Geri Dön

Makine öğrenmesi ile İstanbul barajlarının doluluk oranlarının tespiti

Determination of Istanbul dam occupancy rates using machine learning

PDF İndir

  1. Tez No: 981144
  2. Yazar: AYDAN ZORÇELİK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MAHMUT TURHAN, DR. ÖĞR. ÜYESİ GÖKALP TULUM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, Computer Engineering and Computer Science and Control, Mathematics
  6. Anahtar Kelimeler: Lstm, zaman serisi tahmini, İstanbul barajları, seq2seq modeli, akıllı şehirler, su kaynakları yönetimi, kentsel yönetişim, karar destek sistemleri, Bütünleşik su kaynakları yönetimi, Derin öğrenme, Makine öğrenmesi, Yapay zeka, Yapay zeka ve makine öğrenmesi dersi, İnsan-yapay zeka etkileşimi, Lstm, time series forecasting, Istanbul dams, seq2seq model, smart cities, water resource management, urban governance, decision support systems, Integrated water resource management, Deep learning, Machine learning, Artificial intelligence, Artificial intelligence and machine learning course, Human-artificial intelligence interaction
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Nişantaşı Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışması, İstanbul'daki Alibey Barajı'nın su doluluk oranlarını öngörmeye yönelik olarak geliştirilmiş, derin öğrenme temelli yenilikçi bir zaman serisi modellemesini sunmaktadır. Artan kentleşme ve iklim değişikliğinin yol açtığı karmaşık sorunlara yanıt olarak geliştirilen bu model, baraj yönetimi süreçlerinde daha isabetli kararlar alınmasına katkı sağlamayı amaçlamaktadır. Çalışma kapsamında kullanılan tüm veri setleri – baraj doluluk değerleri, İstanbul'un günlük su tüketimi verileri ve meteorolojik göstergeler – kamuya açık veri kaynaklarından elde edilmiş, böylece çalışmanın şeffaflık ve tekrar edilebilirlik ilkelerine uygunluğu sağlanmıştır. Modelleme sürecinde, geçmiş 14 güne ait zaman serisi verilerini analiz ederek gelecek 7 gün için su seviyesi tahminleri üreten bir Sıralıdan Sıralıya (Seq2Seq) mimaride Uzun Kısa Süreli Bellek (LSTM) ağı yapılandırılmıştır. Geliştirilen modelin performansı test aşamasında düşük hata değerleri ile (MAE: 0.0073, RMSE: 0.0127) ölçülmüş ve böylece modelin hidrolojik dinamikleri isabetli şekilde yansıtabildiği ortaya konmuştur. Bu tez çalışmasının uygulamaya yönelik katkıları dikkat çekicidir. Elde edilen tahmin sonuçları, akıllı şehir vizyonu kapsamında belediyelere stratejik su yönetimi kararlarında rehberlik edebilecek niteliktedir. Model çıktıları, Karar Destek Sistemlerine entegre edilerek su kaynaklarının verimli planlanması, olası kuraklık senaryolarına karşı erken müdahale ve dinamik politika geliştirme gibi alanlarda etkili biçimde kullanılabilir. Ayrıca, doğru ve zamanında sunulan tahminler sayesinde esnek su tarifeleri, kademeli kısıtlama planları gibi uyarlanabilir çözümler daha erken aşamada uygulanabilir hale gelecektir. Bu yönüyle çalışma, sürdürülebilir kentsel su yönetimi ve akıllı belediyecilik stratejileri için sağlam bir teknolojik temel sunmaktadır.

Özet (Çeviri)

This thesis introduces a novel deep learning-based time series forecasting framework aimed at predicting the water occupancy levels of the Alibey Dam in Istanbul. The research addresses the mounting challenges associated with rapid urban expansion and increasing climate variability. In alignment with principles of transparency and reproducibility, all data utilized in this study—including dam occupancy rates, municipal water consumption figures, and detailed meteorological parameters—were sourced from publicly accessible open data platforms. Using these open datasets, a Sequence-to-Sequence (Seq2Seq) neural network model built upon Long Short-Term Memory (LSTM) architecture was designed, implemented, and thoroughly evaluated. The model was trained on sliding 14-day input sequences to predict dam water levels for the following 7-day horizon. The experimental outcomes demonstrate that the proposed LSTM-based model delivers robust predictive accuracy, achieving remarkably low error metrics on the test dataset (MAE: 0.0073, RMSE: 0.0127). These findings validate the model's effectiveness in accurately capturing dam dynamics across diverse hydrological scenarios. The practical value of this study is substantial: The insights derived from the model can significantly enhance data-driven decision-making processes in urban water management. Integrating the model's predictions into municipal-level Decision Support Systems (DSS) could improve planning for water distribution, drought mitigation, and early warning mechanisms. Moreover, incorporating such predictive capabilities into local policies may facilitate the timely deployment of adaptive strategies such as tiered water pricing schemes or responsive restriction protocols. Overall, this study offers a comprehensive and actionable framework to support sustainable water governance within the context of smart city development.

Benzer Tezler

  1. Tez No

    982086

    Optimizasyon tabanlı bir su kaynakları sistemi modelleme aracının geliştirilmesi ve çok amaçlı sektörel tahsise uygulanması

    Development of an optimization-based modeling tool for water resources systems and application to multi-objective sectoral allocation

    SALİM YAYKIRAN

    Doktora

    Türkçe

    Türkçe

    2025

    Çevre Mühendisliğiİstanbul Teknik Üniversitesi

    Çevre Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ALPASLAN EKDAL

  2. Tez No

    916246

    Unveiling the performance of pre-processing approaches in machine learning based flood susceptibility mapping

    Makine öğrenmesi tabanlı sel duyarlılık haritalamasında ön işleme yöntemlerinin performansının açıklanması

    NİHAL GÜLCAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖMER EKMEKCİOĞLU

  3. Tez No

    999089

    Baraj su seviyesi değişimlerinin yüzey alanlarına dayalı olarak uzaktan algılama ve makine öğrenme ile analizi: İstanbul örneği

    Analysis of dam water level changes based on surface area data using remote sensing and machine learning: The case of istanbul

    GAMZE KARA

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Jeodezi ve FotogrametriYıldız Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. FATİH GÜLGEN

    DOÇ. DR. OSMAN SALİH YILMAZ

  4. Tez No

    769310

    Learning to walk on a human musculoskeletal system with powered prostheses

    Aktif protezli insan kas-iskelet sisteminde yürüme öğrenmesi

    İBRAHİM HAKKI DURMUŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜLYA YALÇIN

  5. Tez No

    803654

    Deep reinforcement learning approach in control of Stewart platform- simulation and control

    Stewart platformunun kontrolünde derin pekistirmeli öğrenme yaklaşımıc- simülasyon ve kontrol

    HADI YADAVARI

    Doktora

    İngilizce

    İngilizce

    2023

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SERHAT İKİZOĞLU

    DR. ÖĞR. ÜYESİ VAHİT BARIŞ TAVAKOL

Geri Dön