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
- Tez No: 986534
- Danışmanlar: PROF. DR. KEMAL SAPLIOĞLU, DOÇ. DR. FATİH AHMET ŞENEL
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Hidrolik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, eksik akım verilerinin tamamlanması amacıyla sezgisel optimizasyon algoritmaları ile yönetilen Yapay Sinir Ağları (YSA) modelleri geliştirilmiştir. Türkiye'nin Yeşilırmak Havzası'nda yer alan sekiz akım gözlem istasyonuna (1401, 1412, 1413, 1414, 1424, 1428, 1409 ve hedef istasyon 1402) ait veriler kullanılarak, eksik verilerin tahmini yapılmıştır. Temel model olarak YSA kullanılmış, modelin öğrenme ve genelleme performansını artırmak amacıyla üç farklı sezgisel optimizasyon algoritması entegre edilmiştir: Parçacık Sürü Optimizasyonu (PSO), Gri Kurt Optimizasyonu (GKO) ve Karınca Kolonisi Optimizasyonu (KKO). Her hibrit model, farklı parçacık ve iterasyon sayıları (5–10, 10–50, 50–100) ile 30 tekrarlı çalıştırmalar sonucu optimize edilmiştir. Modellerin performansı MAE, RMSE ve R² ölçütleriyle değerlendirilmiş; ayrıca tahmin kararlılığını görsel olarak ortaya koymak amacıyla Taylor diyagramları ve debi gidiş eğrileri kullanılmıştır. Sonuçlar, klasik YSA modeline kıyasla hibrit yapıların genel olarak daha düşük hata değerleri ve daha yüksek korelasyon katsayıları ürettiğini göstermiştir. Özellikle PSO-YSA ve GKO-YSA modelleri, doğruluk-kararlılık dengesi açısından öne çıkarken; KKO-YSA modeli test aşamasında en yüksek R² ve en düşük RMSE değerlerini sağlayarak genelleme başarısı açısından en güçlü performansı sergilemiştir. İstasyon bazlı analizlerde, 1413, 1424 ve 1428 numaralı istasyonların model doğruluğuna en yüksek katkıyı sağladığı belirlenmiştir. Ayrıca, 5 ve üzeri giriş değişkeni kullanan modellerin hata seviyelerini önemli ölçüde azalttığı gözlemlenmiştir. Bulgular, optimizasyon algoritmalarının model hiperparametrelerinin belirlenmesinde etkin olduğunu ve farklı sezgisel yapıların model başarısını anlamlı biçimde artırdığını göstermektedir. Bu çalışma, hidrolojik modelleme alanında eksik akım verilerinin tamamlanmasında sezgisel optimizasyon ile çalıştırılan YSA etkinliğini ortaya koymaktadır.
Özet (Çeviri)
In this thesis study, Artificial Neural Network (ANN) models governed by heuristic optimization algorithms were developed to complete missing streamflow data. Using data from eight streamflow gauging stations (1401, 1412, 1413, 1414, 1424, 1428, 1409, and the target station 1402) located in the Yeşilırmak Basin of Türkiye, missing data were estimated. ANN was used as the basic model, and three different heuristic optimization algorithms—Particle Swarm Optimization (PSO), Grey Wolf Optimization (GWO), and Ant Colony Optimization (ACO)—were integrated to improve the learning and generalization performance of the model. Each hybrid model was optimized through 30 repeated runs with different particle and iteration numbers (5–10, 10–50, 50–100). The performance of the models was evaluated using MAE, RMSE, and R² metrics, and Taylor diagrams and flow hydrographs were used to visually demonstrate the prediction stability. The results showed that, compared to the classical ANN model, the hybrid structures generally produced lower error values and higher correlation coefficients. In particular, the PSO–ANN and GWO–ANN models stood out in terms of the balance between accuracy and stability, while the ACO–ANN model provided the highest generalization performance in the testing stage with the highest R² and the lowest RMSE values. Station-based analyses revealed that stations 1413, 1424, and 1428 made the highest contributions to model accuracy. In addition, it was observed that models using five or more input variables significantly reduced error levels. The findings showed that optimization algorithms are effective in determining model hyperparameters and that different heuristic structures significantly improve model performance. This study reveals the effectiveness of ANN operated by heuristic optimization in completing missing streamflow data in the field of hydrological modeling.
Benzer Tezler
- Sistemli mimari tasarım sürecinde üretken bir yapay yardımcı önerisi
Proposal for a productive artificial aid in the systematic architectural design process
BETÜL ŞEN
Yüksek Lisans
Türkçe
2024
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. YÜKSEL DEMİR
- Toplu taşıma hatlarının optimizasyonu için bir model önerisi: Sivas örneği
A model proposal for the optimization of public transportation lines: The case of Sivas
İSMAİL ÖZÇELİK
Yüksek Lisans
Türkçe
2026
Ulaşımİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ONUR TEZCAN
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Kaos temelli meta-sezgisel optimizasyon yöntemleri ile çok seviyeli imge eşikleme
Multi - thresholding using chaos based meta-heuristic optimization methods
FATMANUR ATAR
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY KAYA
- Dendritik nöron model yapay sinir ağlarına dayalı yeni sezgisel bulanık zaman serisi öngörü yöntemleri
New intuitionistic fuzzy time series forecasting methods based on dendritic neuron model artificial neural networks
TURAN CANSU
Doktora
Türkçe
2024
İstatistikGiresun Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. EREN BAŞ
PROF. DR. TAMER AKKAN