Türkiye'deki baraj su seviyelerinin zaman serisi ve yapay zeka algoritmalarıyla tahmini: Yusufeli ve Deriner barajları üzerine bir çalışma
Dam water levels prediction in Turkey using time series and artificial intelligence algorithms: A study on Yusufeli and Deriner dams
- Tez No: 996212
- Danışmanlar: DR. ÖĞR. ÜYESİ ABDULLAH AMMAR KARCIOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Su seviyesi tahmini, zaman serisi analizi, derin öğrenme, ARIMA, SARIMAX, CNN-GRU, sinir mimari arama, Water level prediction, time series analysis, deep learning, ARIMA, SARIMAX, CNN-GRU, neural architecture search
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmada, Türkiye'nin önemli hidroelektrik yapıları arasında yer alan Yusufeli ve Deriner Barajları için kısa vadeli su seviyesi tahmini gerçekleştirilmiştir. Baraj işletme süreçlerinde doğru tahminin; enerji üretim planlaması, taşkın riskinin azaltılması ve su kaynağı yönetiminin optimize edilmesi açısından kritik öneme sahip olması nedeniyle, hem istatistiksel zaman serisi yöntemleri hem de DL (derin öğrenme) tabanlı yaklaşımlar karşılaştırmalı olarak değerlendirilmiştir. Yöntem: Çalışmada gerçek günlük hidrolojik veriler kullanılarak iki aşamalı bir yaklaşım uygulanmıştır. İlk aşamada ARIMA, SARIMA, ARIMAX ve SARIMAX modelleri ile geleneksel zaman serisi tahminleri yapılmış; veriler normalize edilerek eğitim-test ayrımı gerçekleştirilmiş ve hata metrikleri üzerinden model başarımları ölçülmüştür. İkinci aşamada DL tabanlı CNN, LSTM, GRU ve hibrit mimariler kullanılmıştır. Ayrıca mimari tasarım ve hiperparametre seçimini otomatik yürütmek için Bayes tabanlı Sinir Mimari Arama yöntemi uygulanmıştır. Bu kapsamda zamansal bağımlılıkları ve yapısal örüntüleri ortak öğrenebilmek amacıyla CGU (CNN-GRU Unified) modeli geliştirilmiştir. Bulgular: İstatistiksel yöntemlerin yüksek doğruluk değerleri sağladığını göstermiştir. Yusufeli Barajı için ARIMA modeli %99,32 doğruluk elde ederken, Deriner Barajı için SARIMAX modeli %99,05 doğruluğa ulaşmıştır. DL aşamasında hibrit modeller daha üstün performans sergilemiş ve CGU modeli test verisi üzerinde R² = 0.9941 değeri ile en yüksek doğruluğu sağlamıştır. Sonuç: Elde edilen bulgular, su seviyesi tahmininde yapay zeka tabanlı hibrit modellerin güvenilir, hızlı ve uygulanabilir bir çözüm sunduğunu ortaya koymuştur. Özellikle CGU modelinin gerçek zamanlı karar destek mekanizmalarına entegre edilebilecek nitelikte olduğu değerlendirilmektedir. Gelecek çalışmalar için meteorolojik değişkenlerin eklenmesi ve farklı baraj sistemlerinde testlerin genişletilmesi önerilmektedir.
Özet (Çeviri)
Purpose: In this study, short-term water level prediction was carried out for the Yusufeli and Deriner Dams, which are among the important hydroelectric structures in Türkiye. Since accurate forecasting plays a critical role in energy production planning, reducing flood risk, and optimizing water resource management in dam operation processes, both statistical time-series methods and deep learning-based approaches were comparatively evaluated. Methodology: In the study, a two-stage approach was applied using real daily hydrological data. In the first stage, traditional time-series forecasting was performed with ARIMA, SARIMA, ARIMAX and SARIMAX models; the data were normalized, training-test splitting was performed, and model performances were measured through error metrics. In the second stage, deep learning-based CNN, LSTM, GRU and hybrid architectures were used. In addition, a Bayesian-based Neural Architecture Search method was applied to automatically perform architectural design and hyperparameter selection. Within this scope, a CGU (CNN-GRU Unified) model was developed to jointly learn temporal dependencies and structural patterns. Findings: The results showed that statistical methods produced high accuracy values. While the ARIMA model achieved 99.32% accuracy for the Yusufeli Dam, the SARIMAX model reached 99.05% accuracy for the Deriner Dam. In the deep learning stage, hybrid models exhibited superior performance, and the CGU model achieved the highest accuracy on the test data with an R² = 0.9941 value. Conclusion: The findings revealed that artificial intelligence–based hybrid models provide a reliable, fast and applicable solution for water level prediction. The CGU model, in particular, is considered suitable for integration into real-time decision-support mechanisms. For future studies, the inclusion of meteorological variables and expanding the tests on different dam systems are recommended.
Benzer Tezler
- 1981 Türkiye tarımsal yapısının önemli bileşenleri ve tarımsal bölgelerin elde edilmesi
Principle components of Turkey's agricultural structure and to determine agricultural rigions in 1981
İHSAN KARABULUT
- 1983 yılı trafik kaza istatistikleri değerlendirmesi
Başlık çevirisi yok
ŞÜKRÜ ÖZER
Yüksek Lisans
Türkçe
1986
UlaşımGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
PROF. DR. RIDVAN EGE
- İş kazalarının Türk ekonomisi üzerine etkileri ve kömür madenciliği üzerine bir inceleme
Başlık çevirisi yok
MESUT ÖRMECİ
Yüksek Lisans
Türkçe
1985
Çalışma Ekonomisi ve Endüstri İlişkileriGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
PROF. DR. NACİ KINACIOĞLU
- Akaryakıtla çalışan endüstriyel tav fırınlarında yanma, sıcaklık ve basıncın optimum kontrolu
Optimum control of combustion temperature and pressure in industrial tempering furnaces working with fuel-oil
MEHMET EROĞLU
Yüksek Lisans
Türkçe
1987
Makine MühendisliğiGazi ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. YÜCEL ERCAN