Professional Documents
Culture Documents
SAKARYA NVERSTES
FEN BLMLER ENSTTS
AKARSULARDA TAINAN TOPLAM KATI
MADDE MKTARININ YAPAY ZEKA METOTLARI
LE TAHMN EDLMES
DOKTORA TEZ
n. Yk. Mh. Emrah DOAN
Enstit Anabilim Dal : NAAT MHENDSL
Enstit Bilim Dal : HDROLK
Tez Danman : Prof. Ltfi SALTABA
Austos 2008
NSZ
Sakarya niversitesi naat Mhendislii Blm Hidrolik Anabilimdal
erevesinde gerekletirilen bu almada, akarsularda tanan toplam kat madde
miktarn tahmin edebilmek iin yapay zeka modellerinin gelitirilmesi
amalanmtr.
Bu alma sresince, yakn alakalarn grdm, bana yardmlarn esirgemeyen,
her zaman destek olan ok deerli doktora tez danman hocam Sayn Prof. Ltfi
SALTABAa iten teekkrlerimi arz eder, kranlarm sunarm.
Amerika Birleik Devletleri, Purdue niversitesinde bilimsel alma yapabilmem
iin yurt d aratrma bursu kapsamnda bir yl boyunca bana finansal destek
salayan Trkiye Bilimsel ve Teknolojik Aratrma Kurumuna teekkrlerimi bir
bor bilirim. Amerika Birleik Devletlerinde kaldm bir yl boyunca,
almalarmn yaplanmasnda ve tasarlanmasnda byk desteklerini grdm
Purdue niversitesi naat Mhendislii Blm retim yeleri olan danman
hocalarm Sayn Prof. Dr. Rao S. GOVINDARAJU ve Sayn Prof. Dr. Dennis.A.
LYNe teekkrlerimi sunarm. Yapay zeka modellerinin yazlmlarnn bilgisayar
ortamnda hazrlanmasnda bana yardmc olan, Purdue niversitesi naat
Mhendislii Blm Hidroloji Anabilimdalnda doktorasn yapmakta olan kymetli
arkadam Shivam TRIPATHIye teekkr ederim.
Son olarak yetimemde ve bugnlere gelmemde haklarn hibir zaman
deyemeyeceim canm annem Nimet DOAN ve babam Bahar DOANa sonsuz
teekkrler ederim.
Temmuz 2008 EMRAH DOAN
ii
NDEKLER
NSZ.......................................................................................................... ii
NDEKLER.................................................................................................. iii
SMGELER VE KISALTMALAR LSTES.................................................... vi
EKLLER LSTES......................................................................................... ix
TABLOLAR LSTES....................................................................................... xv
ZET................................................................................................................. xvi
SUMMARY...................................................................................................... xvii
BLM 1.
GR................................................................................................................. 1
1.1. Konu ile lgili Daha nce Yaplm almalar............................... 5
1.2. almann Amac ve Kapsam........................................................ 9
BLM 2.
ALIMADA KULLANILAN YNTEMLER............................................... 11
2.1. Yapay Sinir Alar............................................................................ 11
2.1.1. Yapay sinir alarna giri......................................................... 11
2.1.2. Yapay sinir alarnn bileenleri.............................................. 11
2.1.3. katmanl yapay sinir a..................................................... 12
2.1.4. YSAnn geri yaynm............................................................ 14
2.1.5. YSAnn tarihesi.................................................................... 17
2.1.6. Girdi ve kt deikenlerinin seilmesi.................................. 17
2.1.7. Duyarllk analizi..................................................................... 17
2.1.8. YSAnn planlanmas............................................................... 17
2.1.9. Eitim ve test........................................................................... 18
2.1.10. YSAlarn avantajlar............................................................. 20
iii
2.2. Bulank Mantk................................................................................. 21
2.2.1. Bulank mantka giri............................................................... 21
2.2.2. BMde model oluturma sreci............................................... 22
2.2.3. Mamdani tipi bulank yaklam (Mamdani-BM)..................... 23
2.2.4. Sugeno tipi bulank yaklam (Sugeno-BM)........................... 24
2.2.5. Su kaynaklar mhendislii alanndaki BM uygulamalar...... 24
2.2.6. Adaptif sinirsel bulank sistemler (ANFIS)............................. 24
2.3. Uygunluk Vektr Makinesi.............................................................. 29
2.3.1. Regresyon iin RVM............................................................... 30
BLM 3.
TOPLAM KATI MADDE HAREKET............................................................ 33
3.1. Giri.................................................................................................. 33
3.2. Toplam Kat Madde Hareketi Denklemleri...................................... 34
3.2.1. Enerji ve akm gc yaklamna dayal denklemler............... 35
3.2.1.1. Engelund ve Hansen metodu....................................... 35
3.2.1.2. Ackers ve White metodu............................................. 36
3.2.1.3. Yang metodu................................................................ 37
3.2.1.4. Shen ve Hung metodu.................................................. 38
3.2.1.5. Molinas ve Wu metodu................................................ 39
3.2.1.6. Graf metodu................................................................. 40
3.2.1.7. van Rijn metodu........................................................... 41
3.2.1.8. Shu-Qing Yang metodu............................................... 43
3.2.2. Regresyon yaklamna dayal denklemler.............................. 44
3.2.2.1. Rottner metodu............................................................ 44
3.2.2.2. Acarolu metodu......................................................... 44
3.2.2.3. Brownlie metodu......................................................... 45
3.2.2.4. Karim ve Kennedy metodu.......................................... 45
3.2.2.5. Karim metodu.............................................................. 46
BLM 4.
MODELLERN BRNC SENARYO N UYGULANMASI...................... 47
4.1. Birinci Senaryoda Kullanlan Veri Takmlarnn Tanmlanmas.. 47
iv
4.2.Modellerde Kullanlacak Olan Girdi Parametrelerinin Belirlenmesi 49
4.3. Boyut Analizi ve Baz Boyutsuz Parametrelerin Tanmlanmas...... 50
4.4. oklu Lineer Regresyon Analizinin Uygulanmas........................... 56
4.5. ANFIS Modelinin Uygulanmas....................................................... 56
4.6. YSA Modelinin Uygulanmas.......................................................... 57
BLM 5.
BRNC SENARYO N MODELLERN PERFORMANSLARININ
DEERLENDRLMES.................................................................................. 58
5.1. Modellerin Tahminlerinin Kyaslanmas.......................................... 58
BLM 6.
TOPLAM KATI MADDE KONSANTRASYONU TAHMN N KNC
SENARYONUNYGULANMASI..................................................................... 81
6.1. Giri.................................................................................................. 81
6.2. kinci Senaryonun Amac ve nemi................................................. 82
6.3. kinci Senaryo in Veri Tabannn Oluturulmas........................... 83
6.4. Veri Takmlarndaki Snrlandrmalar.............................................. 84
6.5. nerilen RVM Modeli...................................................................... 85
6.6. Modellerin Tahminlerinin Karlatrlmas..................................... 87
BLM 7.
SONULAR VE NERLER........................................................................... 108
KAYNAKLAR.................................................................................................. 113
EKLER............................................................................................................... 128
ZGEM....................................................................................................... 176
v
SMGELER VE KISALTMALAR LSTES
a : a derinliinden llen konsantrasyonun referans seviyesi
ANFIS : Adaptif sinirsel bulank mantk sistemi
ARD : Otomatik uygunluk belirleme
B : Kanal genilii
BF : Yatak ekli tipi
BM : Bulank mantk
a
C
: Referans konsantrasyonu
ppm
C
: Toplam kat madde konsantrasyonu
'
C : Chezy katsays
d
50
: Kat madde daneciklerinin medyan ap
D : Akm derinlii
D
: Boyutsuz dane ap
DR : Farkllk oran
c
f
: Katsay (laboratuvar verileri iin =1, saha verileri iin = 1.268)
F : Ask maddesi yk iin dzeltme faktr
FFNN : leri beslemeli geri yaynml yapay sinir a tipi
F
go
: Kritik danecik Froude says
s
G
: Kat madde paracklarnn zgl arl
g : Yerekimi ivmesi
k : Von Karman sabiti ( = 0.4)
K : Kernel fonskiyonu
MLR : oklu lineer regresyon analizi
OKH : Ortalama karesel hata
q
: Birim genilikten tanan su debisi
s
q
: Birim genilikten tanan ask maddesi yk
vi
t
q
: Birim genilikten tanan toplam kat madde yk
b
q
: Birim genilikten tanan yatak yk
R : Hidrolik yarap
R
g
: Danecik Reynolds says
RVM : Uygunluk vektr makinesi
R
2
: Determinasyon katsays
S
: Su yzeyi eimi
S
j
: Transfer fonksiyonu
T : Su scakl
u
: Toplam kayma hz
'
u
x
: Bamsz deiken
V : Ortalama akm hz
VS : Birim akarsu gc
w : Nron arl
YSA : Yapay sinir alar
y
: Baml deiken
Z : Sspansiyon says
: Suyun zgl ktlesi
s
: Kat maddenin zgl ktlesi
: Kayma gerilmesi
: Toplam boyutsuz kayma gerilmesi
c
= 3, 4 i
, iin, ya da (2.3)
( )
1, 2 i i
O B y , = , iin (2.4)
Burada x (ya da y) dmn giriini, A
i
(yada B
i-2
) ise sz konusu dme ait bulank
kmeyi ifade etmektedir.
Katman 1 Katman 4
ekil 2.10. Birinci dereceden iki girili ve iki kurall Sugeno Bulank Modeli ve edeer ANFIS
yaps
Bir baka ifadeyle, bu katmann klar, kurallarn art ya da ncl ksmlarna ait
yelik deerlerini olutururlar. Burada A
i
ve B
i
iin sz konusu yelik fonksiyonlar,
uygun bir biimde parametrelendirilmi herhangi bir yelik fonksiyonu olabilir.
B
1
A
1
A
2
B
2
x
y
Katman 2 Katman 3
1
w
2
w
1
w
2
w
x y
Katman 5
1 1
w f
f
2 2
w f
x y
26
rnein A
i
, aada belirtilen genelletirilmi an erisi fonksiyonu ile ifade
edilebilir.
( )
2
1
1
Ai i
b
i
i
x
x c
a
=
+
(2.5)
burada yer alan {a
i
, b
i
, c
i
} kmesi, parametre kmesidir. Bu katmann parametreleri,
art ya da giri parametreleri olarak ifade edilirler.
Katman-2:
Bu katmandaki her bir dm, kendisine gelen sinyallerin arpmn k olarak
reten, ile etiketlenmi sabit bir dmdr. rnein;
( ) ( )
2,
, 1,
i i Ai Bi
O w x y i = = = 2 (2.6)
Her bir dmn k, her bir kural iin gerekleme derecesini oluturur. Denklem
(2.6)da arpma ilemi yerine bulank ve ilemini icra eden, baka T-norm
ilemleri de dm fonksiyonu gibi kullanlabilirler.
Katman-3:
3. katmanda yer alan her bir dm, N ile etiketlenmi, sabit bir dmdr.
Katmandaki i. dm, i. kuraln gerekleme derecesinin, btn kurallarn gerekleme
dereceleri toplamna orann hesaplar.
3,
1 2
, 1,
i
i i
w
O w i
w w
= = =
+
2 (2.7)
Bu katmanda yer alan dmlerin klar, hesaplanlarna uygun olarak, normalize
edilmi gerekleme dereceleri olarak adlandrlrlar.
Katman-4:
Bu katmana ait her bir i dm, dm fonksiyonu aadaki gibi olan, adaptif bir
dmdr.
27
(
4,i i i i i i i
O w f w p x q y r = = + + ) (2.8)
Burada
i
w , katman 3n k olup, {p
i
, q
i
, r
i
} ise bu katmanda bulunan dmlerin
parametrelerinden oluan, parametre kmesidir. Bu katmann parametreleri, sonu ya
da k parametreleri olarak ifade edilecektir.
