Bu çalışmada, Yapay Sinir Ağı (YSA) modeliyle DSİ’nin akım ve DMi’nin meteoroloji verileri kullanılarak Akarçay akımının tahmin edilmesi ve YSA özelliklerinin incelenmesi amaçlanmıştır. Modelleme için 6 akım gözlem verisi ile ay ve yıl sıra sayıları kullanılmıştır. Tüm veriler 0-1 arasında üniformize edilmiş, ayrıca gözlem değerleri normalize edilmiştir. 3 katmanlı YSA modelinde nöron adedi, öğrenme ve momentum oranları geniş bir yelpaze içinde sınanmıştır. Model çalışmaları sonucunda ay sıra sayılarının eğitme verisi olarak kullanıldığı modeller, bir gözlem yeri hariç, gözlem verilerinin eğitme verisi olarak kullanıldığı modellere göre daha başarılı sonuçlar vermiştir. YSA araştırmalarında belirsiz parametrelerden olan nöron adedi ve öğrenme oranı seçilen modellerde farklı değerler almışlardır. Fakat diğer belirsiz parametre olan momentum oranı değeri modellerin çoğunluğunda 0,90 çıkmıştır. Genel olarak YSA akım modellemesi için iyi sonuçlar vermekle beraber, ağ yapısındaki etkileşim tam olarak bilinemediğinden koşullar sağlandığı takdirde kavramsal ve/veya istatistiksel yöntemlerin modelleme çalışmalarında tercih edilmesi uygun seçenek olacaktır. Anahtar Kelimeler: Yapay Sinir Ağlar, Akarçay, Akım, Modelleme

In this study, estimation of Akarçay flow using data of DSİ (State Hydraulic Works) flow and of DMİ (State Meteorology Works) meteorologic in Artificial Neural Network model, and investigation properties of ANN was purposed. In modeling, 6 flow observation stations’ data with month and year order numbers were used. All data uniformised between 0-1, and moreover the observed data were normalised. Neuron number, learning and momentum rates in large range were examined in a ANN model with three layer. At the end of modeling studies, the models which month order numbers were used as training data, were successful than the other models which used observation as trainings data. Neuron numbers and learning rates, which are two of the undetermined parameters in YSA studies, in selected models have different values in optimum models. But, momentum rate which the other undefined parameter was 0,9 in most model. Though, ANN usually has good results in flow modeling, but, because of interaction in network structure is unknown exactly, preferring the conceptual and/or statistical methods should be reasonable alternative in case the conditions were provided. Keywords: Artifical Neural Networks, Akarçay, Flow, Modeling