Kavramsal bir hidrolojik modele yapay zeka entegrasyonu

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, Hidrolik Hidroloji ve Su Kaynakları Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2011

Tezin Dili: Türkçe

Öğrenci: AHMET ALİ KUMANLIOĞLU

Danışman: OKAN FISTIKOĞLU

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Sunulan çalışmada, kavramsal bir hidrolojik modele yapay zeka tekniklerinden yapay sinir ağları ve genetik algoritmalar entegre edilerek, daha az parametreye sahip yeni bir günlük yağış akış modeli geliştirilmiştir. Çalışma kapsamında gerçekleştirilen yapay zeka entegrasyonu, deterministik, ortalanmış, sürekli bir parametrik model olan GR4J (Génie Rural à 4 paramètres Journalier) günlük yağış akış modeli üzerinde gerçekleştirilmiştir. GR4J günlük yağış akış modeli yapısında biriktirme ve öteleme elemanları bulunduran ve X1, X2, X3 ve X4 olmak üzere 4 model parametresine sahip günlük yağış akış modelidir.Çalışmada kapsamında GR4J parametrik yağış akış modeline ilk olarak yapay sinir ağlarının (YSA) entegrasyonu gerçekleştirilmiştir. Yapay sinir ağı entegrasyonunda, GR4J modelinin parametre sayısı 4'ten 1'e indirilmiş ve model içersindeki doğrusal olmayan akım öteleme süreci yapay sinir ağları ile modellenmiştir. Söz konusu bu entegrasyon ile modelin parametre sayısı önemli ölçüde azalırken tahmin performansı önemli ölçüde arttırılmıştır.Çalışma ayrıca, GR4J-YSA entegre modeline genetik algoritmalar (GA) da entegre edilerek model parametrelerinin otomatik olarak GA sayesinde kalibre edilmesi sağlanmıştır. Son derece az parametreye sahip ve parametrelerini otomatik olarak kalibre edebilen GR4J-YSA-GA entegre modeli Gediz havzasının Murat, Selendi, Deliiniş, Demirci, Gördes, Medar ve Yiğitler althavzalarında uygulanarak model performansları incelenmiştir. Uygulama sonuçları, GR4J modeline YSA ve GA entegrasyonunun model performanslarını önemli ölçüde arttırdığı göstermiştir.Sonuç olarak sunulan çalışmada, kavramsal hidrolojik modellere YSA ve GA gibi yapay zeka tekniklerinin entegre edilmesiyle, model parametre sayılarının azaltılarak kalibrasyon sürecinin hızlandırılabileceği ve buna karşılık entegre modellerle model tahmin performanslarının arttırılabileceği gösterilmiştir