Kızılırmak havzasında yapay zekâ metotları kullanarak sediment taşınımının tahmini

Abstract

Baraj rezervuarlarının ekonomik ömürlerinin daha hızlı tükenmesine sebep olmaları nedeniyle sediment miktarının doğru tahmin edilmesi oldukça önemlidir. Baraj rezervuarlarında ölü hacimlerin ekonomik ömürlerinin azalmasını önlemek ve gelebilecek sedimenti azaltmak için, baraj rezervuarlarının sürdürülebilirliklerini tehdit eden ve akarsular tarafından taşınan sediment birikimlerinin tespit edilmesi gerekmektedir. Sedimenti etkileyen pek çok jeolojik, topoğrafik ve klimatolojik faktör vardır. Bu faktörlerin çokluğu ve birbirleriyle olan ilişkilerinin karmaşık olması nedeniyle, her hangi bir akarsuyun taşıdığı sediment miktarının doğru bir şekilde hesaplanabilmesi oldukça zordur. Yapay sinir ağları sediment gibi karmaşık problemlerin çözümünde son yıllarda yaygın olarak kullanılmaktadır. Bu çalışmada sediment tahmini amacıyla, Kızılırmak Nehri üzerinde bulunan 4 farklı gözlem istasyonuna ait akım (m3/sn) ve taşınan sediment miktarı (ton/gün) verileri kullanılmıştır. Sediment tahmininde, akım ve sediment verilerinden oluşan 10 farklı girdi kombinasyonu kullanılmıştır. Bu veriler kullanılarak geliştirilen yapay sinir ağları (YSA) modelleri sonuçları ile sediment anahtar eğrisi yöntemi sonuçları karşılaştırılmıştır. Ayrıca ayrık dalgacık dönüşümü uygulanarak işlemler tekrarlanmıştır. YSA ve Dalgacık-YSA modellerinin başarısı, Karekök Ortalama Karesel Hata (KOKH), Ortalama Mutlak Hata (MAE), Nash-Sutcliffe etkinlik katsayısı (ENash) ve Determinasyon Katsayısı (R2) performans kriterlerine göre belirlenmiştir. Çalışma sonucunda Kızılırmak-Söğütlühan İstasyonu hariç tüm istasyonlarda, genel olarak dalgacık-YSA yöntemlerinin, sediment tahmininde diğer yöntemlere göre daha başarılı olduğu belirlenmiştir.

Accurate estimation of the amount of sediment is very important, as it leads to faster depletion of the economic life of dam reservoirs. In order to prevent the decrease in the economic life of the dead storage and to reduce the sedimentation in the dam reservoirs, it is necessary to determine the sediment which is threatens reservoirs sustainability, and carried by rivers. There are many geological, topographic and climatologic factors affecting the sediment. Because of the multiplicity of these factors and the complexity of their relationships with each other, it is quite difficult to calculate the amount of sediment carried by any river. Recently, Artificial Neural Networks (ANN) are widely used to solve the complex problems such as sediment. In this study, the data of flow (m3/sec) and the amount of transported sediment (ton/day) data of 4 different observation stations that are in the Kızılırmak River Basin is used for the prediction of the sediment. In the sediment estimation, 10 different input combinations consisting of different flow streams and SSL data were used. These neural network methods developed by using those data are compared with the results of the sediment rating curve method. It was also accomplished by applying discrete wavelet transform. The success of ANN and Wavelet-ANN models were determined according to Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Nash-Sutcliffe Efficiency Coefficient (ENash) and Determination Coefficient (R2) performance criteria. As a result of the study, it was determined that wavelet-ANN methods were generally more successful than sediment estimation in all stations except Kızılırmak-Söğütlühan Station.