apaydin, H., & Walling, D. F. (2001). Suspended sediment loads through flood events for streams of Sakarya River Basin. Turk J Eng Environ Sci, 25, 643-650.
  • 17. Rajaee, T., Mirbagheri, S. A., Zounemat-Kermani, M., & Nourani, V. (2009). Daily suspended sediment concentration simulation using ANN and neuro-fuzzy models. Science of the total environment, 407(17), 4916-4927.
  • 18. Shamaei, E., & Kaedi, M. (2016). Suspended sediment concentration estimation by stacking the genetic programming and neuro-fuzzy predictions. Applied Soft Computing, 45, 187-196.
  • 19. Taşar, B. (2016). Bulanık mantık modellenmesi kullanılarak nehirlerdeki askı maddesi miktarının tahmini (Master's thesis, İskenderun Teknik Üniversitesi/Mühendislik ve Fen Bilimleri Enstitüsü/İnşaat Mühendisliği Anabilim Dalı).
  • 20. Toprak, Z. F. (2009). Flow discharge modeling in open canals using a new fuzzy modeling technique (SMRGT). CLEAN–Soil, Air, Water, 37(9), 742-752.
  • 21. TOPRAK, Z. F., TOPRAK, A., & AYKAÇ, Z. (2017). Bulanık SMRGT yönteminin pratik uygulamaları. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 8(1), 123-132.
  • 22. 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.
  • 23. 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.
  • 24. 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.
  • 25. ÜNEŞ, F., KARAEMİNOĞULLARI, A. B., & TAŞAR, B. (2020). Forecasting of River Sediment Amount using Machine Model. International Journal of Environment, Agriculture and Biotechnology, 5(1), 9-15.
  • 26. Vafakhah, M. (2013). Comparison of cokriging and adaptive neuro-fuzzy inference system models for suspended sediment load forecasting. Arabian Journal of Geosciences, 6(8), 3003-3018.
  • 27. Yang, CT (1996). Tortu taşınımı: teori ve pratik.
  • 28. Zadeh, L. A. (1965). Information and control. Fuzzy sets, 8(3), 338-353.
There are 28 citations in total.

Details

Primary Language Turkish
Subjects Civil Engineering
Journal Section Civil Engineering
Authors

Feyzullah Dayan 0000-0001-8640-8821

Mustafa Demirci 0000-0002-3249-2586

Fatih Üneş 0000-0001-5751-6970

Bestami Taşar 0000-0003-4842-3937

Publication Date December 3, 2021
Submission Date April 9, 2021
Published in Issue Year 2021Volume: 24 Issue: 4

Cite

APA Dayan, F., Demirci, M., Üneş, F., Taşar, B. (2021). NEHİRLERDEKİ KATI MADDE MİKTARININ BULANIK SMGRT YÖNTEMİ İLE TAHMİNİ. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 24(4), 294-307. https://doi.org/10.17780/ksujes.912425

Cited By

Ardışık Gözlem İstasyonu Verileri ile Çoklu Doğrusal Olmayan Regresyon Yöntemi Kullanılarak Akım Tahmin Çalışması
Karadeniz Fen Bilimleri Dergisi
https://doi.org/10.31466/kfbd.1175582
 Download Cover Image