Katman-5:
Son katman olan 5. katmanda ile etiketlenmi olan ve toplam k hesaplamak
zere, kendisine gelen sinyallerin tmn toplayan, sabit, tek bir dm yer alr.
Toplam k =
5,
i i i
i i i
i
i i
w f
O w f
w
= =
(2.9)
Bylece, tamamyla Sugeno bulank modelinin ileyiine sahip, adaptif bir a yaps
ina edilmi olur (Jang, 1993).
Bu modelde, bulank mantk kavramlar, klasik sinir alarnn bilgi sunum
yeteneklerini zenginletirmek iin kullanlmaktadr. Ayrca belirlenen girdi-kt
iftleri iin, en uygun yelik fonksiyonuna sahip kurallarn oluturulmasnda yapay
sinir alarnn eitim algoritmas kullanlmaktadr. Bulank sinir sisteminin yaps ve
ileyii ekil 2.11.de gsterilmitir. BM ile yaplan modellemelerde yelik
fonksiyonlarnn ayarlanmas olduka zor ve zaman alan bir sretir.
Sinir alar renme teknikleri bu sreci otomatik bir ekilde yapabilmektedir. Sinir
alar, bulank sistemlerin yelik fonksiyonlarnn ayarlanmasnn yan sra, verinin
ileme srecinde ve saysal veriden otomatik olarak bulank denetim kurallarnn elde
edilmesinde de kullanlabilir.
Sinirsel bulank sistem, yelik fonksiyonu parametrelerinin gncellenmesi iin iki tip
renme algoritmas kullanabilir. Bunlardan birincisi geri yaynm tipi renme
algoritmasdr. Sinirsel bulank sistem, bu algoritmay kullanarak bulank kurallar
tanmlayabilir ve bulank akl yrtmenin yelik fonksiyonlarn renebilir. kincisi
ise hibrid yntemidir. Bu yntem girdilerin yelik fonksiyonlar ile parametrelerin
birletirilmesi iin geri yaynm algoritmasn ve kt yelik fonksiyonlarnn
28
parametrelerle birletirilerek sonu elde edilmesi iin en kk kareler yntemini
kullanr.
sinir a
girdiler
bulank kt
Eitim
algoritmas
bilgi taban
kararlar
ktlar
sinir a
ekil 2.11 Bulank sinir sisteminin yaps (Baykal ve Beyan, 2004)
YSA ve BM yntemlerinin, tek balarna birok problemin zmnde etkili
sonular verdii bilinmektedir. Son zamanlarda, bu iki yaklamn birletirilmesine
dayal olarak gelien sinirsel bulank sistemlere byk bir ilgi vardr. Sinirsel bulank
sistemler iin en ok kullanlan yaklam, eldeki bir kurallar kmesinin yelik
fonksiyonlarnn ayarlanmas iin ya da otomatik kural retimi iin sinir a
tasarlanmasdr. ANFIS bu kategorideki en sk bavurulan sistemlerden birisidir.
ANFISin temeli, Sugeno-BM yntemine dayanmaktadr. Burada kuraln sonu
ksm bulank bir kme deil, kesin girdilerin arlkl dorusal bilekesidir.
ANFIS modellenmesi yapsal adan Sugeno-BM modeline benzer. Sugeno-BMden
farkl olarak alt kmeleri kendisi oluturur. Alt kmelere ait yelik fonksiyonlarnn
aralklar ile yelik derecelerini ayarlayarak bulank kurallarn oluturulmasn salar
ve sonu retir. Bulank mantk modeli kurallarnn ANFIS ile belirlenmesi, modelin
kolay ve zaman almadan oluturulmas bakmndan ok nemlidir (Nayak ve
dierleri, 2004).
29
2.3. Uygunluk Vektr Makinesi
Baml deikenler (girdi parametreleri) ve bamsz bir deiken (kt
parametresi) arasndaki ilikileri bulmak klasik bir istatistiksel renme problemidir.
Eer kt parametresi srekli bir deiken ise renme problemi regresyon olarak
bilinir, dier yandan kt parametresi belli bir kategoriye ait bir deiken ise
problem bir snflandrma problemi olarak sylenebilir. Literatrde, kat madde
tanm olayndaki girdi ve kt parametreleri arasndaki ilikiler genellikle lineer
olarak kabul edilmektedir. Bu kabul tercih deil, zorunluluk olarak sylenebilir.
Lineer modelleri gelitirmek basit ve kolay olabilir, ancak lineer olmayan modelleri
gelitirmek olduka zor olabilmektedir.
Son on yldr lineer olmayan modeller YSA kullanarak zmlenmeye
allmaktadr (ASCE, 2000). Matematiksel olarak YSA evrensel bir tahmin
yntemidir. rnein, eitim takm ierisindeki herhangi bir tipte lineer olmayan
ilikiyi genelletirebilir. Ancak bu esneklik baz problemler dourabilir. Geleneksel
YSA modellerinin baz dezavantajlar vardr. Lokal minimuma taklma ve optimum
model mimarisinin seilmesi rnek olarak sylenebilir. Bununla birlikte ar eitimi
(ezberleme) engellemek iin YSA modelinin karmakln kontrol altna alabilecek
basit bir prosedr mevcut deildir. Bayes karm ile bantl kernel metotlar lineer
olmayan problemler iin YSAdan daha iyi bir alternatif sunabilmektedir.
statistiksel metotlar kategorisindeki en baarl model uygunluk vektr makinesidir
(RVM). RVM de YSA gibi evrensel bir tahmin yntemidir. RVM modeli Bayes
karm ile bantl olduundan test datas zerinde olduka baarl bir ekilde
lokal minimumlara taklmadan genelleebilir. Bu tekniin en nemli zellii
tahminlerdeki belirsizlikleri olaslksal yorumlarla aklayabilmesidir. Son
zamanlarda RVM modeli hidroloji alanndaki problemlere uygulanmaya
balanmtr. rnein, yer alt suyu kalitesinin modellenmesi (Khalil ve di., 2005a),
rezervuardan su braklmasnn gerek zamanl ynetimi (Khalil ve di., 2005b),
kaotik hidrolojik zaman serilerinin modellenmesi (Khalil ve di., 2006) ve iklim
deiikliklerinin blgesel hidroloji zerindeki etkilerinin aratrlmas (Ghosh ve
Mujumdar, 2008) gibi almalar literatrde yer almtr. RVM hakknda daha
ayrntl bilgilere Tipping (2001), Scholkopf ve Smola (2002) ve Bishop (2006)
30
yaynlarndan eriilebilir. RVM modelinin regresyon problemlerine ynelik
matematiksel denklemleri aada ksaca aklanmtr.
2.3.1. Regresyon iin RVM
N adet sonlu sayda rnek ieren bir eitim takm ( ) { }
1
i i
, y ,i , , N = x eklinde ifade
edilir. Bu durumda i. (i
th
) girdi rnei , d adet bamsz deikenden oluan bir
vektr ifade eder (i.e.
i
x
[ ]
1 i i id
x , , x = x
d
ve ), ve
[ ]
T
1
, ,
N
= X x x
i
y
( ) ve ayn zamanda ilgili baml deikendir. Bununla birlikte
regresyon ilikisinin denklemi u ekilde tanmlanabilir,
[
T
1
, ,
N
y y = y
]
i
( ) ( )
0
, ; K ,
N
i i i j i j
j
y f w
=
= + =
x X w x x +
]
(2.10)
burada arlk vektrn gstermektedir.
[
T
0 1
, , ,
N
w w w = w
i
ise ortalamas sfr
ve varyans
2
olan bir Gauss dalmna sahip olduu kabul edilen hata terimini
ifade etmektedir. bir kernel fonksiyonu olup aadaki gibi aklanabilir,
(
K ,
i j
x x
)
( )
( )
2
2
kernel
1 Eer 0
Eer 0
i j
i j
j
K ,
exp x x j
=
x x (2.11)
burada , kernel fonksiyonunun genilii olarak bilinir. RVM modelinin
eitimi, ,
2
kernel
w
2
Bu model iin veri takmnn olasl aadaki formlle hesaplanr,
( )
( )
2
2
2
2
1
1 1
, exp ,
2
2
N
i i
i
p y
; f
=
y w x X w (2.12)
31
RVMlerde renme u ekilde salanr. Model parametreleri iin nceki Gauss
dalm belirtilir ve daha sonra da Denklem (2.12)deki olaslk fonksiyonu
kullanlarak parametreler iin bir sonraki Gauss dalm tahmin edilir. Bu almada
her bir arlk vektrne otomatik uygunluk belirleme (automatic relevance
determination, (ARD)) atanm olup aadaki gibi ifade edilir,
( )
2
1
0,
j j
j
p w
=
N
(2.13)
burada
j
hiperparametre (hyperparameter) olarak adlandrlr. Arlklar iin sfr-
ortalamal (zero-mean) Gauss dalm ncesi (Denklem (2.13)) bir seim kk
arlklar iin bir tercihi vurgular ve bu nedenle Denklem (2.10)daki regresyon
fonksiyonunun tahminini kolaylatrr. Bu formlasyonun dier bir avantaj ise
renme esnasnda birok
j
hiperparametresinin sonsuza yaklamas sonucu bu
hiperparametrelere karlk gelen arlklarnn sfr merkezli delta fonksiyonlar
olma eilimleri ve dolaysyla Denklem (2.10)dan silinerek denklemde seyrelmelere
yol amalardr. Sfr olmayan (non-zero) arlklara karlk gelen geride kalan
rneklerin yalnzca fonksiyon yaknsamas iin uygun olduu var saylr ve
dolaysyla renme makinesi (learning machine) RVM olarak adlandrlr.
j
w
Tipping (2001) sonrasnda bilgi iermeyen (non-informative) nceller dier model
parametrelerine (
j
,
2
Baml deiken n bamsz deikenlerinden oluan yeni bir kme iin
tahmin dalm aadaki gibidir,
y
x
32
( ) ( )
2
max max
, , , , ,
j
y y
p y
= x X y N
2
)
(2.14)
burada
(
y
tahmini dalmn ortalamasn ve
( )
2
y
varyansn gstermektedir,
(
*
K ,
y
=
w )
x X (2.15)
( ) ( )
T
2 2 * *
max
K , K ,
y
= +
w
x X x X (2.16)
Yukardaki formlasyonda kernel fonksiyonu nn geniliinin bilindii
varsaylr. Ancak bu, az rastlanan bir durumdur. Bu almada kernel
fonksiyonlarnn genilii Tripathi ve Govindaraju (2007)den yararlanlarak
belirlenmitir.
2
kernel
BLM 3. TOPLAM KATI MADDE HAREKET
3.1. Giri
Toplam kat madde miktar, srnt ve ask maddelerinin toplam olarak elde edilir.
Ayn zamanda toplam kat madde, ykanm malzeme ile yatak malzemesinin
toplam olarak da ifade edilebilir. Ykanm malzemenin ap nehir yatanda
bulunan kat maddelerinkinden kktr. Ykanm malzeme ekseriyetle su toplama
havzasndan salanr. Bu nedenle nehrin hidrolik karakteristiklerine bal ykanm
malzemeyi tahmin etmek zordur. Birok kat madde denklemleri toplam yatak
malzemesi denklemlerini ifade eder. Hesaplanan ve llen toplam yatak
malzemeleri karlatrlmadan nce, ykanm malzeme miktar llenden
kartlmaldr.
Toplam kat madde miktarnn belirlenmesinde iki farkl genel yaklam vardr.
Birinci yaklamda srnt ve ask maddesi miktarlar ayr ayr hesaplanp
birbirileriyle toplanrken, ikinci yaklamda ise toplam kat madde miktar iki gruba
ayrlmadan dorudan hesaplanr.
