DİCLE NEHRİNDE TAŞINAN AYLIK SÜSPANSE-SEDİMENT MİKTARININ YAPAY SİNİR AĞLARI İLE BELİRLENMESİ

Transkript

1 DİCLE NEHRİNDE TAŞINAN AYLIK SÜSPANSE-SEDİMENT MİKTARININ YAPAY SİNİR AĞLARI İLE BELİRLENMESİ Necati KAYAALP Dicle Üniversitesi, Mühendislik-Mimarlık Fakültesi İnşaat Mühendisliği Bölümü Hidrlik Anabilim Dalı, Diyarbakır Tel: (0412) GİRİŞ Tükenmekte lan su kaynaklarımızın etkin bir şekilde kullanılması amacıyla inşa edilecek su yapılarının, planlandığı süre içerisinde eknmik ömrünü tamamlayabilmesi için dğru bir şekilde tahmin edilmesi gereken önemli parametrelerden biri de, yapının üzerinde inşa edildiği akarsuyun, yapının planlanan ömrü byunca taşıyacağı sediment miktarıdır. Diğer bir çk bilim dallarında lduğu gibi hidrljide de, uygulamada karşı karşıya kaldığımız prblemlerin hemen tümünün deterministik lmaktan ziyade prbabilistik bir dğası vardır. Tabiattaki bir layın mdellenmesi çalışmasında, layın prbabilistik öğeler içermesi sebebiyle kurduğumuz mdeller hiçbir zaman sıfır hata vermezler, ancak hatanın kabul edilebilir sınırlarda lması bu mdelleri kullanmamıza lanak sağlamaktadır. Dğadaki layların prbabilistik karakterlerinin yanı sıra, layda etkili lan parametrelerin arasındaki ilişkilerin lineer lmaktan çk nn-lineer ilişkiler lması da ayrı bir srun larak karşımıza çıkmaktadır. Bu nedenle, lineer ilişkiler temelinde kurulan mdeller, laylardaki parametreler arasındaki ilişkileri yansıtmaktan uzaktırlar. Sn yıllarda, laylara etkiyen parametreler arasında nn-lineer ilişkiler temelinde rahat, hızlı bir şekilde ve hata payı düşük daha dğru mdeller kurmaya lanak tanıdığı için Yapay Sinir Ağları (YSA) etkin bir şekilde ve yaygın larak çeşitli disiplinlerde kullanılmaktadırlar. Bu çalışmada, yeni bir yöntem lan Yapay Sinir Ağları kullanılarak Dicle Nehri nde taşınan aylık süspanse-sediment miktarları ile yağış, sıcaklık ve akım miktarlarının çeşitli kmbinasynları arasında matematik mdeller kurularak bu mdeller birbirleriyle karşılaştırılmıştır. 2. ÇALIŞMA YÖNTEMİ Yapay Sinir Ağları, insan beynindeki nörnlara benzer larak meydana getirilen yapay nörnların değişik bağlantı gemetrisi ile birbirlerine bağlanmasıyla luşan karmaşık

2 sistemlerdir (Baylar vd.,1999). YSA kendisine verilen örnekler üzerinde kendini eğiterek bir çözüm sistemi geliştirmektedir. YSA metdu ile mdelleme iki aşamadan luşmaktadır. Birincisi, YSA nın parametrelerinin (gizli tabaka hücre sayısı, aktivasyn fnksiynunun şekli ve parametreleri vs.) belirlenmesi amacıyla yapılan eğitim aşaması, ikincisi ise parametreleri belirlenen bu YSA mdelinin test aşamasıdır. Bir yapay sinir ağında girdi, gizli ve çıktı birimleri lmak üzere üç farklı birim bulunmaktadır. Her birim bir çk nörndan luşmakta lup birimler, aralarında ağırlık kümeleri ile bağlanmaktadırlar. Bağlanma şekli ve her kısımdaki nörn sayısı değişebilmektedir. Aynı kısımdaki nörnlar arasında iletişim lmasına izin verilmemektedir. Nörnlar girdiyi ya başlangıç girdilerinden ya da ara bağlantılardan alırlar. İlk etapta YSA nın verdiği çıktı değer(ler)i ile gözlenen gerçek değer(ler) arasındaki hata miktarı fazla lacağı için ağın, hataların geriye yayılması prensibine göre bağlantı ağırlıklarını yenilemesi gerekir. Geriye dğru hata yayılması iki etaptan luşmaktadır: çıktı birimindeki çıktı bilgi sinyalini hesaplamak için girdi nörnlarındaki dış girdi bilgisini ileriye dğru ileten bir ileriye dğru besleme etabı ile çıktı birimindeki hesaplanan ve gözlenen bilgi sinyalleri arasındaki farklara dayanarak bağlantı kuvvetleri üzerinde değişikliklerin yapıldığı bir geriye dğru ilerleme etabı. Girdi birimi Gizli birim Çıktı birimi X1 X2 O1 X3 O2 Om Xk Şekil 1: Yapay Sinir Ağlarının Yapısı Bir eğitim sürecinin başında, bağlantı kuvvetleri rasgele değerler larak atanmaktadırlar. Öğrenme algritması her iterasynda eğitim başarı ile tamamlanana kadar bağlantı kuvvetlerini değiştirmektedir. İterasyn süreci bir snuca vardığında bağlantı kuvvetleri,

