Yağmur suyu ızgaralarının hidrolik verimliliğinin makine öğrenmesi yöntemleriyle modellenmesi

Abstract

Kentler geçmişten günümüze insanlığın gelişimi ile paralel bir şekilde gelişmiş bu gelişmeler kentlere dair yeni inovasyonları getirmiştir. Bu inovatif süreçte kentlerin inşasında düşük geçirimli malzeme kullanımının da artması zamanla yoğun yağış durumlarının daha da sorunlu hale gelmesine sebep olmuş, yağış durumlarında gelen su muhtevasının sel gibi sorunlara sebebiyet vermeden daha kontrol edilebilir alanlara aktarılması için kentsel drenaj sistemlerinin tasarımındaki kullanılan ızgara tipinden, kanalizasyon borularına kadar her ayrıntı önemli hale gelmiştir. Yolda bulunan enine ve boyuna eğimlerden, bölgenin iklim ve zemin şartlarına, bölgedeki nüfus yoğunluğundan, kent planlamasındaki ayrıntılara kadar birçok koşul drenaj sisteminin tasarımında önemle dikkate alınır. Bu çalışmada bu ayrıntılar göz önünde bulundurularak yapılan deney çalışmasında drenaj sisteminde kullanılan birbirinden farklı 6 adet ızgara tipinin yakaladığı su muhtevası verilerini elde etmek ve bu verileri Makine öğrenmesi regresyonu ile değerlendirmek amaçlanmıştır. Öncelikle kentsel drenaj sistemleriyle ilgili geçmişten günümüze yapılan tüm deneysel çalışmalar incelenmiş ve bu çalışmaların ayrıntısı hakkında bilgi verecek özetler çıkarılmıştır aynı zamanda bu ayrıntılara daha kolay vakıf olunabilmesi adına bir tablo oluşturulmuş ve tabloda çalışmaların kim veya kimler tarafından ne zaman yapıldığı, teste tabi tutulan giriş tipi, kullanılan ızgara veya konfigürasyon sayısı, oluşturulan deney düzeneği özellikleri, formülasyon tipleri ve önerilen denklemler hakkında bilgiler verilmiştir. Daha sonra kentsel drenaj sistemleriyle ilgili ayrıntılı bir araştırma yapılmış sistemlerin tasarımında önemli olan ayrıntılar incelenmiştir. Kentsel drenaj sistemlerinin tüm bileşenleri hakkında bilgiler verilmiş gerekli olabilecek denklemlerden bahsedilmiştir. Çalışmanın üçüncü kısmında ise deney çalışması için yapılan deney platformu hakkında ayrıntılar verilmiş ve platformun yapımında dikkat edilen noktalara önemle değinilmiştir. Deney platformu, İstanbul Teknik Üniversitesi Hidrolik ve Su Kaynakları Mühendisliği laboratuvarında oluşturulmuştur. 1,2 m genişliğinde, 6,75 uzunluğunda metal platform kullanılmıştır. Suyun yolun içerisinde kalması için platform kenarları da yine metal plaka ile çevrilmiştir. Yolun enine eğimi, şehir içi yollar için bazı geometrik tasarım kılavuzlarının izin verdiği maksimum enine eğim olan %0 ila %5 arasında değişebilir. Aynı şekilde, dağlık bölgelerdeki yüksek eğimli yolları temsil eden boyuna eğim ise %0 ila %10 arasında değişebilir. Çalışmada da bu kriterleri dikkate alarak %1 ila %5 arasında %1 artarak değişen enine eğim, %1 ila %10 arasında %1 artarak değişen boyuna eğim konfigürasyonları kullanılarak her bir ızgara ve debi koşulu için 50 farklı veri alınmıştır. Deney çalışmasında 6 farklı ızgara girişi için test yapılmıştır. Çalışmada her bir ızgara için 6 farklı debi, 5 farklı enine eğim, 10 farklı boyuna eğim olmak üzere toplamda 300 farklı konfigürasyonda; ızgara girişi başlangıcı akış derinliği (d), ızgara tarafından yakalanan akışın boşaldığı plastik haznenin çıkışında bulunan V çentik savaktaki su yüksekliği (h) ve sisteme bırakılan tüm suyun boşaldığı büyük haznenin çıkışında bulunan V çentik savaktaki su yüksekliği (H) ölçülmüştür. Çalışmanın dördüncü kısmında ise elde edilen verilerin değerlendirilmesi için izlenecek süreçlere değinilmiş ve kullanılan yöntemler hakkında ayrıntılı bilgiler verilmiştir. Bu araştırma kapsamında makine öğrenmesi uygulamasına tabi tutulmak üzere toplam 1800 deneysel veri elde edilmiştir. Elde edilen veriler makine öğrenmesi tekniği ile regresyon uygulamasına tabii tutulmuştur. Makine öğrenmesi için çeşitli algoritmalar geliştirilmiş ve bu algoritmalar birçok parametreye bağlıdır. Bu parametrelerin ayarı doğru sonuçları elde edebilmek adına mühim bir noktadır. Parametrelerin ayarı için optimizasyon algoritmaları kullanılmıştır. Makine öğrenmesi modellerini eğitmek için tüm veri kümesi eğitim (%70) ve test (%30) olmak üzere iki ana bölüme ayırılmıştır; eğitimde ise makine öğrenmesinde yaygın olarak karşılaşılan sıkıntı olan Aşırı Öğrenmeyi (Overfitting) önlemek için 5 kat çapraz doğrulama gerçekleştirilmiştir. Orijinal veri seti sayısal değerler içerdiğinden, bu çalışma K-En Yakın Komşu algoritması (KNN), Rastgele Orman algoritması (RF), Destek Vektör Makinesi algoritması (SVM), Yapay Sinir Ağı (ANN) regresyon uygulamalarını ele almıştır. Ek olarak, bu algoritmaların hiperparametre ayarını gerçekleştirmek için bu algoritmaların modelleri, gelişmiş teknoloji ürünü meta-sezgisel optimizasyon algoritmaları olan Yapay Arı Kolonisi algoritması (ABC), Yerçekimsel Arama algoritması (GSA), Guguk Kuşu Arama (CS) algoritması, Parçacık Sürüsü algoritması (PSO) ve Genetik algoritma (GA) ile hibritleştirilmiştir. Optimizasyon sürecinde parametre aralıkları tanımlanmış ve optimum model parametrelerine ulaşmak için toplam 1.000 konfigürasyon taranmıştır. Son olarak sonuç ve öneriler kısmında elde edilen sonuçların değerlendirilmesi yapılmıştır. Sonuçların değerlendirilmesiyle birlikte gerekli görülen yeni önerilerde sırasıyla ifade edilmiştir.