Bu blmde literatrdeki toplam kat madde tanm denklemleri irdelenmitir.
Akarsularn uygun bir ksmndan, akm ve kat madde hareketi ile ilgili toplanlan
veriler yardmyla bu denklemlerden hangisinin kullanlacana karar verilir.
Denklemdeki katsaylar da bu verilerden yararlanlarak belirlenebilmektir.
Unutulmamas gereken bir dier husus da akmn trblansl oluu nedeniyle, toplam
kat madde miktarnn rasgele deien bir deiken olduudur. Bu deikenlik de
llen ile hesaplanan toplam kat madde miktarlarnn karlatrlmasnda baz
glklerin yaanmasna neden olmaktadr.
34
3.2. Toplam Kat Madde Hareketi Denklemleri
Aratrmaclar nehirlerde meydana gelen toplam kat madde tanm ve bu tanmn
modellenmesi zerine uzun yllardr almaktadrlar. Literatrde bulunan toplam
kat madde miktar denklemlerinin ou son 50 ylda gelitirilmitir (Simons ve
entrk, 1992; Ackers ve White, 1973). Problemin karmaklndan dolay birok
denklem ampirik ya da yar ampirik olup genellikle dorulanmam kabullere
dayaldrlar. Ayrca bu denklemler az saydaki verilere dayal gelitirildiklerinden
tr ok verisi olan laboratuar ya da sahada (nehirde) tanan kat madde miktar
iin doru ve gvenilir sonular vermeyebilmektedirler (White ve di., 1975; Yang
ve Wan, 1991). Bu nedenle bu denklemlerin evrensel kabul de yoktur (Simons ve
entrk, 1992; van Rijn, 1993; Cao ve di., 1997; Pacheco-Ceballos, 1989). Yani
tm nehirlere uygulanabilecek bir denklem henz gelitirilememitir. Bir denklemin
bir nehirden dier bir nehre verdii sonular ayn dorulukta olmayabilir. Ayrca
denklemler laboratuar ve sahalarda (nehirlerde) meydana gelen kat madde miktar
iin ok farkl sonular vermektedirler. Bu nedenle her bir denklem dier
denklemlerle karlatrlmal ve denklemlerin sonular kontrol edilmelidir (Bogardi,
1965; 1974; Alonso ve di., 1981; Shen ve Hung, 1972; Brownlie, 1981a; Brownlie,
1981c; van Rijn, 1983; Steven ve Yang.1989; Karim ve Kennedy, 1990; Simons ve
entrk, 1992).
Bu tezde toplam kat madde konsantrasyonu hesab iin 13 adet toplam kat madde
miktar denklemi, hem laboratuar verilerini hem de saha verilerini kullanarak analiz
edilecektir. Denklemlerin analizinde ykanm malzeme gz nne alnmam olup
toplam kat madde miktarnn yatak malzemesine eit olduu kabul edilmitir.
Bu tezde kullanlacak olan toplam kat madde miktar hesab denklemleri unlardr:
1) Enerji ve akm gc ierikli denklemler: Graf (1971), Engelund ve Hansen
(1967), Ackers ve White (1973), Yang (1973; 1979), van Rijn (1984a,b), Molinas
ve Wu (2001), Shu-Qing Yang (2005).
35
2) Regresyon analizi kullanlarak gelitirilmi denklemler: Rottner (1959),
Acarolu (1968), Shen ve Hung (1972), Brownlie (1981a), Karim ve Kennedy
(1981), Karim (1998).
3.2.1. Enerji ve akm gc yaklamna dayal denklemler
3.2.1.1. Engelund ve Hansen metodu
Engelund ve Hansen (1967), Bagnold (1966) metodundan faydalanarak kat madde
tanm fonsiyonunu yle ifade etmitir,
5 2
0.1 f = (3.1)
2
2gSD
f
V
= (3.2)
1 2
3
50
s
t s
q g d
=
(3.3)
( )
50 s
d
(3.4)
burada,
S = enerji izgisinin eimi,
g = yerekimi ivmesi,
V = ortalama akm hz,
q
t
= birim genilikten geen kat madde miktar,
d
50
= medyan ap,
36
3.2.1.2. Ackers ve White metodu
Ackers ve White (1973) kat maddelerin harekete gemesini uygulamal boyut
analiziyle aklamlardr. Kayma gerilmesinin, nehir yatandaki iri kat maddelerin
harekete gemesinde ksmen etkili olduunu kabul etmilerdir.
Kat madde iin hareket says,
( )
1
1 2
50
50
1
32 log
n
n s
gr
V
F U gd
D d
=
(3.5)
burada,
U
= kayma hz,
n = dane apna bal stel say,
=katsay (=10)
d
50
= kat madde medyan ap,
D = su derinlii,
Ayn zamanda kat madde ap boyutsuz dane apyla,
( )
1 3
50 2
1
s
gr
g
d d
(3.6)
olarak aklanabilir.
Genel boyutsuz kat madde tanm fonksiyonu,
( )
,
gr gr
G f F d =
gr
1
m
gr
gr
F
G C
A
=
(3.7)
37
eklinde yazlabilir. A, C, m ve n deerleri Ackers ve White tarafndan (1973)
laboratuar verilerine dayanlarak belirlenmitir,
1.00 0.56log
gr
n d = (3.8)
1 2
0.23 0.14
gr
A d
= + (3.9)
9.66
1.34
gr
m
d
= + (3.10)
3.2.1.3. Yang metodu
Yang (1972) literatrdeki kat madde denklemlerini gzden geirerek yeni
denklemler tretmitir. Kat madde tanma miktarna, su debisinden, ortalama akm
hzndan, enerji eimi ve kayma gerilmesinden yararlanarak karar verilecei
sonucunu karmtr. Toplam Y derinlikli x uzunluklu ak kanallarda kat madde
hareketini salayan suyun birim arlnn enerji miktar,
dY dx dY
VS
dt dt dx
= = (3.11)
olarak gsterilmitir.
Yang (1972), akarsu birim gcn eim-hz rn olarak tanmlamtr. Kat madde
tanmnda suyun birim arl tarafndan yaplan iin mevcut suyun birim arl
ile direk ilikili olduunu ne srmtr. Bylece toplam kat madde konsantrasyonu
veya toplam yatak malzemesi, birim akarsu gcyle dorudan ilgili olmaldr.
Yang (1973) toplam kat madde konsantrasyonuna karar vermek iin konuyla ilgili
deikenleri,
( ) , , , , , 0
t
C VS U d
= = (3.12)
38
olarak vermitir.
burada,
t
C =toplam kat madde konsantrasyonu,
VS = birim akarsu gc,
U
= kayma hz,
=suyun kinematik viskozitesi,
=kat maddelerin kelme hz,
d
50
= paracklarn medyan ap.
Kat madde konsantrasyonunu,
50
, ,
cr
t
V S d U VS
C
=
(3.13)
deikenlerine bal olarak ifade etmitir.
Yang (1979) tarafndan nerilen toplam kat madde konsantrasyonu,
50
log 5.435 0.286log 0.457log
ts
d U
C
=
50
1.799 0.409log 0.314log log
cr
d V U VS S
(3.14)
denklemiyle elde edilir.
3.2.1.4. Shen ve Hung metodu
Shen ve Hung (1972) kat madde tanmnn ok karmak bir olay olduunu kabul
etmilerdir.
39
Laboratuar verilerine dayal regresyon analizi yntemi gelitirip kat madde
konsantrasyonunun hesabn,
2
3
log 107404.45938164 324214.74734085 326309.58908739
109503.87232539
t
C Y
Y
= +
+
Y
(3.15)
olarak vermilerdir.
Burada,
( )
0.00750189
0.57 0.32
Y VS = (3.16)
= kat madde paracklarnn kelme hzdr.
3.2.1.5. Molinas ve Wu metodu
Molinas ve Wu (2001) g kavramna dayal dier konsantrasyon denklemlerinin
deneysel analizler sonucunda oluturulduunu, bu denklemlerin yzeysel (s)
nehirler iin llen konsantrasyon deerine yaklak sonu verdiini, geni ve orta
byklkteki nehirler iin hata paynn byk olduunu ileri srmlerdir. Molinas
ve Wu (2001) geni nehirlere ait 414 veri takm ve orta byklkteki nehirlere ait
534 veri takm ile almlardr. Bu almalar sonucunda, evrensel akm gcne
dayal kat madde konsantrasyonu denklemi gelitirmilerdir. Geni ve orta
byklkteki nehirler iin hata payn en aza indiren bu denklem,
( )
1.5
1430 0.86
0.016
t
C
+
=
+
(3.17)
olarak aklanmtr.
Burada , niversal akm gcdr ve denklem (3.18) ile belirlenir.
40
( )
3
2
50
50
1 log
g
V
D
s gD
d
(3.18)
burada,
s
g
= younluk ( )
s
,
50
= kat madde paracklarnn kelme hzdr.
3.2.1.6. Graf metodu
Grafn (1971) Engelund and Hansen (1967) denkleminden esinlenerek trettii
toplam kat madde denklemi aada verilmitir,
2.02 50
10.39
s
w
s
u d
C
q
(3.19)
6
10
ppm w
C C = (3.20)
burada,
C= toplam kat madde konsantrasyonu,
= su zgl ktlesi,
s
= kat madde zgl ktlesi,
q = birim debi,
u
= kayma hz,
50
d = medyan ap,
= <
>
(3.21)
( )
0.5
0.5 1.5 0.3 1.5
50
0.100 1 ; 3
b s
q G g d D T T
= (3.22)
( )
1 3
50 2
1
s
G g
D d
=
(3.23)
( ) ( )
( )
2
2
'
2
cr
cr
u u
T
u
= (3.24)
0.5
' '
'
90
4
, 18log
m
g D
u u C
C d
= =
(3.25)
burada,
D
=
(3.27)
'
, , Z Z Z k
ku
0.4
= + = = (3.28)
0.4 0.8
2.5 0.01 1
a
o
C
for u
u C
=
(3.29)
0.65
o
C = (3.30)
s
a k = (3.31)
2
1 2
u
= +
0.1 1 for u
< < (3.32)
1.5
50
0.3
0.015
a
d T
C
a D
=
(3.33)
,
t b
q q q = +
s w m
q Du = ,
w t
C q q =
w
, (3.34)
6
10
ppm w
C C =
burada,
F = ask maddesi yk iin dzeltme faktr,
a
C = referans konsantrasyonu,
o
C = maksimum (yatak) konsantrasyonu ( = 0.65),
a= referans seviyesi,
= kat madde difzyonunun akakna difzyonuna oran,
= kelme hz,
43
Z ,
'
Z = sspansiyon says,
k = von Karman sabiti ( = 0.4)
b
q = birim genilikten tanan yatak yk,
s
q = birim genilikten tanan ask maddesi yk,
t
q = birim genilikten tanan toplam kat madde yk,
t
Q = toplam kat madde yk,
w
Q = su debisi.
3.2.1.8. Shu-Qing Yang metodu
Shu-Qing Yang (2005) tarafndan tretilen, boyut analizine dayal toplam kat madde
yk tanm hesab aadaki denklemlerde verilmitir,
' 2 2
s c
w
s m
G u
C k
G 1 u D
u
0 , (3.35)
6
ppm w
C C 1 =
m
'
50
u 11D
2.5ln
u 2
=
d
(3.36)
burada,
ppm
C =toplam kat madde konsantrasyonu,
k = evrensel sabit (=12.5),
s
G =kat madde paracklarnn zgl arl,
= yataktaki kayma gerilmesi ( ) RS = ,
'
u
(3.38)
6
10
ppm w
C C = (3.39)
45
3.2.2.3 Brownlie metodu
Brownlienin (1981a) toplam kat madde miktar tahmini iin nerdii regresyon
denklemi aada verilmitir,
( ) ( )
2
1 3
1 3 1 3
50
7100
ppm f g go h
C c S F S F R d
= (3.40)
burada,
0.5293 0.1405 0.1606
4.596
go o g
F S
= (3.41)
( )
7.7
0.22 0.06 10
Y
o
Y
= + (3.42)
( )
(
0.6
1
s g
Y G R
=
)
(3.43)
3
50
g
gd
R
= (3.45)
burada,
F
go
= kritik danecik froude says,
R
g
= danecik Reynolds says,
R
h
= hidrolik yarap,
c
f
= katsay (laboratuvar verileri iin =1, saha verileri iin = 1.268).
