Tez Arşivi

Hakkımızda

Tez aramanızı kolaylaştıracak arama motoru. Yazar, danışman, başlık ve özete göre tezleri arayabilirsiniz.


İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü / İnşaat Mühendisliği Anabilim Dalı

Akarsulardaki askı maddesi miktarının kara kutu modeliyle belirlenmesi

Determination of rivers' suspended sediment load by black box model

Teze Git (tez.yok.gov.tr)

Bu tezin tam metni bu sitede bulunmamaktadır. Teze erişmek için tıklayın. Eğer tez bulunamazsa, YÖK Tez Merkezi tarama bölümünde 143091 tez numarasıyla arayabilirsiniz.

Özet:

Nehir askı maddesi miktarının tahmin edilmesi barajların projelendirilmesi, nehir ve göllerdeki askı maddesi ve kirletici taşımmı, havza yönetiminin etkilerinin belirlenmesi ve çevresel etki değerlendirmesi gibi konular açısından önem taşımaktadır. Baraj haznelerinde, baraj m hizmet süresi yani faydalı ömrü boyunca gelecek katı maddenin birikeceği ölü hacim denilen bir hacim bırakılır. Katı madde miktarının az tahmin edilmesi yetersiz rezervuar kapasitesine sebep olacağı gibi, fazla tahmin edilmesi de gerektiğinden büyük hazne hacmi bulunmasına neden olacağı için baraj inşaat maliyetini olumsuz şekilde etkiler. Gelecekteki katı madde miktarım doğru olarak tahmin etmek uygun hazne hacmini tespit etmek açısından oldukça önem taşımaktadır. Eğer taneler kirletici de taşıyorsa bu durum sağlık mühendisliğini de ilgilendirdiği için nehir askı maddesi miktarının tahmini daha da fazla önem kazanmaktadır. Katı madde miktarı yalnızca akım şartlarına değil aynı zamanda havza özelliklerine de bağlı olduğundan katı madde hareketleri ile ilgili hesap metodları çok kaba sonuçlar vermektedir. Havzadaki hidrolojik şartların ve havza ile ilgili özelliklerin zamana ve yere bağlı değişkenler olması ve bu değişken faktörlerin etkilerinin belirlenmesinde ortaya çıkan güçlükler, askı maddesi tahminleri için kara kutu sistem yaklaşımının uygulanmasını teşvik etmiştir. Kara kutu sistem modelleri genel olarak lineer ve lineer olmayan olmak üzere ikiye ayrılırlar. Bir kara kutu modeli olan yapay sinir ağları lineer olmayan sistem davranışlarının modellenmesinde etkin bir şekilde kullamlmaktadır. Bu çalışmada yapay sinir ağlarının iki farklı algoritması ile yağış, akım ve askı maddesi tahminleri yapılmıştır. En çok kullanılan YSA algoritması olan ileri beslemeli geriye yayınım metodu ve genelleştirilmiş regresyon sinir ağı yöntemiyle farklı mimariler kurularak elde edilen tahmin sonuçları klasik istatistik ve stokastik model sonuçlarıyla karşılaştırılmıştır. İleri beslemeli geriye yayınım sinir ağında girdi, gizli ve çıktı birimleri olmak üzere üç farklı birim bulunmaktadır. Her birim bir çok hücreden oluşmakta olup birimler aralarında ağırlık kümeleri ile bağlanmaktadırlar. Bağlanma şekli ve her kısımdaki hücre sayısı değişebilmektedir. Aynı kısımdaki hücreler arasında iletişim olmasına izin verilmemektedir. Hücreler girdiyi ya başlangıç girdilerinden ya da ara bağlantılardan alırlar.Genelleştirilmiş regresyon sinir ağı, standart regresyon tekniklerinde olduğu gibi sürekli değişkenlerin tahmininde kullanılmaktadır. Genelleştirilmiş regresyon sinir ağında, geriye yayınım metodunda olduğu gibi bir iteratif eğitim prosedürü gerekmemektedir. Bu çalışmada yapılan uygulamalarda Amerika Birleşik Devletleri'nin, Pennslyvania eyaletindeki Juniata Nehir Havzası verilerinden yararlanılmıştır. Havzaya ait yağış verileri Ulusal İklim Veri Merkezi'nden temin edilmiş, akım ve askı maddesi değerleri de Jeolojik Araştırma Kurumu'nun internet sitesinden alınmıştır. İleri beslemeli geriye yayınım metodu ve genelleştirilmiş regresyon sinir ağı yöntemiyle elde edilen akım ve yağış tahmin sonuçlan otoregresif model ve regresyon analizi sonuçlarıyla kıyaslanmıştır. Karşılaştırma kriteri olarak ortalama kare hatası ve belirlilik katsayısı kullanılmıştır. Her iki yapay sinir ağı algoritmasıyla bulunan askı maddesi tahmin sonuçları ise katı madde anahtar eğrisi ve regresyon analizi tahminleri ile karşılaştırılmış, iki karşılaştırma kriterine ek olarak, hesaplanan toplam askı maddesi miktarı ile gözlenen toplam askı maddesi miktarı arasındaki farka da bakılmıştır. Yapılan karşılaştırmalarda yapay sinir ağı ile elde edilen tahmin sonuçlarının geleneksel metodlarla elde edilen tahmin sonuçlarına göre çok daha iyi olduğu görülmüştür.

