Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Mühendislik Fakültesi, İnşaat Mühendisliği, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: ÖZGE ÖZER
Danışman: Hatice Çıtakoğlu
Özet:
Rezervuar su kapasitesinin tahmin edilmesi, sel ve taşkın yönetim çalışmalarına yardımcı olmaktadır. Rezervuar su kapasitesi, iklim özellikleri ve insan faaliyetleri gibi değişkenlere bağlı olduğundan tahmin edilmesi zordur. Bu sebeple, rezervuar su kapasitesi tahmini için güvenilir modellere ihtiyaç vardır. Bu çalışmada, Mamasın Barajı'na ait 2010-2023 yılları arasındaki aylık rezervuar su kapasitesi verilerinden yararlanılmış olup, 2010-2019 yılları arasındaki veriler eğitim verisi ve 2020-2023 yılları arasındaki veriler ise test verisi olarak kullanılmıştır. Yapılan analizlerde, giriş değişkenleri olarak t-1, t-2 ve t-3 gecikme zamanlarındaki su kapasitesi değerleri kullanılarak, t çıkış zamanındaki su kapasitesi yaklaşık olarak hesaplanmıştır. Bu çalışmanın amacı, su kapasitesini tahmin etmede makine öğrenme tekniklerinin etkinliğinin karşılaştırılması olup, çalışma kapsamında Gauss Süreç Regresyonu (GPR) algoritması, Destek Vektör Regresyonu (SVM), En Küçük Kareler Destek Vektör Regresyonu (LS-SVM) ve Uzun-Kısa Süreli Bellek (LSTM) makine öğrenme teknikleri tercih edilmiştir. Model performansı ise Kök Ortalama Karekök Hata (RMSE), Bağıl Kök Ortalama Karesel Hata (RRMSE), Determinasyon Katsayısı (R2), Model Performansının Genel İndeksi (OI) ve Nash-Sutcliffe Etkinlik Katsayısı (NSE) metrikleri kullanılarak değerlendirilmiştir. Performans değerlendirmesi, en iyi sonuçları LSTM modelinin ürettiğini göstermiştir (R2= 0,9515, NSE= 0,8442, OI= 0,8742, RRMSE= 10,6521, RMSE= 3,4911) ve rezervuar su kapasitesini tahmin etmek için LSTM modelinin güvenilir bir yöntem olduğu saptanmıştır. Ayrıca, SVM modelinin performansının da düşük olduğu gözlemlenmiştir. Dört makine öğrenme modelinin performansları, geleneksel performans ölçümlerine ek olarak Taylor, Violin ve Hata Kutu Grafiği diyagramları kullanılarak grafiksel olarak karşılaştırılmıştır. Sonuç olarak, görsel kriterler ile klasik performans kriterlerinin birbirini desteklediği tespit edilmiştir.