3.2.2.4 Karim ve Kennedy metodu
Karim ve Kennedy (1981) tarafndan nerilen toplam kat madde denklemi aada
sunulmutur,
46
( )
t
k1 k 2 k 3 k1 k 3
3
s s 50
q
log 2.28 2.97c 0.30c c 1.06c c
G 1 gd
= + + +
(3.46)
burada,
( )
m
k1
s 50
u
c log ;
G 1 gd
=
k 2
50
D
og
d
=
( )
c l ;
c
k 3
s 50
u u
og
G 1 gd
c l (3.47)
t t
Q q B = ,
w m
Q BDu = ,
w t
C Q Q =
w
, (3.48)
6
10
ppm w
C C =
3.2.2.5 Karim metodu
Karimin (1998) toplam kat madde tanm iin nerdii denklem aada
verilmitir,
( )
( )
2.97
1.47
t m
s 50
s 50
q u u
0.00139
G 1 gd
G 1 gd
(3.49)
t t
Q q B = , ,
w m
Q BDu =
w t
C Q Q =
w
, (3.50)
6
10
ppm w
C C =
BLM 4. MODELLERN BRNC SENARYO N
UYGULANMASI
4.1. Birinci Senaryoda Kullanlan Veri Takmlarnn Tanmlanmas
Kat madde miktar tahmini iin kurulan modellerin doruluu ve gvenilirlii
laboratuar ve sahadan elde edilen verilerin kalitesine baldr (Brownlie, 1981a,b;
Karim ve Kennedy, 1981; Yang, 1973). Bu blmde modellerin tatbik edilmesi iin
Brownlie (1981b) ve Posada (1995) almalarndan elde edilmi 70in zerinde veri
takm kullanlmtr. Bunlarn bir ksm laboratuar dier ksm ise saha verilerinden
olumaktadr. Verilerdeki deikenler birimleriyle birlikte Tablo 4.1.de verilmitir.
Tablo 4.1. Deikenlerin birimleri
No. Deikenler Birim
1 Su debisi m
3
/s
2 Yatak genilii m
3 Akm derinlii m
4 Su yzeyi eimi m/m
5 Ortalama dane ap d
50
m
6 Su scakl
o
C
7 Tanan kat madde konsantrasyonu ppm
Modellerde kullanlan 2252 adet saha verisi Amerika Birleik Devletleri (ABD),
Asya ve Avrupa nehirlerinden derlenmi olup bu nehirlerin (24 ayr nehir sistemi)
aklamalar Tablo Ek-1.1.de verilmitir. Ayrca modellerin kurulmasnda, 5143 adet
laboratuar verisi de (52 ayr laboratuar almas) kullanlmtr. Bu veriler ile ilgili
aklama da Tablo Ek-1.2.de verilmitir.
48
Modellerin uygulamasnda su scaklnn etkisi de gz nne alnmtr. Suyun
kinematik viskozitesi
(
2
, m s
)
, Yang (1996) tarafndan nerilen aadaki
Denklem (4.1) vastasyla bulunmutur.
( )
2 6 2
1.79 10 1.0 0.0337 0.000221 T T
= + + (4.1)
burada ,
o
C cinsinden suyun scakln ifade etmektedir. Dolaysyla scakln
etkisinden dolay viskozite de modellerde deikenlik gstermektedir.
T
Modellerin uygulamasna geilmeden nce Brownlie (1981a) tarafndan uygulanm
kstlamalar kullanlarak verilerden bazlar elenmitir. Bu kstlamalarn snrlar
Tablo 4.2.de verilmitir.
RVM, ANFIS, YSA ve MLR modellerini kurabilmek iin tm veri takm, eitim ve
test takm olmak zere rasgele ikiye blnmtr. Eleme sonras nehirdeki kat
madde tahmini iin kullanlan eitim takm 660, test takm ise 449 veriden
olumaktadr. Laboratuar verileri iin ise eitim takm 560, test takm ise 388
veriden olumaktadr.
Tablo 4.2. Modellerde kullanlan verilerin snrlandrlmas
Parametre Sembol Snrlama Sebep
Medyan ap, mm d
50
0.062<d
50
<2.0 Yalnzca kum
Gradasyon <5 Bimodal dalmn elenmesi
Genilik derinlik oran B/D B/D>4(Lab Data) Yan duvar etkilerinin elenmesi
Rlatif przllk R/d50 R/d
50
>100 Yzeysel su etkisinin elenmesi
Konsantrasyon, ppm C C>10 Doruluk problemi
Su Scakl
o
C
0<
o
C<63 Viskozite etkisi
49
4.2. Modellerde Kullanlacak Olan Girdi Parametrelerinin Belirlenmesi
Girdi ve kt parametrelerinin dalm normal dalma yaklatnda yapay zeka
modelleri daha iyi sonular verebilmektedir. Olaydaki parametrelerin dalm
incelendiinde dalmlarn normal dalm olmad grlm, bundan dolay
modeller kurulmadan nce modelde kullanlan verilere logaritmik dnm (log
transform) uygulanmtr. Log dnm ncesi ve sonras ekil 4.1. ve ekil 4.2.de
verilmitir. ekillerde kt verisine uygulanm log dnm grlmektedir. Log
dnm uygulandktan sonra, k verisi olan toplam kat madde konsantrasyonu
dalmnn normal dalma yaklat grlmtr. Dier giri verilerine de log
dnm uygulandnda ayn durumla karlalmtr. Dolaysyla modellerde log
dnml verilerin kullanlmas uygun bulunmutur.
0 1 2 3 4 5 6
x 10
4
0
50
100
150
200
250
300
350
400
450
Concentration ( C
ppm
)
F
r
e
q
u
e
n
c
y
F
r
e
k
a
n
s
Konsantrasyon ( C
ppm
)
0 2 4 6 8 10 12
40
14
0
5
10
15
20
25
30
35
Log Transformed Concentration Ln(C
ppm
)
u
e
n
c
y
F
r
e
q
F
r
e
k
a
n
s
Log Dnml Konsantrasyon Ln ( C
ppm
)
ekil.4.1. Laboratuar verileri iin kat madde konsantrasyon deerlerinin log dnm ncesi ve
sonras dalm
50
0 2000 4000 6000 8000 10000 12000
0
100
200
300
400
500
600
Concentration ( C
ppm
)
y
F
r
e
q
u
e
n
c
F
r
e
k
a
n
s
Konsantrasyon ( C
ppm
)
1 2 3 4 5 6 7 8 9
100
10
0
20
40
60
80
F
r
e
q
u
e
n
c
y
F
r
e
k
a
n
s
Log Transformed Concentration Ln(C
ppm
)
Log Dnml Konsantrasyon Ln ( C
ppm
)
ekil 4.2. Saha verileri iin kat madde konsantrasyon deerlerinin log dnm ncesi ve sonras
dalm
4.3. Boyut Analizi ve Baz Boyutsuz Parametrelerin Tanmlanmas
Boyut analizi, akkanlar mekanii ve hidrolik alanndaki almalarda ok nemli
matematik aralarndan birisidir. Boyut analizi, olaya etki eden parametrelerden
meydana gelmi olan boyutsuz saylar arasnda bir iliki kurulmas olarak
tanmlanabilir. Boyut analizinin avantaj, boyutlu deikenleri kombine etmek
suretiyle boyutsuz parametreler tekil ederek problemdeki deikenleri azaltmaktr.
Ayn zamanda boyut analizi yardmyla elde edilen boyutsuz parametrelerden
incelenen olayla ilgili denklemler de tretilebilmektedir (Langhaar, 1951; Middleton
ve Southard, 1984). Akkanlar mekanii ve hidrolik uygulamalarnda kullanlan,
Buckingham Pi teoremi ve Rayleigh olmak zere iki farkl boyut analizi metodu
vardr.
Toplam kat madde miktar tahmini iin yapay zeka modellerinin kurulmasndan
nce bu modellerde hangi parametrelerin kullanlaca byk nem arz etmektedir.
51
nk girdi parametreleri ne kadar hassas ve doru seilirse model o kadar iyi sonu
vermektedir. Bu almada girdi parametrelerini belirlemek iin bamsz
deikenlere boyut analizi uygulanmtr. Ayrca, boyutsuz parametrelerin
belirlenmesinde uygulamadaki kolayllndan dolay Buckingham Pi teoremi
kullanlmtr (Buckingham, 1914).
Herhangi bir fiziksel olay, birbirinden bamsz boyutlu ve boyutsuz (n)
parametrenin fonksiyonu ise, olayn kanunu f( x
1
, x
2
,.....x
n
) = 0 eklinde aklanabilir.
Olayn parametreleri (m) tane temel bykle bal ise, Buckingham bu (m)
parametre yardm ile n-m tane boyutsuz says bulunabileceini
eklinde ifade etmitir. (
1 2
, ,......,
n m
)
)
Toplam kat madde konsantrasyonunun baml deiken olarak ele alndnda
bamsz deikenlerle olan fonksiyonel ilikisi yle aklanabilir,
(
50
, , , , , , , , , , , ,
s s m
C f u q d D B S u g
= (4.2)
Tekrarlanan parametreler eitli varyasyonlarla u ekilde seilmitir:
1.
50
, , d u
2.
50
, , d u
3.
50
, ,
s
d
4.
50
, ,
s
d u
5.
50
, ,
m
d u
6. q, D,
Bylece, boyut analizi ile elde edilmi boyutsuz parametreler aadaki gibi
bulunmutur,
( )
( ) ( ) ( )
( )
50
50 50 50 50
2 2 2
2 3 3
50 50 50 50
50
1
1 1 1
1
s m m
s
s m
g
s s s s
s
u D u d u u D D DS B q q
, , , , , , , , , ,
d G d u D u d gDD
C f
u u u q
, , , , ,
g G d g G d g G d d
g G d
B
d
S,
=
(4.3)
Uygulanan boyut analizinin yan sra Yang (1973) tarafndan nerilmi baz boyutsuz
parametreler aadaki denklemde sunulmutur,
52
50 m
u S d u
C f , ,
(4.4)
Bu denklemdeki boyutsuz parametreler de modellerin oluturulmasnda girdi olarak
kullanlmtr.
Boyutsuz parametrelerde kullanlan deikenler aada verilmitir,
D( L ) = uniform akm seviyesi,
50
d ( L ) = medyan ap,
B( L ) = yatak genilii,
3
s
( M L ) =
kat madde zgl ktlesi,
3
( M L ) =
suyun zgl ktlesi
(
2 2
s
M L T =
)
kat madde zgl arl,
u ( L T )
= kayma hz,
2
( L T ) =
kinematik viskozite,
S( L L) =
eim,
s
G = kat madde zgl younluu,
m
u ( L T ) = ortalama akm hz,
( L T ) =
kelme hz,
3
q( L T L ) =
birim su debisi,
2
g( L T ) =
yerekimi ivmesi,
g
= gradasyon,
C = konsantrasyon.
