Research Article
Year 2021,
, 294 - 307, 03.12.2021
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
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,
, 294 - 307, 03.12.2021
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 | |
| Publication Date | December 3, 2021 |
| Submission Date | April 9, 2021 |
| Published in Issue | Year 2021 |