Uzun Kısa Süreli Bellek (LSTM) Sinir Ağı ve Uyarlanabilir Nöro Bulanık Çıkarım Sistemleri (ANFIS) Kullanılarak Nehir Suyu Akış Hızının Tahmini
Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt.41, sa.1, ss.20-42, 2025 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 41 Sayı: 1
- Basım Tarihi: 2025
- Dergi Adı: Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.20-42
- Ankara Yıldırım Beyazıt Üniversitesi Adresli: Evet
Özet
Nehir suyu akış hızının (RWFR) tahmini, yeni su barajlarının planlanması ve inşa edilmesinde veya daha önce inşa edilmiş olanların işletilmesinde çok önemli bir rol oynar. Bu çalışma, nehir akışının gelecekteki su akış hızı değerlerini tahmin etmek için makine öğrenme algoritmaları önermektedir. Yani tahmin modelleri, gelecekteki RWRF değerlerini elde etmek için geçmiş zaman serisi RWFR'ye dayalı olarak geliştirildi. Buna göre, uzun kısa süreli bellek (LSTM) sinir ağı, bulanık c-ortalamalara (FCM) sahip uyarlanabilir nöro-bulanık çıkarım sistemi (ANFIS), RWFR tahminleri amacıyla geliştirildi. Çalışma bölgesi olarak Meriç Nehri üzerinde Türkiye-Bulgaristan sınırında yer alan ve Svilengrad MS olarak adlandırılan ölçüm istasyonu (MS) seçilmiştir. Buna göre, ANFIS'in FCM algoritmasının LSTM algoritmasına kıyasla daha iyi sonuçlar ürettiği sonucuna varılmıştır. Veri tahminlerinin gerçek gözlemlenen su akış değerlerine göre karşılaştırılması, ortalama mutlak hata (MAE), ortalama karekök hata (RMSE) ve korelasyon katsayısı (R) dahil olmak üzere istatistiksel hata değerlerine bağlı olarak gerçekleştirildi. Neticede, FCM'nin en iyi modelinin, FCM ve LSTM kullanan toplam 49 test modeli arasında, sırasıyla, 3,13 m3/s MAE, 4,90 m3/s RMSE ve 0,9978 R'ye karşılık gelen istatistiksel doğruluk değerlerini ürettiği sonucuna varıldı ve gösterildi.
The forecasting of river water flow rate (RWFR) plays a prominent role in planning and constructing of new hydraulic dams, or running the ones that were formerly built. This study suggests algorithms of machine learning to predict future water flow rate values for river flow. Namely, estimation models were advanced according to the past time-series RWFR to obtain future RWRF values. Accordingly, long short-term memory (LSTM) neural network, adaptive neuro-fuzzy inference system (ANFIS) with fuzzy c-means (FCM), were advanced for the aim of RWFR predictions. A measurement station (MS), settled at the border of Türkiye and Bulgaria, named as Svilengrad MS was selected on the Maritsa River, as the study region. Accordingly, it was concluded that FCM algorithm of ANFIS have generated better results compared with respect to the LSTM algorithm. The comparisons of the data estimations according to the real observed water flow values were accomplished depending on the statistical error values including mean absolute error (MAE), root mean square error (RMSE), else the correlation coefficient (R). Eventually, it was concluded and shown that the superior model of FCM have generated those statistical accuracy values, respectively to correspond 3.13 m3/s MAE, 4.90 m3/s RMSE, and 0.9978 R, among the total of 49 tested models using FCM and LSTM.