Doğadan ilham alan optimizasyon teknikleri ve yapay sinir ağları ile taşkın ötelemesi

Bu tez kapsamında yapay arı kolonisi algoritması, parçacık sürüsü optimizasyon algoritması, ateş böceği algoritması, Kurbağa sıçrama algoritması ve genetik algoritma gibi doğadan ilham alan optimizasyon algoritmaları ile yapay sinir ağının ağırlık ve yanlılık parametreleri optimize ederek taşkın ötelemesi yapılmıştır. Tahmin sonuçları tekil yapay sinir ağı algoritması ile karşılaştırılarak meta sezgisel optimizasyon tekniklerinin taşkın ötelemesi tahmin performansı değerlendirilmiştir. Tahminleri için Ordu-Turna suyundaki 2009 ve 2013 yılında meydana gelen taşkın verileri kullanılarak yapılmıştır. Modelleme sırasında memba istasyonundaki 30 dakikalık akımlar girdi ve mansaptaki 30 dakikalık akımlar hedef değişkeni olarak kullanılmıştır. Modelin kurulumunda verilerin %70'i eğitim ve %30'u test olarak ayrılmıştır. Kurulan modellerin performansı kök ortalama kare hata (RMSE), ortalama mutlak hata (MAE), Akaike Bilgi Kriteri (AIC), Nash-Sutcliffe Verimliliği (NSE), Kling-Gupta Verimliliği (KGE), determinasyon katsayısı (R2), ortalama yanlılık hatası (MBE), yanlılık faktörü (BF) ve yüzde yanlılık (Pbias) gibi istatistiksel metriklere göre sınanmıştır. Analizler sonucunda ABC-ANN hibrit modeli 2009 taşkınlarını RMSE:1.84, AIC:71.63, KGE:0.94, R2 :0.97, ve Pbias:1.07 değerleri ve 2013 taşkınlarını ise RMSE:1.23, AIC:19.99, NSE:0.95, R2 :0.95, ve Pbias:0.63 değerleri ile en iyi tahminde bulunmuştur. Ayrıca RMSE değerlerinin yüzde değişlerine göre meta sezgisel optimizasyon algoritmaları tekil yapay sinir ağı modelini hata düzeyini taşkın tahmininde %45 ile %93 aralığında azalttığı tespit edilmiştir. Ek olarak, model performansları ısı haritaları, kümülatif dağılım grafikleri, Taylor diyagramları, keman grafikleri, kutu diyagramları, saçılma grafikleri, sütun grafikleri ve çizgi grafikleri ile görselleştirilerek ABCANN hibrit yaklaşımının üstünlüğü vurgulanmıştır. Buna göre sürü üyelerinin birbirleriyle etkileşimini taklit ederek yerel optimuma takılma riskini azaltan ve en uygun model parametrelerinin belirlenmesine yardım eden ABC-ANN modeli en doğru tahmin sonuçları üretmiştir. Çalışmanın sonuçları karar vericilere ve politika yapıcılara olası taşkın risklerini önceden görme, proaktif önlemler alma ve uygun müdahale stratejileri geliştirme açsından yardımcı olmaktadır. Anahtar Kelimeler: hiper parametre optimizasyonu, sürü zekâsı, taşkın ötelemesi, yapay zekâ

Within the scope of this thesis, flood prediction is performed by optimizing the weight and bias parameters of the artificial neural network with nature-inspired optimization algorithms such as artificial bee colony algorithm, particle swarm optimization algorithm, firefly algorithm, frog leap algorithm and genetic algorithm. The flood forecasting performance of meta-heuristic optimization techniques was evaluated by comparing the forecasting results with the single artificial neural network algorithm. The forecasts were made using the flood data of Ordu-Turna water in 2009 and 2013. During modeling, 30-minute flows at the upstream station were used as input and 30-minute flows downstream were used as target variables. In the model setup, 70% of the data is divided into training and 30% of the data is divided into testing. The performance of the models was tested according to statistical metrics such as root mean square error (RMSE), mean absolute error (MAE), Akaike Information Criterion (AIC), Nash-Sutcliffe Efficiency (NSE), Kling-Gupta Efficiency (KGE), coefficient of determination (R2), mean bias error (MBE), bias factor (BF) and percent bias (Pbias). As a result of the analysis, the ABCANN hybrid model predicted the 2009 floods with RMSE:1.84, AIC:71.63, NSE:0.94, R2:0.97, and Pbias:1.07, and the 2013 floods with RMSE:1.23, AIC:19.99, NSE:0.95, R2:0.95, and Pbias:0.63. In addition, according to the percentage changes of RMSE values, meta-heuristic optimization algorithms were found to reduce the error level of the single artificial neural network model in flood forecasting in the range of 45% to 93%. In addition, the model performances were visualized with heat maps, cumulative scatter plots, Taylor diagrams, violin plots, box plots, scatter plots, bar charts and line plots to emphasize the superiority of the ABCANN hybrid approach. stuck in the local optimum by mimicking the interaction of swarm members with each other and helps to determine the most appropriate model parameters, produced the most accurate prediction results. The results of the study help decision makers and policy makers to anticipate potential flood risks, take proactive measures and develop appropriate response strategies. Keywords: hyper parameter optimization, swarm intelligence, flood routing, artificial intelligence