Please use this identifier to cite or link to this item: https://hdl.handle.net/11499/1220
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorNeşet Orhan Baykan-
dc.contributor.authorYaşar, Mutlu-
dc.date.accessioned2016-12-08T13:18:28Z
dc.date.available2016-12-08T13:18:28Z
dc.date.issued2004-
dc.identifier.urihttps://hdl.handle.net/11499/1220-
dc.description.abstractSu kaynaklarının planlanmasına yönelik bir çok çalışmada, çevresel kirliliğin, iklimsel değişikliğin ve nüfusun hızla artışının etkisiyle optimum işletim sisteminin oluşturulması gün geçtikçe daha önemli olmaktadır. Planlama ve tasarım aşamasında, mevcut hidrolojik ve meteorolojik verilerin yeterliliği ve güvenilirliği değerlendirilmeli, yeterli veri yoksa, çeşitli kestirim yöntemleri ile bu veriler oluşturulmalıdır. Mevcut veriyle, hem su kaynaklan sistemlerinin davranışlarını tanımlamak hem de ek veri üreterek ileriye dönük kestirimler yapabilmek amacıyla, pek çok model geliştirilmiştir. Bu amaçla 1920'lerden günümüze değin yapılan çok sayıdaki çalışmayla çeşitli yağış akış modelleri oluşturulmuştur. Bu yöntemlerin en yemlerinden birisi sayılabilecek olan Yapay Sinir Ağlan yöntemi, yağış-akış modellemesinde sıklıkla kullanılan bir yöntem haline gelmiştir. Hidroelektrik santral tasarımında da akarsu debisinin yıl içindeki değişimim belirlemek için, uzun dönemli veriye ve yağış-akış ilişkisinin oluşturulmasına gereksinim duyulmaktadır. Ancak ülkemizde bu ölçümlerin sürekli olarak yapıldığı akarsular sadece büyük akarsulardır. Küçük debili akarsuların, küçük hidroelektrik santrallerde değerlendirilmesi için çoğu kez boşluklu olan (müteferrik) akışlann tamamlanması çok yararlı olmaktadır. Bu çalışmada, YSA yöntemiyle, Adıyaman Meteoroloji İstasyonu ve Ziyaret Çayı'na ait 1985-1988 yıllan arasındaki, akım, sıcaklık ve yağış verileri kullanılarak, yağış-akış ilişkisi oluşturulmuştur. Model çalışmasında sıcaklık ve yağış verileri girdi, akış verileri çıktı olarak gözönüne alınmıştır. Yağışların özgün değerlerinin yerine kübköklerinin kullanılması ile rastgele girdi ve çıktı değişkenleri arasındaki ilişki güçlendirilmiştir. Eğitim aşamasında, 1435 adet verinin 1312'si ile modelleme yapılmıştır. Ağın eğitilmesinden sonra, 123 adetlik veri takınılan ile ağ test edildiğinde, gerçek akım değerleriyle benzetim akım değerlerinin arasında % 90 gibi bir uyumluluk olduğu görülmüştür.en_US
dc.description.abstractThe importance of establishing the optimum operating system gradually increases for many of the studies for planning water resources because of the impacts such as environmental pollution, climatic changes and pollution growth. in planning and design stage, the assessment of available information for hydrological and meteorological data should be obtained, and if there are some lacks on the data these can be filled up with the help of some estimation methods. Up to now, several models have been developed for identifying the behaviour of water resource systems and, generating synthetic data for making future estimates. For this aim, since 1920s, many rainfall-runoff models have been developed. Neural networks for rainfall-runoff modeling, which is the newest öne, is used frequently in many fields of hydrology. Hydroelectric power plant planning requires long-term data and rainfall-runoff relation for determining the annual variations in the discharge of the stream. But in our country, these data are available only for relatively large rivers. For the evaluation of low-discharge rivers with the mini hydroelectric power plants, completing the data of lacking runoff is very essential. hı this study, by using the flow, temperature, and rainfall and flow for Adıyaman Meteorological Station and Ziyaret Creek respectively between the years of 1985-1988, the multiple relation between cited variables has been developed. in the training phase, 1312 of 1435 data have been used for modeling. After the network has been trained, it was tested by data sets with 123 values, and it was seen that, the actual runoff values and sirnulated runoff values are hı consonance very closely about in 90%.en_US
dc.language.isotren_US
dc.publisherPamukkale Üniversitesi Fen Bilimleri Enstitüsüen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectGünlük Akışlaren_US
dc.subjectBoşluklaren_US
dc.subjectYapay Sinir Ağlarıen_US
dc.subjectDaily Runoffen_US
dc.subjectGapsen_US
dc.subjectArtificial Neural Networksen_US
dc.titleGünlük akışlardaki boşlukların yapay sinir ağları kullanılarak tamamlanmasıen_US
dc.title.alternativeCompletion of blanks in daily runoff with the help of artificial neural networksen_US
dc.typeMaster Thesisen_US
dc.relation.publicationcategoryTezen_US
dc.identifier.yoktezid154551en_US
dc.ownerPamukkale_University-
item.cerifentitytypePublications-
item.languageiso639-1tr-
item.grantfulltextopen-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.fulltextWith Fulltext-
item.openairetypeMaster Thesis-
crisitem.author.dept10.02. Civil Engineering-
Appears in Collections:Tez Koleksiyonu
Files in This Item:
File Description SizeFormat 
Mutlu Yaşar.pdf2.57 MBAdobe PDFThumbnail
View/Open
Show simple item record



CORE Recommender

Page view(s)

144
checked on Aug 24, 2024

Download(s)

328
checked on Aug 24, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.