Summary:

Estimates of sediment yield are required in a wide spectrum of problems such as the design of dams, transport of sediment and pollutants in rivers and lakes, determination of the effects of watershed management and environmental impact assessment. It is a well-known fact that all reservoirs are designed to contain a volume known as the dead storage to accommodate the sediment income that will accumulate over a specified period. The underestimation of sediment yield results in insufficient reservoir capacities while the overestimation will lead to over-capacity reservoirs increasing the dam construction cost. Only the appropriate reservoir design is sufficient to justify every effort to determine sediment yield accurately but in sanitary engineering the prediction of river sediment load has an additional significance, especially if the particles transport pollutants. Sediment computation methods provide very rough estimates since the sediment amount is not only dependent on flow conditions but also on drainage basin characteristics. The hydrologic conditions and basin characteristics change both temporally and spatially and the difficulties arising in determination of their effects have encouraged the employment of black box models in suspended sediment estimations. Black box models are divided generally as linear and non-linear and in particular artificial neural networks (ANN) method is used commonly in the modeling of non-linear system behavior. In this study rainfall, river flow and suspended sediment estimations are carried out using two different ANN algorithms. Estimations obtained by the conventional feed forward back propagation and the new generalized regression neural network methods using different network architectures are compared with conventional statistical and stochastic model results. Feed forward back propagation neural network has an input layer, a hidden layer and an output layer. Each layer is made up of several nodes and layers are interconnected by sets of correlation weights. The pattern of connectivity and the number of processing units in each layer may vary within some constraints. No communication is permitted between the processing units within a layer. The nodes receive input either from the initial inputs or from the interconnections.Generalized regression neural network is used for estimation of continuous variables, as in standard regression techniques. Generalized regression neural network does not require an iterative training procedure as in back propagation method. In the applications presented in this study the data belonging to Juniata River Basin in Pennslyvania state of USA are employed. The precipitation data belonging to this basin are provided by the National Climatic Data Center of USA whereas the flow and suspended sediment data are downloaded from the internet web site of USGS. The river flow and basin rainfall estimations obtained using feed forward back propagation and generalized regression neural network methods are compared with autoregressive and regression model applications. The mean squared error and the determination coefficient are used as comparison criteria. The suspended sediment estimations provided by two ANN algorithms are compared with conventional sediment rating curve and regression method results also the estimated and observed sediment sums are examined in addition to two previously mentioned performance criteria. The ANN estimations are found significantly superior to conventional method results.