Hibrit parçacık sürü optimizasyonu algoritması ile hidrolojik model kalibrasyonu
Hydrological model calibration through hybrid particle swarm optimization algorithm
- Tez No: 629627
- Danışmanlar: DOÇ. DR. UMUT OKKAN
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Hidroloji, Hidrolojik modelleme, Parametre optimizasyonu, Hydrology, Hydrological modelling, Parameter optimization
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Balıkesir Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hidrolojik modeller içerisinde önemli yere sahip olan kavramsal yağış-akış modellerinin uygun performans sergileyebilmesi için parametrelerinin iyi kalibre edilmesi gerekmektedir. Günümüzde optimizasyon model alanında yaşanılan gelişmelere bağlı olarak model kalibrasyonlarının otomatik arama algoritmaları ile yürütüldüğü görülebilmektedir. Özellikle, doğadan esinlenilerek geliştirilen meta-sezgisel türlerin hidrolojik model kapsamına uyarlanması kaçınılmaz olmuştur. Bu türden algoritmalardan biri olan Parçacık Sürü Optimizasyonu (PSO) pratik yönü bakımından çalışmada esas alınmıştır. Çeşitli avantajlarına rağmen, PSO'nun aynı şartlar altında yaptırılan simülasyonlarda benzer sonuç üretememesi (stabil olamama sorunu) algoritma üzerinde birtakım değişiklikler yapılmasını gerekli kılmaktadır. Hazırlanan çalışmada, PSO gradyen türden Levenberg-Marquardt yöntemi ile birleştirilerek, kararlı arama yapan ve hızlı yakınsayan hibrit bir algoritma haline dönüştürülmüştür. Hibrit PSO (HPSO) olarak anılan algoritma parametre sayısı bakımından farklı olan Gr2m ve Gr5m yağış-akış modellerine uygulanmıştır. Uygulama alanı olarak Gediz Havzası seçilmiş bu havzaya ait 9 akım gözlem istasyonu ile çalışılmıştır. İki parametreye sahip Gr2m modelinde PSO ve HPSO benzer performanslar göstermesine rağmen, parametre bakımından daha yoğun olan Gr5m modelinin kalibrasyonunda HPSO'nun performansı ön plana çıkmıştır. Düşük popülasyon büyüklüğü ve makul sayıda iterasyonla stabil çözüm veren bu hibrit türün farklı hidrolojik modelleme çalışmalarına da güvenle uygulanabileceği düşünülmektedir.
Özet (Çeviri)
The parameters of conceptual rainfall-runoff models, which have an important place in hydrological models, need to be well-calibrated in order that they perform properly. Today, depending on the developments in the field of optimization, it can be seen that hydrological model calibrations are carried out with automatic search algorithms. In particular, the adaptation of nature inspired meta-heuristics to the scope of the hydrological modeling was inevitable. Particle Swarm Optimization (PSO), which is a popular one among such algorithms, was used in the study in terms of its practical aspects. Despite its various advantages, the fact that PSO does not provide uniform solutions under the several simulations having same conditions (the issue of instability) necessitates some modifications to the existed algorithm. In this study, PSO is combined with the gradient type Levenberg-Marquardt method and transformed into a hybrid algorithm with stable search and fast convergence capabilities. The algorithm termed as hybrid PSO (HPSO) was applied to the Gr2m and Gr5m rainfall-runoff models, which differ in terms of the number of free-parameters. Gediz Basin was chosen as the study area and 9 streamflow gauging stations located at the basin were used. Although PSO and HPSO showed similar performances in two-parameter Gr2m model, HPSO performed more successfully in calibration of the Gr5m model, which is more intensive in terms of parameter numbers. It is thought that the used hybrid algorithm, which gives stable solutions with low population size and adequate number of iterations, can be also exerted to different hydrological modeling studies confidently.
Benzer Tezler
- Sezgisel optimizasyon yöntemleri tarafından yönetilen yapay zeka algoritmaları ile eksik akım verilerinin tamamlanmas
Complementing missing stream data with artificial intelligence algorithms managed by heuristic optimization methods
NAZIM NAZIMI
Doktora
Türkçe
2025
İnşaat MühendisliğiSüleyman Demirel Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. KEMAL SAPLIOĞLU
DOÇ. DR. FATİH AHMET ŞENEL
- Nehir akım tahmini için lstm-pso-doa tabanlı hibrit derin öğrenme ve optimizasyon yaklaşımı: Yeşilirmak havzası örneği
Lstm-pso-doa based hybrid deep learning and optimization approach for river flow estimation: The Yeşi̇lirmak basin example
DİLAN ÇALIŞGAN
Yüksek Lisans
Türkçe
2026
İnşaat Mühendisliğiİstanbul Aydın Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ÇAĞAN KILINÇ
- Hazne işletme projeksiyonlarındaki küresel iklim modeli ve hidrolojik model kaynaklı belirsizliklerin sınanması
Examining uncertainties in reservoir operation projections originated from general circulation and hydrological models
UMUT KIRDEMİR
Doktora
Türkçe
2025
İnşaat MühendisliğiDokuz Eylül Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. OKAN FISTIKOĞLU
PROF. DR. UMUT OKKAN
- Coupling different machine learning and meta-heuristic optimization techniques to generate the snow avalanche susceptibility map in French alps
Makine öğrenmesi ve meta-sezgisel optimizasyon tekniklerinin birleştirilmesiyle Fransız alplerinde kar çığları duyarlılık haritası oluşturma
ENES CAN KAYHAN
Yüksek Lisans
İngilizce
2025
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER EKMEKCİOĞLU
- Çok serbestlik dereceli bir hidrolik robot manipülatörün deneysel modellenmesi ve optimal kontrolü
Experimental modeling and optimal control of a multi-degree of freedom hydraulic robot manipulator
HASAN BASRİ ÖKSÜZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Ana Bilim Dalı
PROF. DR. SERAL ÖZŞEN