50
D
d
= boyutsuz akm derinlii,
50
B
d
= boyutsuz yatak genilii,
53
s
s
G
= =srtnme faktr,
B
D
=genilik ykselik oran,
q
D gD
= Froude says,
( )
50
1
m
g
s
u
F
G gd
=
= boyutsuz kayma gerilmesi (danecik asndan),
m
u S
(4.6)
Modellerde kullanlacak olan bu boyutsuz parametreler dier aratrmaclar
tarafndan da denenmitir. Bu aratrmaclarn kullandklar boyutsuz parametreler
Tablo 4.3.de verilmitir. Bu almada, nceki modellerden farkl olarak
50
B d parametresi literatrde ilk defa kullanlm ve zellik seimi sonras her iki
alma iin de (laboratuar ve saha verilerinden elde edilen) etkin bir parametre
olarak bulunmutur.
Tablo 4.3. Toplam kat madde hareketi denklemlerinde kullanlan boyutsuz parametreler
Seilmi Parametreler Sediment
transport
denklemleri
Baml Parametreler Bamsz
Parametreler
Rottner (1959)
50 D
d D, F
Engelund ve Hansen (1967) ( ) ( )
50
1 1
s s m s
G G , u S G gd ,
Graf (1971) ( )
50
1
s s
G G , u d q,
Acarolu (1968)
50
D d
Shen ve Hung (1972) m
u S
Yang (1979) C
ppm
50
cr
m m
u S , u , u S , u d
Ackers ve White (1973) 50 g m
F , D d , d ,u u
Brownlie (1981a)
50 g g
F , S, D d , R , ,
o g
Karim ve Kennedy (1981)
50 g
F , D d
van Rijn (1984a,b)
50
d , T, D d , u
Karim (1998) g
F , u
Molinas ve Wu (2001) 50
,D d
Yang (2005)
( )
50
1
s s m
G G , T , u u , D d
56
4.4. oklu Lineer Regresyon Analizinin Uygulanmas
ayet baml deiken (kt) olan ye etki eden m sayda bamsz deikenler
(girdiler, (x
1
, x
2
, ..., x
m
)) var ise baml deiken ile bamsz deikenler arasndaki
lineer fonksiyon aadaki gibi yazlabilir,
m m
x b x b x b a y + + + + = ...
2 2 1 1
(4.7)
Regresyon katsaylar (a, b
1
, b
2
, ..., b
m
) en kk kareler yntemiyle aadaki gibi
bulunabilir,
( )
= =
=
N
i
mi m i i i
N
i
yi
x b x b x b a y e
1
2
2 2 1 1
1
2
(4.8)
zellik seimi yntemiyle elde edilmi parametreler yardmyla, toplam kat madde
miktar tahmini iin oklu lineer regresyon analizi (MLR) oluturulmutur.
Laboratuar ve saha veri takmlar iin oluturulmu MLRler aada srasyla
verilmitir.
0.88 0.169
2.19 0.0661 2.09
50
50 50
1857.804
m
ppm
u S u d u D B
C
d d
=
( )
( )
1.208
0.0245 0.271 0.0782
0.0661
2
50
3
50 50 50
50
4336.086
1
1
m
ppm
s
s
u S u d q B
C
u d G gd d
G gd
=
4.5. ANFIS Modelinin Uygulanmas
ANFIS modelinde girdi olarak, zellik seimi ile elde edilmi boyutsuz parametreler
kullanlmtr. Optimum ANFIS mimarisini bulabilmek iin, deiik tip ve sayda
yelik fonksiyonlar kullanlmtr. Optimum mimari olarak laboratuar verilerine
dayal toplam kat madde konsantrasyonu tahminleri iin her bir girdi parametresine
3 adet gauss (gaussian) tipi yelik fonksiyonu, saha verileri iin de her bir girdi
57
parametresine 3 adet gen tipi yelik fonksiyonu olacak ekilde modeller
kurulmutur. Bu nedenle laboratuar verilerine dayal ANFIS modeli iin 243 adet (5
girdi iin 3 yelik fonksiyonu), saha verilerine dayal ANFIS modeli iin de 81 adet
(4 girdi iin 3 yelik fonksiyonu) kural oluturulmutur. Modelin eitimindeki hata
tolerans, modeldeki iterasyon saysn belirlemede dikkate alnmtr. Bu almada
hem laboratuar hem de saha verilerine dayal modellerdeki iterasyon saysn
belirlemek iin eitli denemeler yaplm ve optimum iterasyon says 50 olarak
bulunmutur.
4.6. YSA Modelinin Uygulanmas
Bu almada, YSA (i, j, k) mimarisi, srasyla i, j ve k simgelerinin girdi, gizli ve
kt katmanlarn gsterecek ekilde oluturulmutur. Her katman birok nrondan
olumakta olup katmanlar birbirlerine arlk kmeleri ile balanmaktadrlar.
Balanma ekli ve her ksmdaki nron says deiebilmektedir. Ayn katmandaki
nronlar arasnda iletiim olmasna izin verilmemektedir. Bu eitim srecinin
banda balant arlklar rasgele deerler olarak atanmaktadr. Eitim baar ile
tamamlana kadar, renme algoritmasnn her iterasyonunda arlklar
deitirmektedir. terasyon sreci bir sonuca vardnda balant arlklar eitim
srecinde kullanlan rneklerdeki mevcut bilgiyi elde eder ve saklar. Yeni bir girdi
grubu sunulduunda ileri doru besleme yardmyla yapay sinir ann balant
arlklarndaki renilmi ve saklanan bilgi sayesinde bir kt grubu elde edilir.
Burada laboratuar almas iin, i deeri (modelin girdi parametresi says) 5, k
deeri (modelin kt says) 1 olup j deeri (gizli katman nron says) 20 alnarak
YSA modeli oluturulmutur. Saha almas iinde i deeri 4, k deeri 1 ve j deeri
10 alnarak YSA modeli kurulmutur. Optimum zm iin gizli katmanlardaki
nron saylar ve modellerin iterasyon saylar deneme yanlma yolu ile bulunmutur.
Bu almada, YSA tipi olarak ileri beslemeli geri yaynml yapay sinir alar
(FFNN), transfer fonksiyonu olarak sigmoid fonksiyonu kullanlm ve her iki model
iin de iterasyon says 1000 alnmtr.
BLM 5. BRNC SENARYO N MODELLERN
PERFORMANSLARININ DEERLENDRLMES
5.1. Modellerin Tahminlerinin Kyaslanmas
RVM, ANFIS, YSA, MLR modelleri ve toplam kat madde tanm denklemleri ayn
veri takmlarna uygulanm ve modellerin sonular eitli istatistiksel parametreler
kullanlarak deerlendirilmitir. Modellerin tahminlerinin karlatrlmasnda
C
tahmin
/C
gzlenen
farkllk oran (discrepancy ratio (DR))
kullanlmtr. Ayn zamanda
farkllk oranlarnn geometrik ortalamalar ve standart sapmalar verilmitir. Bu
modellerin sonular gzlenen gerek deerlerle kyaslanarak ekil 5.1.-5.17.de
gsterilmitir. Bu ekillerde, %84 ve %16 persantil (percentile) deerleri ile modelin
medyan grlmektedir. Medyan izgisi (kesikli izgi) ve farkllk oran izgisinin
(dz izgi) 1 deerinde akt ve %84 ve %16 lk izgilerinin aralarndaki
uzakln en az olduu modeller en iyi modelleri gstermektedir.
Her modelin analizinde laboratuar ve saha verileri iin iki ayr ekil izilmitir. ekil
7.1-7.17ye bakldnda her bir veri takmnn ayr sembollerle ifade edildii
grlmektedir. Ayrca bu ekillerde modellerin determinasyon katsaylar (R
2
)
deerleri de gsterilmitir
Laboratuar verileri kullanlarak elde edilen kat madde denklemlerinin sonular
grafiksel ve istatiksel olarak deerlendirildiinde: Molinas ve Wu (2001), Shu-Qing
Yang (2005) denklemleri tahminin zerinde sonu verirken, van Rijn denklemi
(1984a,b) tahminin altnda sonular vermitir. Laboratuar verileri kullanlarak elde
edilen toplam kat madde miktar tahmininde RVM, ileri beslemeli geri yaynml
YSA (FFNN) ve ANFIS teknikleri en iyi sonular verirken, bu sralamay Brownlie
(1981a), Shen and Hung (1972), MLR, ve Yang (1979) metotlar takip etmitir.
Ayrca bu metotlarn 388 adet laboratuar test verisi iin, farkllk oranlar 2den
59
kk olan tahmin saylar srasyla 345, 344, 331, 311, 306, 303, ve 266 olarak
hesaplanmtr.
Molinas ve Wu (2001) metodu laboratuar verileri iin iyi sonular vermemesine
karn saha verileri iin iyi ve mantkl sonular vermitir. Bunun nedeni ise bu
denklemin sadece saha verilerine dayal olarak elde edilmi olmasdr.
Graf (1971) ve Acaroglu (1968) tekniklerinin laboratuar almalar iin iyi sonular
vermedii gzlemlenmitir. Shen ve Hung (1972) metodu saha verilerine dayal
tahminde, tahminin altnda sonular vermitir. Aksine laboratuar verilerine dayal
tahminlerde iyi ve mantkl sonular vermitir. Bunun nedeni ise bu denklemin
laboratuar verilerine dayal olarak gelitirilmi olmasdr. Yang (1979), van Rijn
(1984a,b), Karim (1998), ve Rotnner (1959) denklemleri saha verilerine dayal
tahminlerde tahminin altnda sonular vermitir.
Ackers ve White (1973), Brownlie (1981a), Engelund ve Hansen (1967), Molinas ve
Wu (2001) ve Shu-Qing Yang (2005) denklemleri saha verilerine dayal yaplan
tahminlerde dier denklemlere nazaran iyi sonular vermitir.
449 adet saha verisini test etmek iin kullanlan metotlarn farkllk oranlar ikiden
kk olan tahminlerinin saylar; YSA iin 335, RVM iin 330, ANFIS iin 325,
MLR iin 307, Molinas ve Wu (2001) denklemi iin 276, Brownlie (1981) denklemi
iin 265, Ackers ve White (1973) denklemi iin 245, Shu-Qing Yang (2005)
denklemi iin 234, Engelund ve Hansen (1967) denklemi iin 225 olarak
hesaplanmtr.
Bununla birlikte, RVM modelinin laboratuar ve saha verilerine dayal toplam kat
madde miktar tahminlerinde, dier yapay zeka metotlaryla yakn sonular verirken
ve kat madde denklemlerinden ok daha iyi sonular verdii grlmtr.