3 eğitim sürecinde kullanılan örneklerdeki mevcut bilgiyi elde eder ve saklar. Bu şekilde eğitim aşaması tamamlanmış lur. Daha snra yeni bir girdi grubu sunulduğunda, ileriye dğru besleme ile sinir ağının bağlantı kuvvetlerindeki öğrenilmiş ve saklanan bilgi sayesinde bir çıktı grubu elde edilir (Cığızğlu, 2001). Diğer bir deyişle eğitilen bu YSA ağını kullanarak, herhangi bir girdi grubu için bir çıktı grubu elde edilebilir, yani tahmin yapılabilir. YSA nın su kaynaklarında sıkça karşılaşılan değişik prblemlere uygulanması ile ilgili çk sayıda çalışma bulunmaktadır. Lineer lmayan YSA yaklaşımının yağış-akış ilişkisini iyi temsil ettiği gösterilmiştir (Hsu vd., 1995; Masn vd.,1996; Minns ve Hall,1996; Fernand ve Jayawardena, 1998). Tkar ve Jhnsn (1999) YSA teknljisini günlük akımların; günlük yağış, sıcaklık ve kar erimesi verilerinin fnksiynu larak kestiriminde kullanmışlardır. Ranjithan ve Eheart, (1993), Rgers ve Dwla, (1994) yer altı suyu ıslahında YSA nı kullanmıştır. Raman ve Sunilkumar (1995) YSA nın sentetik rezervuar akım serileri türetilmesinde kullanılabilirliğini incelemişleridir. Bgaard vd. (1998) tregresif sinir ağlarını geliştirerek zaman serilerinin lineer lmayan analizinde ve mdellenmesine uygulamışlardır. See ve Openshaw (1998) sinir ağlarını ve bulanık mantığı kestirim knusunda birlikte kullanmışlardır. YSA ayrıca birim hidrgraf elde edilmesinde (Lange, 1998), bölgesel taşkın frekans analizinde (Hall ve Minns, 1998), kanalizasyn akımlarının tahmininde (Djebbar ve Alila, 1998) lumlu snuçlar vermiştir. Cığızğlu (2001a,b) bu metdu sediment knsantrasynu tahmini prblemine uygulamıştır (Cığızğlu, 2001;Gvindaraju ve Ramachandra, 2000). Çalışmada 329 aylık yağış (kg/m 2 ), sıcaklık ( C), akım (m 3 /s) ve süspanse-sediment (tn/yıl) verileri kullanılmıştır. Bunlardan yağış ve sıcaklık verileri Devlet Meterlji İşleri Genel Müdürlüğü nden, akım ve süspanse-sediment verileri ise Elektrik İşleri Etüt İdaresi Genel Müdürlüğü nden temin edilmiştir. Bu verilerden 165 tanesi eğitim aşamasında, 164 tanesi ise tahmin aşamasında kullanılmıştır. Çalışmada, FORTRAN dilinde yazılmış bir prgram kullanılmıştır.

4 0,9 Sediment Miktarı (x10 6 Tn/Yıl) 0,8 0,7 0,6 0,5 0,4 0,3 0,2 T (GÖZLENEN) YSA/S-P-Q 0, Eğitim Verileri (165 aylık) Şekil 2: Eğitim değerlerinin gerçek değerlerle karşılaştırılması 0,45 Sediment Miktarı (x106 Tn/Yıl) 0,4 0,35 0,3 0,25 0,2 0,15 T (GÖZLENEN) YSA/S-P-Q 0,1 0, Tahmin Verileri (164 aylık) Şekil 3: Tahmin değerlerinin gerçek değerlerle karşılaştırılması

5 3. BULGULAR Kurulan bu mdellerde, mdelin verdiği değerler ile gerçek değerler arasındaki krelasyn katsayıları, eğitim ve tahmin aşamasında sırasıyla 0.16 ile 0.97 ve 0.16 ile 0.92 arasında, mdelin verdiği değerlerin rtalaması ile gerçek değerlerin rtalaması arasındaki rölatif hatanın mutlak değeri ise eğitim ve tahmin aşamasında sırasıyla 0.13 ile ve 1.64 ile arasında değişmektedir. Kurulan en iyi mdel süspanse sediment- yağış- akım mdelidir. Bu mdelin eğitim ve tahmin aşamasında krelasyn katsayısı sırasıyla 0.97 ve 0.92, rtalamanın rölatif hatasının mutlak değeri ise eğitim ve tahmin aşamasında sırasıyla 9.40 ve 2.55 tir. Çalışma Dicle Nehri nde taşınan aylık süspanse-sediment miktarlarının mdellenmesinde Yapay Sinir Ağları metdunun kullanılmasının ldukça iyi snuçlar verdiğini göstermiştir. Çalışmada, girdi larak yağış miktarı ve akım miktarı kullanılarak süspanse-sediment miktarının tahmin edilebileceği gösterilmiştir. Çalışmada ayrıca, tahmin edilen süspanse-sediment miktarlarının bazı değerlerde farklı labilmesine karşın, bütün veriler bir arada göz önüne alındığında ldukça düşük bir hata ile tahmin yapılabileceği gösterilmiştir. Bu snuca göre belli bir dönemde sediment ölçümü yapılamadığı zaman, ölçülen akım miktarları ve yağış değerleri YSA mdelinde girdi larak kullanılarak eksik döneme ait süspanse-sediment miktarlarının tplamını düşük bir hata ile tahmin etmek mümkündür. 4. KAYNAKLAR Baylar, A.; Kaya, N.; Emirğlu M.E. (1999): Akarsu debisi ile askı maddesi miktarı arasındaki ilişkinin yapay sinir ağları ile belirlenmesi, F.Ü. Fen ve Müh. Bilimleri Dergisi 11(2), Cığızğlu, H.K. (2001): Yapay sinir ağları ve zaman serileri analizinde kullanımı, III. Ulusal Hidrlji Kngresi, sayfa , Haziran 2001,İzmir Gvindaraju,R.S.; Ramachandra, R. (2000): Artificial Neural Netwrks in Hydrlgy, Kluwer Academic Publisher