Hatice ARSLAN, Fatih ÜNEŞ, Mustafa DEMİRCİ, Bestami TAŞAR, Ada YILMAZ

Keban Baraj Gölü Seviye Değişiminin ANFİS ve Destek Vektör Makineleri ile Tahmini

Bir baraj haznesindeki su seviyesinin doğru tahmini, su kaynaklarının yönetimini optimize etmek için önemlidir. Bu çalışmada, Adaptif Sinirsel Bulanık Çıkarım sistemi (ANFIS) ve Destek Vektör Makineleri (DVM) metotları kullanılarak bir baraj haznesindeki su seviyesi değişimi tahmin edilmiştir. Klasik bir yöntem olan Çoklu Lineer Regresyon (ÇLR) yöntemi ile elde edilen sonuçlar ve gerçek gözlem sonuçları ile karşılaştırılmıştır. Bu çalışmada girdi verileri olarak enerji gayesi için su sarfiyatı, günlük toplam su sarfiyatı ve toplam buharlaşma miktarı değişkenleri kullanılarak günlük hazne seviyesi tahmin edilmiştir. Uygulama alanı olarak Türkiye’nin Doğu Anadolu Bölgesinde yer alan Keban Barajı ve haznesi seçilmiştir. Sonuçlar değerlendirildiğinde, tüm model sonuçlarının baraj hazne seviye tahmininde başarılı olduğu ve birbirine yakın sonuçlar verdiği gözlenmiştir.

Estimation of Keban Dam Lake Level Change Using ANFIS and Support Vector Machines

The correct estimation of the water level in a reservoir is important to optimize the management of water resources. In this study, the water level change in a reservoir was estimated using the Adaptive Neuro-Fuzzy Inference System (ANFIS) and Support Vector Machines (SVM) method. It is compared with the results obtained by the conventional method, Multi Linear Regression Analysis (MLR) method, and the actual observation results. In this study, as the input data, daily tank level was estimated by using variables of energy gauge, daily total water consumption and total evaporation amount. Keban Dam and its reservoir located in the Eastern Anatolia Region of Turkey were selected as the application area. When the results were evaluated, it was observed that the results of all models were successful in dam reservoir level estimation and gave close results.

PDF

___

[1] Ripple W. The capacity of storage for water supply, Proc., Institution of Civil Engineers 1883; 71, 270.
[2] Sudler CE. Storage required for regulation of streamflow, Trans., ASCE 1927; 91, 622.
[3] Keskin ME., Terzi O., Taylan D. Fuzzy logic model approaches to daily pan evaporation estimation in Western Turkey, Hydrological Sciences Journal 2004; 49, 1001-1010.
[4] Kazeminezhad MH., Etemad-Shahidi A., Mousavi SJ. Application of fuzzy inference system in the prediction of wave parameters, Ocean Engineering 2005; 32, 1709-1725.
[5] Kisi O. Daily pan evaporation modeling using a neuro-fuzzy computing technique, Journal of Hydrology 2006; 329, 636-646.
[6] Kisi O., Ozturk O. Adaptive neurofuzzy computing technique for evapo-transpiration estimation, Journal of Irrigation and Drainage Engineering 2007; 133, 368-379.
[7] Üneş F., Karaeminoğulları AB., Taşar B. Forecasting of river sediment amount using machine model, International Journal of Environment, Agriculture and Biotechnology 2020; 5(1): 9-15.
[8] Özdülkar K., Üneş F., Demirci M., Kaya YZ. Günlük buharlaşma miktarının bulanık mantık yöntemleri kullanılarak bölgesel olarak modellenmesi, Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi 2019; 2(1): 23-29.
[9] Demirci M., Unes F., Kaya YZ., Mamak M., Tasar B., Ispir E. Estimation of groundwater level using artificial neural networks: a case study of Hatay-Turkey, In 10th International Conference Environmental Engineering. 2017
[10] Üneş F., Demirci M. Generalized regression neural networks for reservoir level modeling, International Journal of Advanced Computational Engineering and Networking 2015; 3, 81-84.
[11] Demirci M., Unes F., Kaya YZ., Tasar B., Varcin H. Modeling of dam reservoir volume using adaptive neuro fuzzy method, Aerul si Apa. Componente ale Mediului, 2018; 145-152.
[12] Campolo M., Andreussi P., Soldati A. River flood forecasting wiht a neural network model, Water Resour. Res. 1999; 35(4): 1191-1197.
[13] Minns AW., Hall MJ. Artificial neural networks as rainfall-runoff models, Hydrologic Science 1996; 41(3): 399-417.
[14] Tokar AS., Johnson PA. Rainfall-runoff modeling using artificial neural networks, J. Hydrologic Engrg., ASCE 1999; 4(3): 232- 239.
[15] Üneş F., Demirci M., Taşar B., Kaya Y Z., Varçin H. Estimating dam reservoir level fluctuations using data-driven techniques, Polish Journal of Environmental Studies 2019; 28(5): 3451-3462.
[16] Taşar B., Üneş F., Demirci M., Kaya YZ. Yapay sinir ağları yöntemi kullanılarak buharlaşma miktarı tahmini, DÜMF Mühendislik Dergisi 2018; 9(1): 543-551.
[17] Unes F., Kaya YZ., Mamak M. Daily reference evapotranspiration prediction based on climatic conditions applying different data mining techniques and empirical equations, Theoretical and Applied Climatology 2020; 141, 763-773.
[18] Üneş F., Demirci M., Taşar B., Kaya Y Z., Varçin H. Modeling of dam reservoir volume using generalized regression neural network, support vector machines and M5 decision tree models. Applied Ecology and Environmental Research 2019; 17(3):7043- 7055.
[19] Devlet Su İşleri Genel Müdürlüğü, http://www.dsi.gov.tr/
[20] Cortes C., Vapnik V. Support-vector networks, Machine learning 1995; 20(3): 273-297.
[21] Hsu CW., Chang CC., Lin CJ. A practical guide to support vector classification. 2003.
[22] Zadeh LA. Fuzzy sets, Information and Control 1965; 8, 338-353.
[23] Jang JS. ANFIS: Adaptive-network-based fuzzy inference system, IEEE transactions on systems, man, and cybernetics 1993; 23(3):665-685.