60
10
1
10
2
10
3
10
4
10
5
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
t
e
d
v
/
C
o
b
s
e
r
e
d
Engelund and Hansen Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 216
R
2
= 0.826
BAL
Engelund ve Hansen - Lab
BEN
Denklemin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 216
R
2
= 0.826
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.1a. Engelund ve Hansen (1967) metoduyla laboratuar verilerine dayal olarak elde edilmi
toplam kat madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
/
C
e
d
E ield Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 225
R
2
= 0.664
ACP
ngelund and Hansen Technique - F
Engelund ve Hansen - Saha
Denklemin Analizi iin kullanlabilecek veri says : 44
Farkllk oran ikiden kk olan tahm
2
9
inlerin says : 225
R = 0.664
AMC
ATC
CHO
e
s
t
i
m
a
t
e
d
o
b
s
e
r
v
CHP
COL
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.1b. Engelund ve Hansen (1967) metoduyla saha verilerine dayal olarak elde edilmi toplam
kat madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
61
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
/
C
o
b
s
e
r
v
Graf Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 145
R
2
= 0.523
BAL
Graf - Lab
BEN
Denklemin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 145
R
2
= 0.523
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
t
e
d
e
d
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.2a. Graf (1971) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
10
3
Gr ield Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 191
R
2
= 0.524
ACP
af Technique - F
Graf - Saha
Denklemin Analizi iin kullanlabilecek veri says : 44
Farkllk oran ikiden kk olan tahm
9
inlerin says : 191
R
2
= 0.524
AMC
Observed Concentration ( C
ppm
)
C
e
s
t
im
a
t
e
d
/
C
o
b
s
e
r
v
e
d
ATC
CHO
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
CHP
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.2b. Graf (1971) metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
62
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
im
/
C
o
b
s
e
r
v
Ackers and White Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 387
ber of points with discrepancy ratio less than two : 250
2
= 0.882
BAL
Ackers ve White - Lab
a
t
e
d
e
d
Num
R
BRO Denklemin Analizi iin kullanlabilecek veri says : 387
Farkllk oran ikiden kk olan tahminlerin says : 250
R
2
= 0.882
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.3a. Ackers ve White (1973) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam
kat madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-3
10
-2
10
-1
10
0
10
1
10
2
10
3
C
e
s
d
/
C
o
b
s
r
v
e
d
Field Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 245
R
2
= 0.605
ACP
Ackers and White Technique -
Ackers ve White - Saha
Denklemin Analizi iin kullanlabilecek veri says
Farkllk oran ikiden kk olan tahminlerin says : 245
2
= 0.605
: 449
R
AMC
ATC
CHO
Observed Concentration ( C
ppm
)
t
i
m
a
t
e
e
CHP
COL
C
t
a
h
/
C
m
i
n
g
z
l
e
n
e
n
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.3b. Ackers ve White (1973) metoduyla saha verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
63
10
1
10
2
10
3
10
4
10
5
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
/
C
o
b
s
e
r
v
Yang Technique - Lab Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 388
umber of points with discrepancy ratio less than two : 266
2
= 0.863
BAL
Yang - Lab
BEN
N
N
R
Denklemin An 8 alizi iin kullanlabilecek veri says : 38
arkllk oran ikiden kk olan tahminlerin says : 266
2
863
F
R = 0.
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
a
t
e
d
e
d
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.4a. Yang (1979) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
C
e
s
t
i
/
C
o
b
s
e
r
e
d
- Field Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 449
umber of points with discrepancy ratio less than two : 186
2
= 0.674
ACP
Yang Technique
Yang - Saha
N
N
R
Denklemin Analizi iin kullanlabilecek veri says : 449
rkllk oran ikiden kk olan tahmin
2
Fa lerin says : 186
R = 0.674
AMC
ATC
Observed Concentration ( C
ppm
)
m
a
t
e
d
v
CHO
CHP
C
t
/
C
COL
a
h
m
i
n
g
z
l
e
n
e
n
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.4b. Yang (1979) metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
64
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
im
/
C
o
b
s
e
r
v
olinas and Wu Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 124
R
2
= 0.802
BAL
M
Molinas ve Wu - Lab
BEN
Denklemin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 124
R
2
= 0.802
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
a
t
e
d
e
d
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.5a. Molinas ve Wu (2001) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam
kat madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
t
e
d
/
C
o
b
s
e
r
v
e
d
Molinas and Wu Technique - Field Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 276
R
2
= 0.615
ACP
AMC
ATC
CHO
CHP
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Molinas ve Wu - Saha
D 9 enklemin Analizi iin kullanlabilecek veri says : 44
lk oran ikiden kk olan tahmi
2
Farkl nlerin says : 276
R = 0.615
C
t
/
C
a
h
m
i
n
g
z
l
e
n
e
n
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.5b. Molinas ve Wu (2001) metoduyla saha verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
65
10
1
10
2
10
3
10
4
10
5
10
-4
10
-3
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
/
C
o
b
s
v
e
d
Van Rijn Technique - Lab Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 377
umber of points with discrepancy ratio less than two : 113
2
= 0.789
BAL
van Rijn - Lab
N
N
R
BRO
Denklemin Analizi iin kullanlabilecek veri says : 377
Farkllk oran ikiden kk olan tahminlerin says : 113
R
2
= 0.789
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
t
i
m
a
t
e
d
e
r
KEN
KNB
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
ekil 5.6a. van Rijn (1984) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
Gzlenen Konsantrasyon ( C
gzlenen
)
10
1
10
2
10
3
10
4
10
-4
10
-3
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
C
e
s
t
i
/
C
o
b
s
e
e
d
V ield Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 443
umber of points with discrepancy ratio less than two : 159
2
= 0.501
ACP
an Rijn Technique - F
van Rijn - Saha
N
N
R
D 3 enklemin Analizi iin kullanlabilecek veri says : 44
lk oran ikiden kk olan tahmi Farkl nlerin says : 159
R
2
= 0.501
AMC
ATC
ppm
)
m
a
t
e
d
r
v
CHO
CHP
C
t
/
C
COL
a
h
m
i
n
g
z
l
e
n
e
n
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.6b. van Rijn (1984) metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
66
10
1
10
2
10
3
10
4
10
5
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
/
C
o
b
s
e
r
v
Shu-Qing Yang Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 118
R
2
= 0.870
BAL
Shu-Qing Yang - Lab
BEN
Denklemin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 118
R
2
= 0.870
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
a
t
e
d
e
d
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.7a. Shu-Qing Yang (2005) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam
kat madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
im
a
t
e
d
o
b
s
e
r
v
/
C
e
d
Shu-Qing Yang Technique - Field Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 449
umber of points with discrepancy ratio less than two : 234
2
= 0.651
ACP
Shu-Qing Yang - Saha
N
N
R
D 9 enklemin Analizi iin kullanlabilecek veri says : 44
lk oran ikiden kk olan tahmin Farkl lerin says : 234
R
2
= 0.651
AMC
ATC
CHO
CHP
COL
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon C
gzlenen
) (
ekil 5.7b. Shu-Qing Yang (2005) metoduyla saha verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
67
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
d
/
C
o
b
s
v
e
d
aroglu Technique - Lab Data
84 %ILE
Median
16 %ILE
ber of data points available for analysis : 388
umber of points with discrepancy ratio less than two : 164
2
= 0.536
BAL
Ac
Acarolu - Lab
t
im
a
t
e
e
r
Num
N
R
Denklemin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 164
R
2
= 0.536
BEN
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KEN
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
ekil 5.8a. Acarolu (1968) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
Gzlenen Konsantrasyon ( C
gzlenen
)
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
10
3
Observed Concentration ( C
ppm
)
- Field Data
84 %ILE
Median
16 %ILE
4
ACP
Acaroglu Technique
Acarolu - Saha
Number of data points available for analysis : 449
8 Number of points with discrepancy ratio less than two : 1
2
R = 0.522
Denklemin Analizi iin kullanlabilecek veri says : 449
Farkllk oran ikiden kk olan tahminlerin says : 184
R
2
= 0.522
AMC
ATC
C
e
s
t
i
m
a
t
e
d
/
C
o
b
s
e
r
v
e
d
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
CHO
CHP
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.8b. Acarolu (1968) metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
68
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
/
C
o
b
s
e
r
v
Shen and Hung Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 306
R
2
= 0.906
BAL
Shen ve Hung - Lab
BEN
Denklemin Analizi iin kullanlabilecek veri says :
Farkllk oran ikiden kk olan tah
2
= 0.906
388
minlerin says : 306
R
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
a
t
e
d
e
d
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.9a. Shen ve Hung (1972) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam
kat madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-4
10
-3
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
Shen and Hung Technique - Field Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 206
R
2
= 0.672
ACP
Shen ve Hung - Saha
Denklemin Analizi iin kullanlabilecek veri says : 44
Farkllk oran ikiden kk olan tahm
9
inlerin says : 206
R
2
= 0.672
AMC
C
e
s
t
i
m
a
t
e
d
/
C
o
b
s
e
r
v
e
d
ATC
CHO
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
CHP
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.9b. Shen ve Hung (1972) metoduyla saha verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonun gzlemlenen (gerek) konsantrasyonla karlatrlmas
69
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
im
/
C
o
b
s
e
r
v
Brownlie Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 311
R
2
= 0.897
BAL
Brownlie - Lab
a
t
e
d
e
d
BEN
Denklemin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 311
R
2
= 0.897
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
KEN
C
t
/
C
a
h
m
i
n
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.10a. Brownlie (1981a) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
t
e
d
/
C
o
b
s
e
r
v
e
d
Brownlie Technique - Field Data
84 %ILE
Median
16 %ILE
data points available for analysis : 449
points with discrepancy ratio less than two : 265
R
2
= 0.721
ACP
Brownlie - Saha
Number of
Number of
AMC
ATC
CHO
CHP
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
ekil 5.10b. Brownlie (1981a) metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
Brownlie - Saha
Denklemin 9 Analizi iin kullanlabilecek veri says : 44
Farkllk oran ikiden kk olan tahminlerin says : 265
R
2
= 0.721
C
/
t
a
h
m
i
n
C
g
z
l
e
n
e
n
Gzlenen Konsantrasyon ( C
gzlenen
)
70
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
/
C
o
b
s
e
r
e
d
Karim and Kennedy Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 387
Number of points with discrepancy ratio less than two : 236
R
2
= 0.842
BAL
Karim ve Kennedy - Lab
Denklemin Analizi iin kullanlabilecek veri says :
Farkllk oran ikiden kk olan tahm
2
= 0.842
387
inlerin says : 236
R
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
m
a
t
e
d
v
KEN
KNB
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.11a. Karim ve Kennedy (1981) metoduyla laboratuar verilerine dayal olarak elde edilmi
toplam kat madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-3
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
/
C
v
e
d
Ka Field Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 223
R
2
= 0.666
ACP
rim and Kennedy Technique -
Karim ve Kennedy - Saha
Denklemin Analizi iin kullanlabilecek veri says : 44
Farkllk oran ikiden kk olan tahm
9
inlerin says : 223
R
2
= 0.666
AMC
ATC
CHO
e
s
t
i
m
a
t
e
d
o
b
s
e
r
CHP
COL
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.11b. Karim ve Kennedy (1981) metoduyla saha verilerine dayal olarak elde edilmi toplam
kat madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
