Yalova Gökçe Barajının Su Seviyesinin Yapay Sinir Ağları ile Tahmin Edilmesi

Abstract

Artan dünya nüfusu ve küresel ısınmanın oluşturduğu kuraklığın etkisi ile su gibi ikamesi olmayan bir kaynağın, canlıların ihtiyaçlarını karşılayacak oranda muhafaza edebilmek, dünya kamuoyunun üzerinde durduğu önemli konular arasında yer almaktadır. Akarsulardaki su seviyesinin düşük olduğu dönemlerde gerekli olan su ihtiyaçlarını karşılamak ve akarsuların oluşturmuş olduğu düzensizliği ortadan kaldırılması için biriktirme haznelerinin yapılması gerekmektedir. Bu çalışmada Yalova Gökçe Barajının 2000-2019 yılları arasındaki, barajın su seviyesinin oluşmasında etkili olan Sellimandıra deresinin akış debisi, havzasının yağış ve buharlaşma değerleri, baraj su tahliyeleri, sızıntı suyu miktarı ile barajın su seviyesi ölçümleri kullanılarak, 2019 yılı baraj rezervuardaki su seviyesinin yapay sinir ağları ile tahmin edilmesi amaçlanmıştır. Bu amaçla yapay sinir ağları analizinde iki farklı çok katmanlı yapay sinir ağı modeli olan Levenberg-Marquardt eğitim fonksiyonu ile Gradient Descent with Momentum eğitim fonksiyonu ve aynı zamanda analiz verilerinin kendi aralarındaki ilişkisinin tespiti içinde çoklu regresyon analizi kullanılmıştır. Yapay sinir ağı kullanılarak oluşturulmuş olan analiz modellerinde en iyi analiz sonucunun Levenberg-Marquardt eğitim fonksiyonu ile yapılan analizlerde ( R2 ) determinasyon değeri %94,14 ile aylık tahmin verilerinin aylık gerçek su seviyesine yakın değerlerde olduğu tespit edilmiştir. Sonuç olarak Levenberg-Marquardt eğitim fonksiyonu ile tahmin edilen 2019 yılı ortalama baraj su seviyesi 73,77 metre iken, barajdaki gerçek ortalama su seviyesi 72,13 metre olarak ölçülmüştür. Bu sonuçlar altında Yalova Gökçe Barajının su seviyesinin tahmininde, Levenberg-Marquardt eğitim fonksiyonu ile yapılan analiz modelinin başarılı sonuçlar verdiği ifade edilebilir.

With the increasing world population and the effect of the drought caused by global warming, being able to preserve a non-substituted resource such as water to meet the needs of living things is among the important issues that the world public opinion emphasizes. During the periods when the water level in the rivers is low, the accumulation chambers need to be built in order to meet the water requirements required and to eliminate the irregularity created by the rivers. In this study, the artificial nerve of the water level in the reservoir of 2019 was used by using the flow rate of Sellimandıra stream, which is effective in the formation of the water level of the dam between the years 2000-2019 of the Yalova Gökçe Dam, the precipitation and evaporation values of the basin, the dam water discharge, the amount of leachate and the water level of the dam. networks are intended to be estimated. For this purpose, in the analysis of artificial neural networks, two different multi-layer artificial neural network models, Levenberg-Marquardt training function and Gradient Descent with Momentum training function, as well as multiple regression analysis were used to determine the relationship between the analysis data. In the analysis models created using artificial neural network, the best analysis result was determined by the Levenberg-Marquardt training function (R2), and the determination value was %94.14, and the monthly prediction data was close to the monthly real water level. As a result, while the average dam water level estimated by the Levenberg-Marquardt training function in 2019 was 73.77 meters, the actual average water level in the dam was measured as 72.13 meters. Under these results, it can be stated that the analysis model made with Levenberg-Marquardt training function gives successful results in the estimation of the water level of the Yalova Gökçe Dam.