71
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
/
C
o
b
s
e
r
v
Karim Technique - Lab Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 388
umber of points with discrepancy ratio less than two : 183
2
= 0.759
BAL
Karim - Lab
a
t
e
d
e
d
N
N
R
BEN
Denklemin An 8 alizi iin kullanlabilecek veri says : 38
lk oran ikiden kk olan tahmi Farkl nlerin says : 183
R
2
= 0.759
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.12a. Karim (1998) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
C
e
s
d
/
C
o
b
s
r
v
e
d
- Field Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 449
umber of points with discrepancy ratio less than two : 141
2
= 0.594
ACP
Karim Technique
Karim - Saha
N
N
R
D 9 enklemin Analizi iin kullanlabilecek veri says : 44
lk oran ikiden kk olan tahmi Farkl nlerin says : 141
R
2
= 0.594
AMC
ATC
CHO
Observed Concentration ( C
ppm
)
t
im
a
t
e
e
CHP
COL
C
t
a
h
/
C
m
i
n
g
z
l
e
n
e
n
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.12b. Karim (1998) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
72
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
/
C
o
b
s
e
e
d
tner Technique - Lab Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 388
umber of points with discrepancy ratio less than two : 229
2
= 0.825
BAL
Rot
Rottner - Lab
m
a
t
e
d
r
v
N
N
R
BEN
Denklemin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 229
R
2
= 0.825
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.13a. Rottner (1959) metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat
madde konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
t
e
d
/
C
o
b
s
e
r
v
e
d
Rottner Technique - Field Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 209
R
2
= 0.684
ACP
Rottner - Saha
Denklemin Analizi iin kullanlabilecek veri says : 44
Farkllk oran ikiden kk olan tahm
9
inlerin says : 209
R
2
= 0.684
AMC
ATC
CHO
CHP
C
t
a
/
C
g
h
m
i
n
z
l
e
n
e
n
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.13b. Rottner (1959) metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
73
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
/
C
o
b
s
e
r
d
Multiple Linear Regression Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 303
R
2
= 0.896
BAL
MLR - Lab
BEN
Modelin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 303
R
2
= 0.896
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
a
t
e
d
v
e
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.14a. MLR metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
/
C
o
b
s
e
r
v
M hnique - Field Data
84 %ILE
Median
16 %ILE
umber of data points available for analysis : 449
umber of points with discrepancy ratio less than two : 307
2
= 0.726
ACP
ultiple Linear Regression Tec
MLR - Saha
N
N
R
Mod 49 elin Analizi iin kullanlabilecek veri says : 4
lk ora
2
Farkl n ikiden kk olan tahminlerin says : 307
R = 0.726
AMC
ATC
a
t
e
d
e
d
CHO
CHP
C
t
/
g
a
h
m
i
n
C
z
l
e
n
e
n
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.14b. MLR metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
74
10
1
10
2
10
3
10
4
10
5
10
0
10
1
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
t
e
d
d
/
C
o
b
s
e
r
v
e
N Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 344
R
2
= 0.949
BAL
FF
YSA - Lab
BEN
Modelin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 344
R
2
= 0.949
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.15a. YSA metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
C
e
s
t
i
m
/
C
o
b
s
e
r
d
ata
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 335
R
2
= 0.784
ACP
FFN Technique - Field D
YSA - Saha
Modelin Analizi iin kullanlabilecek veri says :
Farkllk oran ikiden kk olan tahminlerin says : 335
R
2
= 0.784
449
AMC
ATC
ppm
)
a
t
e
d
v
e
CHO
CHP
C
t
/
C
a
h
m
i
n
g
z
l
e
n
e
n
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.15b. YSA metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
75
10
1
10
2
10
3
10
4
10
5
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
/
C
o
b
s
e
r
v
FIS Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 331
R
2
= 0.915
BAL
AN
ANFIS - Lab
BEN
Modelin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 331
R
2
= 0.915
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
a
t
e
d
e
d
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.16a. ANFIS metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
t
e
d
/
C
o
b
s
e
r
v
e
d
ANFIS Technique - Field Data
84 %ILE
Median
16 %ILE
ANFIS - Saha
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 325
2
ACP
R = 0.779
Modelin Analizi iin kullanlabilecek veri says : 449
Farkllk oran ikiden kk olan tahminlerin says : 325
R
2
= 0.779
AMC
ATC
CHO
CHP
C
/
t
a
h
m
i
n
C
g
z
l
e
n
e
n
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.16b. ANFIS metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
76
10
1
10
2
10
3
10
4
10
5
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
t
e
d
e
/
C
o
b
s
e
r
v
d
Relevance Vector Machine Technique - Lab Data
84 %ILE
Median
16 %ILE
Number of data points available for analysis : 388
Number of points with discrepancy ratio less than two : 345
R
2
= 0.933
BAL
RVM - Lab
BEN
Modelin Analizi iin kullanlabilecek veri says : 388
Farkllk oran ikiden kk olan tahminlerin says : 345
R
2
= 0.933
BRO
CHY
COS
DAV
EPA
EPB
FOL
FRA
GUY
JOR
KEN
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
KNB
LAU
MUT
NOR
OBR
OJK
PRA
SIN
STE
STR
TAY
VAB
VAH
WLM
WLS
WSA
WSB
WSS
Gzlenen Konsantrasyon ( C
gzlenen
)
ekil 5.17a. RVM metoduyla laboratuar verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
10
1
10
2
10
3
10
4
10
-2
10
-1
10
0
10
1
10
2
Observed Concentration ( C
ppm
)
C
e
s
t
i
m
a
/
C
o
b
s
e
r
v
e
Re or Machine Technique - Field Data
84 %ILE
Median
16 %ILE
30
ACP
levance Vect
RVM - Saha
Number of data points available for analysis : 449
Number of points with discrepancy ratio less than two : 3
2
5 R = 0.77
Modelin Analizi iin kullanlabilecek veri says : 449
Farkllk oran ikiden kk olan tahminlerin says : 330
R
2
= 0.775
AMC
ATC
t
e
d
d
CHO
CHP
C
t
/
g
a
h
m
i
n
C
z
l
e
n
e
n
COL
MID
MIS
MOU
NED
NIO
RED
RGC
RGR
RIO
Gzlenen Konsantrasyon C
gzlenen
) (
ekil 5.17b. RVM metoduyla saha verilerine dayal olarak elde edilmi toplam kat madde
konsantrasyonunun gzlemlenen (gerek) konsantrasyonla karlatrlmas
77
RVM tarafndan tahmin edilen laboratuar ve sahadaki toplam kat madde
kosantrayonu test takmlarndan rasgele seilmi 10 adet konsantrasyon verisinin
%95 gvenirlik band aralnda kald ekil 5.18. ve 5.20.de gsterilmitir. ekil
5.19. ve 5.21e bakldnda laboratuar ve saha verilerine dayal RVM toplam kat
madde konsantrasyon tahminlerinin %70lik bir ksmnn 1 standart sapma
ierisinde olduu grlmektedir.
YSA, ANFIS, MLR, RVM modelleri ve toplam kat madde tanm denklemlerinin
verdii sonular istatistiki adan deerlendirilmi olup Tablo 5.1. ve ekil 5.22.de
verilmitir. Tablo 5.1.de tm modellerin farkllk oranlarnn geometrik ortalama
(Geo. Ort.) deerleri ve geometrik standart sapma (Geo. SS.) deerleri laboratuar ve
saha almas iin ayr ayr verilmitir. Ayrca determinasyon katsaylar da (R
2
) bu
tabloda yer almtr. R
2
deerlerinin, geometrik ortalama ve geometrik standart
sapma deerlerinin 1e yaknsad modeller en iyi model olarak seilebilir. Bununla
birlikte hem laboratuar hem de saha almalarnda kullanlan modellerin test
takmlarndaki tahminlerden faydalanlarak hesaplanan geometrik ortalama,
geometrik standart sapma, medyan deerleri ve her bir test takmnn says EK-2de
gsterilmitir. Tablo 5.1.de grld zere RVM ve YSA performanslarnn
laboratuar ve saha verilerine dayal her iki almada da dierlerinden daha iyi
olduu gzlenmitir. ANFIS sonularnn da bu iki modelin sonularyla
kyaslanabilecek nitelikte olduu da aikrdr. Ayrca, ekil 5.22.ye bakldnda
medyan 1e yaknsayan ve %16 ve %84lk persantili birletiren izgilerin birbirine
en yakn olduu metodun en iyi sonucu verdii sylenebilir. Dolaysyla ekil
5.22.den RVM, YSA ve ANFIS metotlarnn en iyi sonular verdii grlmektedir.
78
1 2 3 4 5 6 7 8 9 10
2
3
4
5
6
7
8
9
10
RVM Estimate
Observed Concentration
95
L
o
g
T
r
a
n
s
f
o
r
m
e
d
C
o
n
c
e
n
t
r
a
t
i
o
n
L
n
(
C
p
p
m
)
% confidence interval
RVM Tahminleri
Gzlenen Konsantrasyon
%95 Gvenirlik Aral
L
o
g
D
m
l
K
o
n
s
a
n
t
r
a
s
y
o
n
L
n
(
C
p
p
m
)
Sample Number
rnek Says
ekil 5.18. Laboratuar veri takmna ait test takmndan rasgele alnan 10 verilik bir ksm iin
gzlenen ve RVM ile tahmin edilen deerlerin %95lik gvenirlik aral band da gsterilerek
kyaslanmas
<-3 -3 -2 -1 +1 +2 +3 >+3
0
20
40
60
80
100
120
140
160
N
o
.
o
f
O
b
s
e
r
v
a
t
i
o
n
s
Standard Deviation
G
z
l
e
m
S
a
y
Standart Sapma
ekil 5.19. Laboratuar verileriyle kurulan RVM modelinin hata deerlerinin standart sapma dalm
79
1 2 3 4 5 6 7 8 9 10
2
3
4
5
6
7
8
9
10
Sample Number
)
RVM Estimate
Observed Concentration
L
o
g
T
r
a
n
s
f
o
r
m
e
d
C
o
n
c
e
n
t
r
a
t
i
o
n
L
n
(
C
p
p
m
95 % confidence interval
RVM Tahminleri
Gzlenen Konsantrasyon
%95 Gvenirlik Aral
L
o
g
D
m
l
K
o
n
s
a
n
t
r
a
s
y
o
n
L
n
(
C
p
p
m
)
rnek Says
ekil 5.20. Saha veri takmna ait test takmndan rasgele alnan 10 verilik bir ksm iin gzlenen ve
tahmin edilen deerlerin %95lik gvenirlik aral band da gsterilerek kyaslanmas
<-3 -3 -2 -1 +1 +2 +3 >+3
0
20
40
60
80
100
120
140
160
180
N
o
.
o
f
O
b
s
e
r
v
a
t
i
o
n
s
Standard Deviation
G
z
l
e
m
S
a
y
Standart Sapma
ekil 5. 21. Saha verileriyle kurulan RVM modelinin hata deerlerinin standart sapma dalm
80
Tablo 5.1. Metotlarn laboratuar ve saha verilerine gre ayr ayr istatistiki adan deerlendirilmesi
Laboratuar Saha
Metotlar
Toplam
Test Verisi
Say
Geo.
Ort.
Geo.
S.S. R
2
Geo.
Ort.
Geo.
S.S. R
2
Engelund ve Hansen (1967) 837 0.79 2.21 0.83 0.72 2.58 0.66
Graf (1971) 837 0.68 3.65 0.52 0.58 3.48 0.52
Ackers ve White (1973) 836 0.91 2.49 0.88 0.77 3.03 0.61
Yang (1979) 837 1.27 2.01 0.86 0.45 2.81 0.67
Molinas ve Wu (2001) 837 2.77 2.66 0.80 0.99 2.46 0.62
Van Rijn (1984a,b) 820 0.35 2.76 0.79 0.44 3.43 0.50
Shu-Qing Yang (2005) 837 2.97 2.4 0.87 0.75 2.46 0.65
Acaroglu (1968) 837 0.96 3.59 0.54 0.67 3.47 0.52
Shen ve Hung (1972) 837 1.1 1.79 0.91 0.53 4.01 0.67
Brownlie (1981a) 837 1.04 1.83 0.90 0.64 2.22 0.72
Karim ve Kennedy (1981) 836 0.7 2.15 0.84 0.59 2.59 0.67
Karim (1998) 837 0.62 2.54 0.76 0.4 2.54 0.60
Rottner (1959) 837 1.26 2.33 0.83 0.51 2.26 0.68
MLR 837 1.01 1.84 0.90 0.96 2.13 0.73
YSA 837 1.02 1.53 0.95 0.99 1.96 0.78
ANFIS 837 1.05 1.77 0.92 0.99 1.98 0.78
RVM 837 1.04 1.62 0.93 0.97 1.99 0.78
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
10
-2
10
-1
10
0
10
1
Field Lab
84 %ile
Median
16 %ile
1. Engelund ansen (1967)
2. Graf (1967)
3. Ackers hite (1973)
4. Yang (1979)
5. Molinas u (2001)
6. Van Rijn (1984)
7. Shu-Qing Yang (2005)
8. Acaroglu (1968)
9. Shen Hung (1972)
10. Brownlie (1981)
11. Karim ennedy (1981)
12. Karim (1998)
13. Rottner (1959)
14 Linear Regression
15 orward Neural Network
16. Adaptive Neuro Fuzzy Inference System
17. Relevance Vector Machine
C
e
s
t
i
m
a
t
e
d
/
C
o
b
s
e
r
v
e
d
ues
C
t
a
h
m
i
n
/
C
g
z
l
e
n
e
n
and H
and W
and W
and
and K
. Multiple
. Feed F
Techniq
ekil. 5.22. Tm metotlarn hatalarnn log normal dalmlarnn karlatrlmas
Metotlar
Saha Lab
ve
ve
ve
ve
(1971)
ve
MLR
YSA
ANFIS
RVM
BLM 6. TOPLAM KATI MADDE KONSANTRASYONU
TAHMN N KNC SENARYONUN UYGULANMASI
6.1. Giri
Alvyonlu kanallarda meydana gelen nehirlerle ilgili olaylarn doru bir ekilde tahmin
edilmesi uygulamada nemlidir. Gnmzde bu alanda yaplan almalar, hem
laboratuar hem de saha verilerinin kalibrasyonuyla gelitirilen ampirik denklemlere
odaklanma eilimindedir (Chang, 1988; Yang, 1996; Julien, 1995). Bu yaklam, temel
bir konu olan, laboratuar ve saha kanallarndaki hidrolik davranlarn farkl olmasyla
snrldr. Bu almada, RVM modelleri toplam kat madde konsantrasyonu tahmini iin
laboratuar verileri kullanarak gelitirilmi, modellerin performanslar ise saha verileri
kullanlarak test edilmitir. On iki adet toplam kat madde tanm denklemi incelenmi
ve bu denklemlerin sonular RVM sonular ile karlatrlmtr. Sonu olarak,
yalnzca laboratuar verileri kullanlarak eitilen RVM modelinin, saha verilerine dayal
test takm tahminlerine ilikin performansnn, toplam kat madde hareketi
denklemlerinin performanslaryla kyaslanabilir olduu grlmtr. Bu almada,
laboratuar kanallarnda ve nehirlerde meydana gelen kat madde tanma olaylarnn
birbirileriyle ilikili olduu tespit edilmitir. Bu nedenle yalnzca laboratuar verilerini
kullanarak saha verileri iin yararl tahminler yaplabilir.
Ayrca bu almada alvyonlu kanal gzlemleri iin geni bir veri taban
oluturulmutur. Bu veritaban uygun bir formatta derlenmi ve orijinal kaytlardaki
tutarszlklar elenerek gerekli tedbirler de alnmtr.
82
6.2. kinci Senaryonun Amac ve nemi
Nehirlerdeki kat madde tanm olay hidrolik alannda en ok ilgi gren konulardan bir
tanesidir. Kat madde hareketi olaynn karmak olmas ve belirsizlikler iermesi, teorik
modellerin tamamn snrlandrmaktadr. Ampirik ya da yar ampirik modeller uzun
yllardr kat madde miktar tahmini iin kullanlmaktadr (Chang, 1988; Raudkivi, 1990;
Simons ve entrk, 1992; Julien, 1995; Yang, 1996). Ampirik modellerin uygulamadaki
baars modelin kalibrasyonunda kullanlan verilerin elde edilebilirliine ve
uygunluuna baldr. Ampirik modelleri gelitirebilmek iin ok sayda laboratuar
verisi literatrdeki kaynaklardan hazr olarak bulunabilmektedir. Fakat birok almaya
ramen saha verisi hala snrl saydadr ve saha lmlerindeki zorluklardan dolay bu
durumun gelecekte de byle devam etmesi olasdr (Molinas ve Wu, 2001; Simons ve
entrk, 1992).
Bu senaryodaki temel soru udur: acaba yalnzca laboratuar verileriyle elde edilmi
modelleri saha koullarna uygulayabilir miyiz? Hangi koullar altnda bu modellerin
performanslarnn iyi olacan bekleyebiliriz? Literatrde, laboratuar verileriyle
eitilmi modellerin genellikle saha koullar iin iyi sonu vermeyecei bazen ak
bazen de kapal ekilde ileri srlmtr (Molinas ve Wu, 2001; Garde ve Ranga Raju,
1977). Fakat bu farklln nedenleri aka belirtilmemitir. Bu tez, bu tr sorunlara
aklk getirmek iin sistematik bir alma olmutur.
Dier bir konu ise ampirik modelleri gelitirirken girdi deikenlerinin seimidir. Birok
modelde, girdi deikenleri fiziksel parametrelere ya da boyut analizine dayal olarak
seilmitir. Ancak girdi deikenlerini belirlerken bu deikenlerin hem laboratuar hem
de saha artlar iin ayn aralk ierisinde yer almas gerektiinin dikkate alnmas
gerekir.
Bu senaryoda RVM modeli laboratuar verileri kullanlarak eitilmi ve modelin
performans saha verileri zerinde test edilmitir. Elde edilen sonular, seilen daha
nceki metotlarla kyaslanmtr.
83
Bir modeli gelitirmek ve dorulamak iin geni ve gvenilir veri takmna ihtiya
vardr. Brownlie (1981b) 1981 ylna kadar yaplm olan kat madde hareketi ile ilgili
almalara ait verileri bir raporda derleyerek takdire deer bir i gerekletirmitir. Bu
tarihten sonra birok laboratuar ve saha almalarna ait veriler de mevcuttur. Bu
senaryoda, son zamanlarda yaplan almalardaki verilerin derlenmesi ve Brownlienin
kulland verilerin formatyla uyumlu hale getirilmesi iin ok byk zaman ve emek
harcanmtr.
6.3. kinci Senaryo in Veri Tabannn Oluturulmas
Ampirik modellerin gelitirilmesi ve bu modellerin dorulanmas iin sayca ok ve
gvenilir veriler gerekir. Literatre bakldnda, kat madde hareketi ile ilgili kapsaml
veri taban oluturma almas ilk olarak Johnson (1943) tarafndan yaplmtr. Daha
sonra Peterson ve Howells (1973), Johnson tarafndan derlenen verileri
gncellemilerdir. Birka yl sonra 1981de Brownlie (1981b), Peterson ve Howells
tarafndan oluturulan veri tabanna yaklak 2500 veri daha ilave ederek bu ok
kapsaml verileri elektronik ortamdan ulalabilir hale getirmitir. Brownlienin
almasndan sonra birok veri takmlar oluturulmutur. zellikle Asya ve Afrikann
gelimekte olan lkelerine ait birok yeni veri takmlar literatrden elde edilebilir
olmasna ramen Brownlienin almas gncellenmemitir. Bu blmdeki alma iin,
geni bir arala sahip olan laboratuar veri takmlar (5594 laboratuar verisi, 64 ayr
laboratuar almas) ve saha veri takmlar (3843 saha verisi, 53 ayr nehir sistemi)
toplamda 9437 veri olmak zere gncellenmi ve bu veriler Brownlienin kulland
formatla uyumlu hale getirilerek derlenmitir (Tablo Ek-3.1. ve Tablo Ek-3.2.).
Toplamda 9437 olan veri kaytlarndan 2443 (331 laboratuar verisi, 2112 saha verisi)
Brownlie (1981b) derlemesine ilave edilen gncel veri saysdr (Tablo Ek-4.1. ve Tablo
Ek-4.2.). Bu almadaki saha verileri Emmet (1978), Brownlie (1981b), Kircher
(1983), Williams ve Rosgen (1989), Julien (1992), Long ve Liang (1994), Posada
(1995), Childers ve dierleri (1988), Sinnakaudan ve dierleri, (2006) kaynaklarndan
elde edilmitir. Laboratuar verileri ise Einstein (1978), Brownlie (1981b), White ve Day,
(1982), Samaga ve dierleri (1986), Wilcock ve Southard (1988), Wang ve Zhang
84
(1990), Wang ve White (1993), Julien ve Raslan (1998), Wang ve dierleri (1998)
kaynaklarndan derlenmitir. Veriler uyumluluu salamak iin SI birim sistemine
evrilmitir. Tm deikenlerin birimleri Tablo 6.1.de gsterilmitir.
Tablo 6.1. Deikenlerin birimleri
No. Variables Unit
1 Su debisi m
3
/s
2 Yatak genilii m
3 Akm derinlii m
4 Su yzeyi eimi m/m
5 Medyan ap d
50
mm
6 Su scakl
o
C
7 Tanan toplam kat madde konsatrasyonu ppm
8 Yatak ekli tipi (BF) 0-5
9 Gradasyon (
g
)
6.4. Veri Takmlarndaki Snrlandrmalar
Bu almada yalnzca kum yatakl kanallar (sand bed channels) kullanldndan kat
madde medyan ap (d
50,
mm), 0.062<d
50
<2.0 aralnda snrlandrlmtr. Laboratuar
verilerindeki yan duvar etkilerini nlemek iin, genilik-derinlik oran (B/D) 4den
kk olan deerler elenmitir. Ayn zamanda s su etkisini azaltmak iin, rlatif
przllk (R/d
50
)
deerleri 100den kk olan deerler modele dahil edilmemitir.
Bununla birlikte konsantrayon deerleri 10 ppmden kk olan veriler de dk
konsantrayonlarn doruluk problemlerinden tr elenmitir. Kat madde
daneciklerinin dalmnn geometrik standart sapmas olan gradasyon (
g
= 0.5[d
84
/d
50
+
d
50
/d
16
]) deerleri 5ten byk olan veriler de, dane dalmnn 2 modlu (ynl)
olmasndan dolay elenmitir. Su scakl, kinematik viskozitenin hesab iin
kullanlmtr. Su scakl olmayan veriler iin scaklk deeri 10
o
C kabul edilmi ve
gradasyon deeri olmayan veriler iin de gradasyon deeri 2 kabul edilmitir.
Snrlandrmalar Tablo 6.2.de zetlenmitir.
85
Tablo 6.2. Modellerde kullanlan veri takmlarndaki snrlandrmalar
Parametreler Sembol Snrlama Sebep
Medyan ap, mm d
50
0.062<d
50
<2.0 Yalnzca kum
Gradasyon
g
<5 Bimodal dalmn elenmesi
Genilik derinlik oran B/D B/D>4 Yan duvar etkilerinin elenmesi
Rlatif przllk R/d
50
R/d
50
>100 Yzeysel su etkisinin elenmesi
Konsantrasyon (ppm)
C C>10 Doruluk problemleri
Snrlandrmalara ek olarak 34 laboratuar verisi de dier veri takmlarna uymadndan
tr elenmitir. Elenen veriler unlardr: COSdan 12 adet veri, EPBden 3 adet veri,
MUTdan 3 adet veri, JORdan 2 adet veri, WSAdan 9 ve WSSden 5 adet veri.
6.5. nerilen RVM Modeli
Literatrde, kat madde tanmn tahmin etmek iin, eitli sayda boyutsuz
parametrelerin kullanlmasyla elde edilmi bir ok denklem mevcuttur (Tablo 4.3.).
Fakat aratrmaclar arasnda en etkili girdi parametreleri olarak hangi boyutsuz
deikenlerin kullanlacana dair bir birlik yoktur.
Bu blmdeki ama, laboratuar verilerini kullanarak nehirlerde tanan toplam kat
madde konsantrasyonunu tahmin etmektir. Bu sebeple kurulan RVM modelinin girdi
parametrelerinin seiminde laboratuar ve saha verileri iin girdi parametrelerinin kabaca
ayn aralkta olmasna dikkat edilmitir. Ayn zamanda RVM sonular, daha nceki
blmde matematiksel formlasyonlar ayrntl bir ekilde ifade edilen 12 ayr
denklemle kyas edilmitir
86
RVM modelinde kullanlan boyutsuz parametreler aada verilmitir,
( , , ,
ppm m c
C f u u u )
= (6.1)
burada, C
ppm
birimi arlka milyonda bir (parts per million by weight, ppm) olan
toplam kat madde konsantrasyonunu, f ise C
ppm
ile modelde girdi olarak kullanlan
boyutsuz parametreler arasndaki fonksiyonel ilikiyi ifade etmektedir. RVM modeli
laboratuar verileri kullanlarak f fonksiyonu ile eitilmi ve modelin performans saha
verileri kullanlarak test edilmitir.
unu sylemekte yarar var ki seilmi olan bu boyutsuz parametreler, kat madde
hareketi olaynn fiziiyle dorudan ilikili olup gemiteki aratrmaclar tarafndan da
gz nne alnmtr. Bu parametreler aada aklanmtr:
(i) u